Tecniche di apprendimento automatico per l'analisi della domanda di mobilità: un'applicazione della matrice origine-destinazione di Genova

Abstract

La stima delle matrici origine-destinazione (OD) è un problema cruciale nella pianificazione dei trasporti e nella modellazione del traffico, in particolare in contesti urbani complessi come Genova, Italia. Una matrice OD fornisce preziose informazioni sulla domanda di viaggio rappresentando il numero di viaggi tra varie zone all'interno della città. Una stima accurata dei flussi OD è essenziale per ottimizzare le reti di trasporto pubblico di Genova, gestire la congestione e supportare politiche di mobilità sostenibile che sono particolarmente importanti dati i vincoli geografici unici della città e la struttura urbana storica. I metodi tradizionali di stima OD, tra cui sondaggi sulle famiglie e conteggi diretti del traffico, spesso si rivelano costosi e logisticamente impegnativi in ​​contesti urbani densi come Genova, caratterizzati da strade strette e comportamenti di viaggio diversificati. Di conseguenza, le tecniche di apprendimento automatico basate sui dati offrono un'alternativa promettente sfruttando efficacemente le fonti di dati esistenti. Questo studio presenta un approccio di apprendimento automatico in due fasi su misura specificamente per la stima OD a Genova, utilizzando la regressione Random Forest. La metodologia stima inizialmente i viaggi totali generati e attratti da ciascuna zona, capitalizzando i dati spaziali e socioeconomici specifici di Genova. Queste stime preliminari servono quindi come caratteristiche di input per prevedere flussi OD dettagliati tra coppie di zone. Adottando questo approccio strutturato, puntiamo non solo a migliorare l'accuratezza della previsione e a mitigare l'overfitting, ma anche a sviluppare un modello robusto che si allinei strettamente ai principi di pianificazione dei trasporti consolidati e affronti le dinamiche di mobilità uniche di Genova.

Estimating Origin-Destination (OD) matrices is a crucial problem in transportation planning and traffic modeling, particularly in complex urban settings such as Genoa, Italy. An OD matrix provides valuable insights into travel demand by representing the number of trips between various zones within the city. Accurate estimation of OD flows is essential for optimizing Genoa's public transport networks, managing congestion, and supporting sustainable mobility policies that are particularly important given the city's unique geographical constraints and historical urban structure. Traditional methods of OD estimation, including household surveys and direct traffic counts, often prove expensive and logistically challenging in dense urban environments like Genoa, characterized by narrow streets and diverse travel behaviors. Consequently, data-driven machine learning techniques offer a promising alternative by leveraging existing data sources effectively. This study presents a two-step machine learning approach tailored specifically for OD estimation in Genoa, utilizing Random Forest regression. The methodology initially estimates the total trips generated and attracted by each zone, capitalizing on spatial and socio-economic data specific to Genoa. These preliminary estimates then serve as input features for predicting detailed OD flows between pairs of zones. By adopting this structured approach, we aim not only to enhance prediction accuracy and mitigate overfitting but also to develop a robust model that aligns closely with established transportation planning principles and addresses the unique mobility dynamics of Genoa.