Intelligenza artificiale al servizio della smart city. Si chiama “Deep Gravity” il nuovo algoritmo in grado di prevedere i flussi urbani con un’accuratezza superiore di 1.000 volte quella assicurata dai modelli “tradizionali”. Lo hanno messo a punto l’Istituto di scienza e tecnologie dell’informazione del Consiglio nazionale delle ricerche (Cnr-Isti) assieme alla Fondazione Bruno Kessler di Trento e all’Argonne National Laboratory (Usa).
Come funziona il nuovo modello
Il modello tradizionale utilizzato per la previsione dei flussi di mobilità, sia a piedi che con automezzi, spiega una nota, è il cosiddetto “gravitazionale”. Ispirato alla legge di gravitazione universale di Isaac Newton, stabilisce che il flusso di mobilità tra due luoghi, per esempio due quartieri di una città, è proporzionale alla loro popolazione e inversamente proporzionale alla loro distanza geografica.
Nella pratica, il modello gravitazionale è spesso inaccurato perché si basa su due sole variabili e cioè distanza e popolazione e non è in grado di catturare relazioni complesse tra di loro. Gli studiosi hanno messo a punto “Deep Gravity”, un algoritmo che aggiunge al modello gravitazionale due ingredienti fondamentali e cioè: l’utilizzo di diverse variabili che descrivono i punti di interesse in un luogo come ristoranti, alberghi, ospedali e strade, e la capacità di catturare relazioni complesse tra queste variabili grazie all’utilizzo del deep learning.
“Esperimenti condotti su tre Paesi (Italia, Inghilterra e Stato di New York) hanno dimostrato che Deep Gravity è in grado di prevedere i flussi con un’accuratezza che è fino a mille volte migliore di quella del modello gravitazionale”, spiega Luca Pappalardo del Cnr-Isti e autore principale dell’articolo.
Il ruolo dell’Intelligenza artificiale
L’utilizzo di tecniche di “Explainable AI” (Intelligenza Artificiale spiegabile) ha consentito agli scienziati di comprendere le motivazioni dietro i flussi di spostamento tra aree nei tre Stati sotto analisi. A differenza di quanto previsto dal modello gravitazionale, le variabili che guidano gli spostamenti variano tra Paesi e anche al loro interno, e non sempre distanza e popolazione sono quelle più importanti.
“Per esempio, luoghi con un gran numero di strutture alimentari, vendita al dettaglio e zone industriali attirano più pendolari che luoghi con punti di interesse relativi alla salute e a uso commerciale. Inoltre, la motivazione nei movimenti tra due locazioni non è simmetrica: i punti di interesse che guidano i movimenti da un posto A a un posto B non sono necessariamente le stesse che guidano i movimenti da B ad A” spiega ancora Pappalardo.
Un nuovo modo per gestire epidemie e lockdown
Lo studio, dicono gli autori, “è un passo importante verso la spiegazione di fenomeni complessi come la mobilità umana con ricadute pratiche rilevanti come il calcolo della probabilità di diffusione di un’epidemia, come ad esempio il Covid-19, sulla base dei punti di interesse in un territorio”.
In questo senso l’algoritmo potrebbe fornire informazioni utili anche ai decisori politici. “Conoscere le ragioni dietro i movimenti tra due locazioni – dice Massimiliano Luca, dottorando all’Università di Bolzano e ricercatore alla Fondazione Bruno Kessler – può aiutare a capire il perché dell’attrattività di un luogo, e in caso di necessità di lockdown, a imporre chiusure che tengano conto della specificità dei flussi su un territorio”.
