Analisi comportamentale degli utenti stradali sulla base di Big Data in mobilità

Gli ambiti di applicazione dei Big Data nel campo dei sistemi di trasporto sono numerosi e molto diversi tra loro. Con riferimento all’analisi del comportamento degli utenti stradali, i Floating Car Data (FCD), in particolare, rappresentano una preziosa fonte di informazioni: possono essere utilizzati per conoscere lo stato del veicolo, le prestazioni del sistema di trasporto, le posizioni degli utenti e le preferenze o le abitudini di questi ultimi. La maggior parte degli studi presenti in letteratura, limitati a piccole flotte di veicoli o a esperimenti di laboratorio, pone alcune criticità dovute alla dimensione dei database oggetto di analisi; alcuni studi, concentrati su inviluppi di punti rilevati, sono caratterizzati da una sequenza di posizioni sparse e svincolate dal grafo stradale sottostante. Per tale ragione - al fine di condurre un’ampia analisi del sistema degli spostamenti in area urbana basata su un set esteso di FCD - è stata definita una metodologia generale che prevede: • la ricostruzione sul grafo stradale del percorso seguito dagli utenti in ciascun viaggio effettuato, a partire dalle singole posizioni rilevate; • la definizione di un insieme limitato di percorsi di collegamento per una specifica coppia Origine-Destinazione (O-D) che rappresentano il set finale di alternative di scelta considerate significativamente differenti dall’utente stradale e utilizzabili in un modello comportamentale. Il comportamento di scelta degli utenti, inoltre, viene approfondito attraverso l’analisi della dinamica giornaliera delle scelte degli utenti stradali, che viene condotta verificando la tendenza degli individui a cambiare percorso oppure anticipare l’orario di partenza in funzione dei tempi di viaggio sperimentati il giorno precedente. La metodologia definita nell’ambito della presente ricerca è stata applicata a un primo set di FCD relativi al mese di maggio 2010 registrati nell'area metropolitana di Roma e, successivamente, a un set più esteso e recente di dati (gennaio-giugno 2015) raccolti nella stessa area. Nella tesi di dottorato sono riportate le principali evidenze ottenute dall’applicazione dell’approccio metodologico. Sulla base dei risultati ottenuti, infatti, è stata condotta una analisi del I principio di Wardrop: circa il 75% dei percorsi scelti dagli utenti presenta tempi di viaggio che superano il valore minimo di meno del 35%, rispetto ad uno scarto standard dei tempi di percorrenza nel periodo di osservazione dell’ordine del 24% su tutte le coppie O-D e del 19% su tutti i cluster. È stata, poi approfondita la propensione degli utenti stradali al cambio di percorso o al cambio di orario di partenza a seguito di un incremento o una riduzione del tempo di viaggio sperimentato: sebbene incrementi o riduzioni dei tempi di viaggio sperimentati superiori ai 20 minuti non sono correlati al meccanismo di cambio del percorso, è invece emersa una correlazione tra la percentuale di utenti che cambia il percorso e incrementi o riduzioni dei tempi di viaggio compresi tra 5 e 20 minuti. Infine, è stata esperita la possibilità di rappresentare i comportamenti di scelta del percorso mediante modelli di scelta discreta. A tal fine, sono state calibrate diverse forme funzionali di un modello logit multinomiale di scelta del percorso. I risultati della procedura di stima - condotta con il metodo della massima verosimiglianza - hanno evidenziato la significatività statistica con probabilità del 95% dei coefficienti della lunghezza, del tempo di viaggio e del numero di semafori presenti lungo il percorso. I valori - piuttosto contenuti - di rho-quadro ottenuti possono essere spiegati assumendo che gli utenti percepiscano i percorsi alternativi come indifferenti (ulteriore conferma del principio di Wardrop: gli utenti in viaggio su una stessa coppia O-D effettuano la selezione del percorso rispetto ad una serie di alternative di costo minimo e, se non uguale, almeno simile). Infatti, per tutte le O-D, i percorsi di massima probabilità di scelta differiscono dai percorsi effettivamente scelti in media del 14%, con una deviazione standard rispetto alla media del 19%. Ulteriori analisi potrebbero essere utili per indagare i casi in cui l’utente sembra selezionare il percorso in funzione della necessità di effettuare deviazioni (nel caso di “viaggi a catena”, ad esempio) piuttosto che sulla base dei costi associati alle alternative, o ancora per approfondire la percezione delle grandezze (lunghezza, velocità, etc.) e la previsione del tempo di percorrenza da parte dell’utente, subito prima dello spostamento.