La compréhension des schémas de mobilité des personnes sera essentielle pour améliorer la fluidité du trafic urbain. « Alors que les populations augmentent dans les zones urbaines, ces connaissances peuvent aider les décideurs à concevoir et à mettre en œuvre des politiques de transport efficaces et une planification urbaine inclusive », déclare Simone Daniotti du Complexity Science Hub.

Par exemple, si le modèle montre qu’il existe une connexion non triviale entre deux zones, c’est-à-dire que les gens se déplacent d’une zone à l’autre pour certaines raisons, des services pourraient être fournis pour compenser cette interaction. Si, d’un autre côté, le modèle montre qu’il y a peu d’activité dans un endroit particulier, les décideurs pourraient utiliser ces connaissances pour investir dans des structures pour changer cela.

Modèle également pour d’autres villes comme Vienne

Pour cette étude, une grande entreprise d’autopartage a fourni les données : l’emplacement de toutes les voitures de leur flotte dans quatre villes italiennes (Rome, Turin, Milan et Florence) en 2017. Les données ont été obtenues en interrogeant constamment les API Web du fournisseur de services. , enregistrant l’emplacement de stationnement de chaque voiture, ainsi que les horodatages de début et de fin. « Ces informations nous permettent d’identifier l’origine et la destination de chaque voyage », explique Daniotti.

Daniotti l’a utilisé comme proxy pour tout le trafic urbain et a créé un modèle qui permet non seulement des prévisions spatio-temporelles précises dans différentes zones urbaines, mais également une détection précise des anomalies. Anomalies telles que grèves et intempéries, toutes deux liées au trafic.

Le modèle pourrait également faire des prédictions sur les modèles de trafic pour d’autres villes telles que Vienne. « Cependant, cela nécessiterait des données appropriées », souligne Daniotti.

Surperformer les autres modèles

S’il existe déjà de nombreux modèles conçus pour prédire le comportement du trafic dans les villes, « la grande majorité des modèles de prédiction sur des données agrégées ne sont pas entièrement interprétables. Même si une certaine structure du modèle relie deux zones, ils ne peuvent pas être interprétés comme une interaction » explique Daniotti . Cela limite la compréhension des mécanismes sous-jacents qui régissent les routines quotidiennes des citoyens.

Étant donné que seul un nombre minimal de contraintes est pris en compte et que tous les paramètres représentent des interactions réelles, le nouveau modèle est entièrement interprétable.

mais qu’est-ce qu’une prédiction sans interprétation ?

« Bien sûr, il est important de faire des prédictions », explique Daniotti, « mais vous pouvez faire des prédictions très précises, et si vous n’interprétez pas correctement les résultats, vous courez parfois le risque de tirer des conclusions très erronées. »

Sans connaître la raison pour laquelle le modèle affiche un résultat particulier, il est difficile de contrôler les événements où le modèle n’affiche pas ce que vous attendiez. « Inspecter le modèle et le comprendre nous aide, ainsi que les décideurs politiques, à ne pas tirer de mauvaises conclusions », souligne Daniotti.