ROMA – Quello di riuscire ad alleviare i disagi del traffico congestionato è il sogno dei city manager di tutto il mondo. Questo desiderio potrebbe ora diventare realtà grazie a un nuovo algoritmo di apprendimento automatico sviluppato ad hoc per aiutare gli analisti del trasporto urbano nella riduzione degli ingorghi che abitualmente rendono difficoltoso il traffico cittadino. La soluzione si chiama “TranSec”, ed è stata sviluppata presso il Pacific Northwest National Laboratory (Pnnl) del Dipartimento dell’Energia degli Stati Uniti per aiutare i regolatori del traffico urbano a gestire informazioni utili sui modelli di traffico nelle loro città. Attualmente, le informazioni sul traffico disponibili risultano troppo scarse e incomplete, e sono spesso derivate da dati isolati, statistiche sulle collisioni e dati sulla velocità di transito. Il nuovo sistema si basa sui set di dati sul traffico raccolti dai conducenti Uber e altri dati provenienti dai sensori del traffico disponibili per mappare il flusso dei veicoli nel tempo, creando un quadro generale del traffico cittadino attraverso strumenti di apprendimento automatico. “A differenza di altri modelli che funzionano solo in una specifica area metropolitana – ha dichiarato Arif Khan, informatico del team di sviluppo del TranSec presso il Pnnl – il nostro strumento può essere applicato a qualsiasi area urbana in cui sono disponibili dati aggregati sul traffico”.
L’altra differenza del TranSec rispetto ad altri metodi di monitoraggio del traffico sta nella sua capacità di analizzare informazioni scarse e incomplete, utilizzando l’apprendimento automatico per ovviare al problema, consentendogli di effettuare stime a livello stradale quasi in tempo reale. Attraverso i dati pubblici disponibili dell’intera area metropolitana di Los Angeles, il team ha ridotto il tempo necessario per creare un modello di congestione del traffico, passando da ore a minuti. L’accelerazione, ottenuta con le risorse di calcolo ad alte prestazioni presso il Pnnl, rende possibile l’analisi del traffico quasi in tempo reale. Anche se per ottenere un modello del traffico di una città su vasta scala sono necessarie risorse di elaborazione high performance, TranSec è scalabile, ciò significa che una rete stradale da valutare solo in relazione alle autostrade e arterie principali potrebbe essere modellata su un potente computer desktop. “Usiamo un modello basato su grafici, insieme a nuovi metodi di campionamento e motori di ottimizzazione, per imparare sia i tempi di viaggio che i percorsi – ha spiegato Arun Sathanur, informatico del Pnnl e ricercatore capo del team – Il metodo ha un notevole potenziale per essere esteso ad altre modalità di trasporto, come il transito e il traffico merci. Come strumento analitico, è in grado di indagare come si diffonde lo stato del traffico”. (m.r.)
L’altra differenza del TranSec rispetto ad altri metodi di monitoraggio del traffico sta nella sua capacità di analizzare informazioni scarse e incomplete, utilizzando l’apprendimento automatico per ovviare al problema, consentendogli di effettuare stime a livello stradale quasi in tempo reale. Attraverso i dati pubblici disponibili dell’intera area metropolitana di Los Angeles, il team ha ridotto il tempo necessario per creare un modello di congestione del traffico, passando da ore a minuti. L’accelerazione, ottenuta con le risorse di calcolo ad alte prestazioni presso il Pnnl, rende possibile l’analisi del traffico quasi in tempo reale. Anche se per ottenere un modello del traffico di una città su vasta scala sono necessarie risorse di elaborazione high performance, TranSec è scalabile, ciò significa che una rete stradale da valutare solo in relazione alle autostrade e arterie principali potrebbe essere modellata su un potente computer desktop. “Usiamo un modello basato su grafici, insieme a nuovi metodi di campionamento e motori di ottimizzazione, per imparare sia i tempi di viaggio che i percorsi – ha spiegato Arun Sathanur, informatico del Pnnl e ricercatore capo del team – Il metodo ha un notevole potenziale per essere esteso ad altre modalità di trasporto, come il transito e il traffico merci. Come strumento analitico, è in grado di indagare come si diffonde lo stato del traffico”. (m.r.)
Fonte www.repubblica.it