Vuole sapere come "l’IA prevede il traffico nelle ore di punta"? Approfondiamo insieme questo articolo con INVIAI per trovare la risposta!

Nelle città affollate, autostrade e strade spesso si trasformano in parcheggi durante le ore di punta – un problema frustrante e costoso. Studi stimano che la congestione del traffico costi a molte economie circa il 2% del PIL. Negli Stati Uniti, ad esempio, il guidatore medio perde circa 43 ore all’anno bloccato nel traffico.

Questo tempo perso si traduce anche in miliardi di dollari di produttività persa, consumo extra di carburante e maggior inquinamento e stress per la salute delle persone.

Per affrontare la questione, i pianificatori dei trasporti si rivolgono all’intelligenza artificiale. Prevedendo dove e quando si formeranno gli ingorghi, i sistemi IA mirano a fluidificare il traffico prima che si verifichino rallentamenti.

Le previsioni del traffico basate sull’IA moderne si fondano sui big data. Raccolgono enormi flussi di informazioni sulle strade: conteggi e velocità da sensori e telecamere, tracce GPS da smartphone e veicoli, e persino fattori esterni come il meteo o eventi speciali.

Ad esempio, telecamere del traffico e dispositivi GPS forniscono dati in tempo reale che l’IA analizza insieme ai modelli storici delle stesse strade.

Questo permette al modello di “sapere” che un tratto autostradale rallenta di solito nelle mattine feriali, o che un concerto in centro città porterà più auto su certe strade. In pratica, sistemi come Google Maps combinano letture del traffico in tempo reale con anni di dati passati per prevedere le condizioni da 10 a 50 minuti prima.

In sostanza, l’IA si chiede: “Dato ciò che sta succedendo ora e quello che succede di solito a quest’ora, come sarà il traffico nel prossimo futuro?”

Le principali fonti di dati per i modelli IA del traffico includono:

• Dati storici sul traffico: Velocità e volumi su ogni strada in base all’ora del giorno e della settimana.
• Flussi in tempo reale: Conteggi e velocità dei veicoli da sensori stradali, telecamere del traffico e dispositivi GPS.
• Informazioni esterne: Report meteo, avvisi di incidenti o lavori, e calendari di eventi speciali.
• Algoritmi di apprendimento automatico: Modelli (come le reti neurali) che apprendono schemi complessi da tutti questi dati.

I modelli IA elaborano questi input con tecniche avanzate. I metodi statistici tradizionali faticano a gestire la scala e la variabilità del traffico urbano, quindi oggi si usa il deep learning.

Ad esempio, le reti neurali ricorrenti (RNN) o le reti convoluzionali possono catturare i cambiamenti del traffico nel tempo, mentre le reti neurali a grafo (GNN) sfruttano esplicitamente la struttura della rete stradale.

Nel sistema di Google, i segmenti stradali vicini sono raggruppati in “supersegmenti” e una GNN viene addestrata sui dati del traffico per prevedere i tempi di percorrenza di ciascuno. I tempi di percorrenza previsti (ETA) vengono poi usati per classificare i percorsi possibili. Il diagramma seguente illustra questo processo:

Pipeline di previsione del traffico di Google: dati anonimi di percorso e velocità sono raggruppati in supersegmenti, elaborati da una Graph Neural Network per prevedere i tempi di percorrenza, quindi usati per classificare i percorsi in base all’ETA.

Applicazioni nel mondo reale

La previsione del traffico basata sull’IA è già utilizzata da aziende tecnologiche e città in tutto il mondo. Ad esempio, Google Maps integra dati live degli utenti e modelli IA per prevedere la congestione.

“Ricorda” che una certa autostrada rallenta di solito dalle 6 alle 7 del mattino, quindi combina questa storia con le velocità attuali per prevedere le condizioni future.

DeepMind (il laboratorio IA di Google) riferisce che modelli ML avanzati (che utilizzano GNN) hanno migliorato la precisione degli ETA fino al 50% in città come Taichung e Sydney. Dopo questo aggiornamento, oltre il 97% degli ETA sono risultati altamente accurati.

In altre parole, se l’IA prevede che il suo percorso durerà 30 minuti, è quasi sempre corretto.

Altre piattaforme commerciali usano idee simili. La società di analisi del traffico INRIX afferma che la sua IA può “prevedere le velocità del traffico in tempo reale su tutte le strade” elaborando decenni di dati.

Inrix sfrutta i progressi dell’IA e del cloud computing per coprire anche le strade più piccole che i sensori tradizionali non rilevano.

App di navigazione come Waze (di Google) e Apple Maps utilizzano anch’esse GPS crowdsourced e IA per avvisare gli automobilisti di rallentamenti imminenti, suggerendo a volte percorsi alternativi prima che si formi un ingorgo.

Anche città e agenzie dei trasporti stanno adottando l’IA. A Bellevue, Washington, ad esempio, telecamere in 40 incroci inviano video in tempo reale a un’IA che individua i punti critici di congestione.

In Danimarca, i sistemi cittadini usano l’IA per elaborare i volumi di traffico e regolare automaticamente i tempi dei semafori (luci verdi) in base al flusso attuale.

Anche i semafori tradizionali stanno diventando più intelligenti: Pittsburgh e Los Angeles hanno ora semafori adattivi con IA che si regolano in tempo reale, riducendo i tempi di attesa e mantenendo il traffico fluido. Progetti di ricerca sono in corso a livello globale.

Una collaborazione Europa-Giappone sta testando un sistema di deep learning chiamato TRALICO che prevede la congestione e controlla i semafori a Istanbul.

Tutte queste applicazioni reali mirano a prevedere la congestione in anticipo per permettere ai pianificatori di intervenire prima che si formino ingorghi.

Vantaggi per automobilisti e città

I benefici di previsioni del traffico accurate sono enormi. Per i pendolari, l’IA significa tempi di viaggio più affidabili e meno tempo perso nel traffico.

Le app possono avvisarLa prima di partire se una strada si intaserà presto, o ricalcolare il percorso per evitare rallentamenti.

Gli studi suggeriscono che questo potrebbe far risparmiare ore ogni settimana agli automobilisti. Le indicazioni dell’IA riducono anche il consumo di carburante – niente più soste inutili ai semafori o rallentamenti continui significa meno benzina consumata.

Un progetto IA di Google ha addirittura riportato una riduzione del 30% delle fermate dei veicoli e del 10% delle emissioni di carburante agli incroci più trafficati.

A livello cittadino, un flusso di traffico più fluido si traduce in minore inquinamento e benefici economici. Meno tempo nel traffico significa maggiore produttività, meno stress da pendolarismo e aria più pulita.

In sintesi, le previsioni basate sull’IA aiutano le persone a scegliere percorsi migliori e le città a progettare reti stradali più efficienti.

Sfide e prospettive future

Costruire previsioni del traffico con l’IA non è privo di ostacoli. Raccogliere ed elaborare così tanti dati può essere costoso – le città potrebbero dover investire in sensori, telecamere e infrastrutture informatiche.

Integrare l’IA nei sistemi di traffico esistenti è complesso, e il personale deve essere formato per utilizzare i nuovi strumenti.

Ci sono anche preoccupazioni riguardo alla privacy dei dati e ai bias. I grandi dataset di localizzazione devono essere gestiti in modo sicuro, e i modelli possono sbagliare se i dati di addestramento presentano lacune (ad esempio, la scarsa copertura delle strade rurali è un problema noto).

La sicurezza informatica è un altro tema: i sistemi di traffico connessi potrebbero essere bersagli di attacchi hacker, quindi servono protezioni robuste.

Nonostante queste sfide, gli esperti sono ottimisti. L’IA nella gestione del traffico è ancora agli inizi, con ampi margini di crescita. I ricercatori vedono strade chiare per il futuro – come modelli che si adattano in tempo reale a eventi improvvisi (ad esempio, la fine di una partita sportiva) e soluzioni scalabili anche nelle aree rurali.

Un’idea all’avanguardia è usare modelli linguistici di grandi dimensioni (come quelli dietro ChatGPT) per aggiungere contesto alle previsioni. Ad esempio, un nuovo metodo permette all’IA di “comprendere” informazioni scritte su chiusure stradali o eventi e di integrarle nella previsione.

Nel prossimo futuro, i sistemi IA potrebbero integrare report sul traffico da social media o notiziari in diretta, rendendo le previsioni ancora più intelligenti.

>>> Clicchi per scoprire come: L’IA ottimizza i percorsi degli autobus per ridurre i tempi di attesa 

In sintesi, l’intelligenza artificiale sta trasformando il modo in cui affrontiamo il traffico nelle ore di punta. Imparando da vasti trend storici e dalle condizioni stradali in tempo reale, i sistemi IA possono guardare oltre l’angolo e stimare dove si formeranno congestioni.

Questo offre a guidatori e città un prezioso vantaggio: regolare i semafori, deviare i veicoli o modificare gli orari prima che si creino ingorghi.

Con continui progressi e un’attenta implementazione, le previsioni del traffico basate sull’IA promettono di rendere i nostri spostamenti più brevi, puliti e meno stressanti.