Tratto dalla tesi di laurea di Francesca Nadalini (trainee at GO-Mobility)

Decodificare il ritmo delle città con i dati GPS

Uno studio sul potenziale dei modelli activity-based

Quanto siamo in grado di comprendere i movimenti di una città? Ecco 5 cose che abbiamo imparato dalla ricerca di tesi della nostra tirocinante Francesca Nadalini (Politecnico di Milano), uno studio prezioso volto a identificare nuove fonti dati e sviluppare metodi innovativi per alimentare modelli activity-based (AcBM) e produrre metriche utili per guidare la pianificazione della mobilità. Basandoci su un esteso campione di tracce GPS scopriremo com’è possibile trasformare dati grezzi e caotici in una narrazione dettagliata del comportamento umano ed elaborare soluzioni per le attuali sfide di mobilità.

Dal come si viaggia… al perché

La tesi mette al centro dello studio la potenzialità dei modelli activity-based, che cambiano la domanda del trasportista spostando il focus non tanto sul viaggio in sé ma sul perché lo si fa, ovvero sulle attività che spingono le persone a spostarsi. Perchè è così importante questo cambio di paradigma? In questo video illustrato lo abbiamo spiegato in soli 7 minuti  👇

Il limite dei modelli di trasporto tradizionali, noti come trip-based, è che considerano ogni spostamento come un evento isolato dal punto A al punto B, senza prendere in considerazione le complesse catene di decisioni che caratterizzano la vita delle persone.

Tuttavia, le persone non viaggiano per il semplice gusto di farlo (o perlomeno non sempre), ma lo fanno perché spinti da diverse necessità e attività (lavoro, studio, acquisti, tempo libero) distribuiti in modo diverso nel tempo e nello spazio. È il concetto di domanda derivata: lo spostamento è una conseguenza, non il fine ultimo.

Un esempio: immaginiamo una persona (“Anna”) che è abituata ad andare al lavoro in auto uscendo alle 7:30 e fermandosi a fare la spesa al supermercato nel viaggio di ritorno a casa. Un giorno la sua azienda decide di offrire ai suoi dipendenti un forte incentivo monetario per l’utilizzo i mezzi pubblici. A quel punto Anna decide che è più conveniente andare al lavoro in treno. Riorganizzerà dunque la sua routine: deciderà di raggiungere la stazione a piedi per fare un po’ di moto quotidiano, e siccome il vecchio supermercato non è più così comodo, sceglierà un nuovo riferimento per fare la spesa ovvero il mercato vicino a casa, da cui passerà nel percorso di ritorno dalla stazione. Ecco: un modello tradizionale non riuscirebbe a prevedere una riorganizzazione così complessa, mentre un approccio basato sulle attività sarebbe in grado di farlo poiché considera le necessità dell’individuo.

Immagine ispirata dall’esempio riportato nello studio di Ben-Akiva and Bowmann in “Activity Based Travel Demand Model Systems[1]]

I modelli activity-based, infatti, rappresentano un cambio di paradigma: pongono la persona, e non il viaggio, al centro dell’analisi, considerando il suo intero programma di attività giornaliere. Questi modelli non si limitano a studiare come ci spostiamo, ma cercano di simulare perché, quando e come organizziamo la nostra giornata.

Questo approccio offre una visione molto più realistica e permette di testare con maggiore accuratezza l’introduzione di eventuali cambiamenti alla routine, che siano incentivi monetari come nell’esempio di Bob fino a nuovi regolamenti sullo smart working o pedaggi urbani.

“Stated simply, the motivation for activity-based travel demand modelling is that travel decisions are activity based”.

Dalle indagini campionarie ai dati GPS

Per decenni, la principale fonte di dati per la pianificazione dei trasporti sono state le indagini sugli spostamenti svolte sottoforma di questionari campionari. Questo metodo, seppur prezioso, presenta notevoli limiti: è estremamente costoso, richiede molto tempo ed è soggetto a errori di memoria o imprecisioni da parte degli intervistati (un fenomeno noto come “recall bias”).

La svolta nel campo dei trasporti è rappresentata dall’avvento dei dati GPS, forniti da provider che raccolgono dati provenienti dalle app, appositamente anonimizzati per garantire la privacy dell’utenza. Questi dati offrono grandi vantaggi per chi studia e pianifica la mobilità: precisione, oggettività, efficienza e, soprattutto, una scala senza precedenti. Nel caso della ricerca in oggetto, che ha utilizzato come focus la città di Milano, si tratta di una base dati di 100 milioni di “ping” GPS e quasi un milione di utenti, considerando un periodo di osservazione di un mese (metà novembre-metà dicembre 2024).

Tuttavia, non si tratta di dati pronti all’uso. Come molti big data che non nascono appositamente per le analisi di mobilità (“big data di prima generazione”, ne abbiamo parlato qui), si presentano in forma grezza e necessitano di un accurato processo di pulizia per garantire qualità e completezza. In primis sono stati rimossi tutti i profili che nel mese di osservazione presentavano un numero insufficiente e molto sparso di ping, perdendo l’82% del campione. Sui 164.000 profili rimasti sono stati svolti ulteriori passaggi di pulizia per arrivare ad ottenere diari di mobilità il più possibile affidabili e ricostruibili, ad esempio scartando chi aveva dati disponibili per meno di tre giorni e arrivando a un nucleo finale di 17.000 diari di mobilità.

Dati grezzi: distribuzione dei ping (caso studio Milano)

Ricostruire i comportamenti

Il secondo passaggio metodologico è stato riconoscere, a partire da una sequenza caotica di punti GPS, quali di questi erano la traiettoria di uno spostamento (viaggio) e quali invece rappresentavano lo stazionamento in un luogo per lo svolgimento di un’attività (sosta).

I metodi tradizionali, basati su soglie fisse di tempo o velocità, non sono adatti a questo tipo di dati: la frequenza dei ping GPS è troppo variabile e incostante. Lo studio ha dunque adottato DBSCAN (Density-Based Spatial Clustering of Applications with Noise), un algoritmo di clustering non supervisionato (dei modelli supervised abbiamo invece parlato qui), applicandolo in modo innovativo. Invece di limitarsi a raggruppare i punti geografici, la metodologia ha applicato l’algoritmo a coordinate pesate per la velocità tra un punto e quello successivo.

Grazie a questo accorgimento, i punti appartenenti a un viaggio (alta velocità, punti sparsi) venivano raggruppati in cluster, mentre i punti di una sosta (velocità quasi nulla, punti densamente accumulati) venivano classificati dall’algoritmo come anomali (“noise”). L’innovazione è consistita nel comprendere che, in questo contesto, l’anomalia non era un errore da scartare, ma esattamente il segnale che si stava cercando: l’attività. Per correggere piccole imprecisioni e raffinare la distinzione tra soste e viaggi sono state svolte altre minori post-elaborazioni tra cui tecniche come il K-Nearest Neighbors (KNN), che ha aggiunto un ulteriore livello di robustezza metodologica.

Individuazione di punti di sosta (verde) e di spostamento (blu) e correzione con eliminazione di punti di sosta isolati (a dx)

Individuare i motivi dei viaggi

Per compiere l’ultimo passo verso il fulcro dei modelli activity-based, ovvero conoscere il motivo del viaggio, è necessario sapere la natura della destinazione: si tratta di un ufficio, di un negozio, di una scuola?

La classificazione delle destinazioni è costituita da due livelli:

• un primo livello “macro” in cui si distinguono le attività in tre categorie principali: Casa, Attività principale e Attività secondaria, secondo precisi parametri di tempo e frequenza.
• un secondo livello in cui, grazie all’integrazione dei dati di uso del suolo, si entra in dettaglio per dare una classificazione più precisa a queste macro-categorie (ad esempio se l’attività principale è studio o lavoro, o di che tipo di attività secondaria si tratta) e a correggere eventuali anomalie.

Per farlo, si sono sovrapposti i dati delle attività con le informazioni sull’uso del suolo provenienti da OpenStreetMap (OSM). È stata creata una catchment area che copriva il 98% delle attività identificate, processando circa 1,2 milioni di edifici e 224.000 Punti di Interesse (POI). Sovrapponendo la posizione di ogni sosta con queste mappe è stato possibile dedurre lo scopo: ad esempio, se una sosta di lunga durata cadeva su un’area mappata come “università”, l’attività è stata classificata come “Studio“; se cadeva su un’area con uffici, è diventata “Lavoro“.

Tuttavia è importante sottolineare l’importanza del primo passaggio, quello del riconoscimento delle attività in macro-categorie: i dati sull’uso del suolo, infatti, non sono sempre precisi e presentano lacune. In altri casi, è difficile capire se il ping riguarda un negozio oppure quello accanto. Senza un’accurata categorizzazione della residenza abituale e dell’attività principale, ad esempio, non sarebbe possibile capire se una persona che si reca a un ristorante lo sta facendo per andare a pranzo (attività secondaria) o per lavoro (attività principale).

Immagine tratta dalla tesi

 Non solo: la metodologia ha previsto un processo di aggiustamento a due vie. Ad esempio, un’attività inizialmente classificata come “Occasionale” (perché poco frequente), ma che durava molte ore in un’area mappata come “Luogo di lavoro”, veniva corretta come “Lavoro”. Viceversa, un’attività classificata come “Regolare” (perché giornaliera), ma molto breve, come la sosta al bar per il caffè mattutino, veniva ri-classificata come “Occasionale”. Questa procedura ha permesso di tradurre un insieme di coordinate sparse in una serie di attività dotate di uno scopo, avvicinandosi sempre di più allo scopo di ricerca: decodificare il comportamento umano.

Basta “viaggiatori medi”: vedere e riconoscere i diversi profili di utenza

I comportamenti di mobilità contemporanei seguono logiche sempre più sfaccettate e complesse, spesso legate alle diverse traiettorie e contesti di vita delle persone. Di conseguenza, per creare modelli di mobilità efficaci non si può trattare la popolazione come un blocco omogeneo. È necessario identificare segmenti con comportamenti simili, i cosiddetti “person types”. Come è stato possibile farlo?

I diversi profili di mobilità sono stati estrapolati analizzando i pattern di attività ricorrenti. Ad esempio:

• Un utente con soste lunghe e ricorrenti in luoghi etichettati come “Luogo di lavoro” è stato classificato come “Lavoratore a tempo pieno” (o “part-time” se la durata media era inferiore a una certa soglia).
• Un utente le cui soste principali avvenivano in luoghi di “Istruzione” è stato identificato come “Studente universitario” o “Studente di scuola secondaria”, a seconda del tipo di istituto.
• Gli utenti che non mostravano schemi regolari di attività “obbligatorie” sono stati classificati nel gruppo “Non lavoratore/pensionato“.

Tuttavia, come sottolinea la tesi, questo metodo non può distinguere con certezza un “non lavoratore” da un “pensionato”, data l’assenza di dati anagrafici. Allo stesso modo, fatica a identificare i lavori part-time degli studenti, poiché l’attività di studio risulta dominante. Si tratta di limiti che potrebbero essere compensati integrando altri tipi di dati più tradizionali (data fusion), ad esempio dati censuari o provenienti da questionari.

Riconoscere questi limiti dimostra tuttavia come, anche da dati anonimi, valga comunque la pena sfruttare l’enorme potenziale dei dati GPS per la mole di spostamenti identificabili contemporaneamente a un livello di dettaglio inedito e l’assenza del recall bias, ricostruendo segmenti di popolazione con comportamenti distinti e fornendo elementi importanti per comprendere e migliorare la mobilità delle nostre città.

Oltre il mero esercizio accademico

La ricerca dimostra che combinare dati GPS su larga scala con metodologie avanzate di analisi rappresenta uno strumento potentissimo per comprendere la mobilità urbana, con un livello di dettaglio e accuratezza senza precedenti.

Tuttavia, per far sì che non rimanga un mero esercizio accademico è importante che questi strumenti e metodologie permeino sempre di più nelle cassette degli attrezzi della pianificazione urbana e del governo del territorio. Questo ricco set di dati e la relativa metodologia proposta, ad esempio, possono essere utilizzati per alimentare piattaforme di simulazione in grado di creare un gemello digitale (digital twin) della popolazione in esame, dunque della vita quotidiana della città (qui un nostro approfondimento). La metodologia è elaborata per essere replicabile in qualsiasi città e territorio, sebbene la trasferibilità sia parzialmente legata alla quantità e alla qualità dei dati a disposizione.

Come anticipato, grazie a questi strumenti siamo in grado di testare in modo più realistico come reagirebbe la popolazione all’introduzione di nuovi servizi, politiche o incentivi, come l’aggiunta di una nuova linea metropolitana, oppure di ottimizzare gli orari dei servizi pubblici o pianificare infrastrutture ciclabili in modo mirato.

Migliorare la capacità di analizzare questi dati è fondamentale per progettare servizi di mobilità sempre più efficienti e su misura per gli abitanti delle nostre città e le loro diverse necessità.

[1] Ben-Akiva, M.E., Bowman, J.L. (1998). Activity Based Travel Demand Model Systems. In: Marcotte, P., Nguyen, S. (eds) Equilibrium and Advanced Transportation Modelling. Centre for Research on Transportation. Springer, Boston, MA. https://doi.org/10.1007/978-1-4615-5757-9_2

Data Mobility è un progetto di GO-Mobility
Scopri chi siamo e i progetti con cui trasformiamo i dati in soluzioni di mobilità.