Come capire dove mancano i mezzi pubblici? Scopri i deserti di trasporto a Lucknow

Le città crescono velocemente, ma non tutti hanno gli stessi diritti di muoversi. In India, a Lucknow, gli esperti hanno scoperto dei “deserti di trasporto”: zone dove i mezzi pubblici sono troppo pochi rispetto alla domanda. Per trovarli, hanno usato l’intelligenza artificiale, cioè dei programmi che imparano dai dati. Hanno provato tre metodi: gli alberi decisionali (DT), la regressione logistica (LR) e la foresta casuale (RF). Il lavoro è stato fatto su una griglia di 100 × 100 metri, dove ogni cella è stata valutata in base a reddito, densità di popolazione, frequenza dei viaggi e accesso ai servizi. Il risultato? La foresta casuale ha classificato le aree con la massima precisione, mentre l’albero decisionale ha offerto una spiegazione più semplice, anche se con un po’ meno accuratezza. La regressione logistica, invece, è rimasta indietro perché assume relazioni lineari troppo semplici. Le mappe hanno mostrato che i deserti di trasporto si concentrano nei quartieri più poveri, creando un circolo vizioso di disuguaglianza. Con questi dati, i pianificatori possono intervenire dove serve davvero, aggiungendo linee di autobus o migliorando le fermate. In pratica, la tecnologia aiuta a rendere la mobilità più giusta per tutti, trasformando numeri e algoritmi in azioni concrete per la città.

Il modello di foresta casuale (Random Forest, RF) combina centinaia di alberi decisionali, ciascuno costruito su un sottoinsieme casuale di variabili e campioni. Questa diversità riduce l’overfitting, migliorando la capacità di generalizzazione su dati non visti. Nel contesto di Lucknow, la RF ha gestito efficacemente la non linearità tra le variabili socio‑economiche (reddito medio, densità abitativa) e le metriche di accessibilità (numero di fermate per km², frequenza dei servizi). L’algoritmo ha inoltre fornito una misura di importanza delle feature, evidenziando che la densità di popolazione e il reddito sono i predittori più influenti per la classificazione dei deserti di trasporto. Gli alberi decisionali (DT), sebbene più interpretabili grazie alla loro struttura a regole if‑then, mostrano una maggiore varianza: piccole variazioni nei dati di training possono alterare significativamente la struttura dell’albero, riducendo la stabilità delle previsioni. La regressione logistica (LR) assume una relazione lineare tra le variabili indipendenti e la log‑odds della classe target, limitando la sua capacità di catturare interazioni complesse tipiche dei fenomeni urbani. Inoltre, la LR è sensibile alla multicollinearità, un problema comune quando variabili come densità di popolazione e numero di veicoli per abitante sono correlate. Per la validazione, è stato impiegato un approccio di cross‑validation a 10‑fold, garantendo che i risultati non fossero frutto di una particolare suddivisione del dataset. Le metriche di performance includono accuratezza, recall, precisione e F1‑score, con la RF che ha superato gli altri modelli con un F1‑score di 0,89, rispetto a 0,78 per il DT e 0,62 per la LR. Questi risultati suggeriscono che, per problemi di classificazione ad alta dimensionalità e non linearità come i deserti di trasporto, gli ensemble basati su alberi sono la scelta più robusta.