Simulazione del traffico e machine Learning per la caratterizzazione di flussi logistici e mobilità in contesti città-porto.

Abstract

Questa tesi di ricerca affronta le sfide della gestione del traffico urbano nel contesto città-porto, dove la coesistenza del traffico bimodale (veicoli leggeri e pesanti) genera dinamiche complesse. In questo contesto, tali dinamiche sono state analizzate attraverso i modelli classici di traffico, basati sull’uso del diagramma fondamentale macroscopico del traffico (Macroscopic Fundamental Diagram, MFD). Tuttavia, l’analisi condotta ha evidenziato alcune limitazioni nell’applicazione diretta di questi modelli al caso di studio. Per questo motivo, oltre agli approcci modellistici tradizionali, si e adottata una metodologia basata su simulazioni e Machine Learning (ML). Il Machine Learning consente ai computer di apprendere dai dati e migliorare le prestazioni senza programmazione esplicita, mentre il Macroscopic Fundamental Diagram descrive il legame tra le variabili chiave del traffico a livello macroscopico, considerando aree aggregate. Nel caso di studio proposto, sono stati sfruttati dati di traffico ricavati da simulazioni effettuate nella zona portuale di Genova. Le analisi condotte mettono in luce le caratteristiche del traffico bimodale che quotidianamente utilizza la rete stradale genovese. A partire dai dati ottenuti dalle simulazioni, sono stati realizzati grafici per verificare la validità dei modelli basati sul Macroscopic Fundamental Diagram in alcune zone di interesse, oltre a sviluppare un modello predittivo in grado di stimare alcune variabili chiave. Grazie a questo modello e all’utilizzo di un metodo di ottimizzazione, e stato possibile identificare il numero ottimale di macchine e camion che massimizza il deflusso totale, ovvero il numero di veicoli che riescono ad entrare e uscire da una determinata zona.

This research thesis addresses the challenges of urban traffic management in the city-port context, where the coexistence of bimodal traffic (light and heavy vehicles) generates complex dynamics. In this context, these dynamics have been analyzed using classical traffic models based on the Macroscopic Fundamental Diagram (MFD). However, the analysis conducted has highlighted some limitations in the direct application of these models to the case study. For this reason, in addition to traditional modeling approaches, a methodology based on simulations and Machine Learning (ML) has been adopted. Machine Learning allows computers to learn from data and improve performance without explicit programming, while the Macroscopic Fundamental Diagram describes the relationship between key traffic variables at a macroscopic level, considering aggregated areas. In the proposed case study, traffic data obtained from simulations carried out in the port area of Genoa was utilized. The analyses conducted highlight the characteristics of bimodal traffic, which daily uses Genoa’s road network. Based on the data obtained from the simulations, graphs were generated to verify the validity of the models based on the Macroscopic Fundamental Diagram in certain areas of interest, as well as to develop a predictive model capable of estimating key variables. Thanks to this model and the use of an optimization method, it was possible to identify the optimal number of cars and trucks that maximize the total outflow, that is, the number of vehicles that can enter and exit a specific area.