ENG: A new machine learning model can predict city traffic activity in different urban zones. To do so, a Complexity Science Hub researcher used data from a main car-sharing company in Italy as a proxy for overall city traffic. Understanding people’s mobility patterns will be central to improving urban traffic flow. For example, if the model shows that there is a nontrivial connection between two zones, i.e., that people commute from one zone to another for certain reasons, services could be provided that compensate for this interaction. If, on the flip side, the model shows that there is little activity in a particular location, policymakers could use that knowledge to invest in structures to change that.

For this study a major car-sharing company provided the data: the location of all cars in their fleet in four Italian cities (Rome, Turin, Milan, and Florence) in 2017. The data was obtained by constantly querying the service provider’s web APIs, recording the parking location of each car, as well as the start and end timestamps. Simone Daniotti of the Complexity Science Hub used that as a proxy for all city traffic and created a model that not only allows accurate spatio-temporal forecasting in different urban areas, but also accurate anomaly detection such as strikes and bad weather conditions, both of which are related to traffic.

The model could also make predictions about traffic patterns for other cities such as Vienna. While there are already many models designed to predict traffic behavior in cities, the vast majority of prediction models on aggregated data are not fully interpretable. Even though some structure of the model connects two zones, they cannot be interpreted as an interaction. This limits understanding of the underlying mechanisms that govern citizens’ daily routines. Since only a minimal number of constraints are considered and all parameters represent actual interactions, the new model is fully interpretable. Without knowing the reason why the model is showing a particular result, it is difficult to control for events where the model was not showing what you expected.

RO: Un nou model de învățare automată poate prezice activitatea de trafic în diferite zone urbane. Pentru a face acest lucru, un cercetător de la Complexity Science Hub a folosit date de la o companie principală de car-sharing din Italia ca indicator pentru traficul general al orașului. Înțelegerea modelelor de mobilitate ale oamenilor va fi esențială pentru îmbunătățirea fluxului de trafic urban. De exemplu, în cazul în care modelul arată că există o legătură netrivială între două zone, adică oamenii fac naveta dintr-o zonă în alta din anumite motive, ar putea fi furnizate servicii care să compenseze această interacțiune. Dacă, pe de altă parte, modelul arată că există o activitate redusă într-o anumită locație, factorii de decizie ar putea folosi aceste cunoștințe pentru a investi în structuri care să schimbe această situație.

Pentru acest studiu, o mare companie de car-sharing a furnizat datele: locația tuturor mașinilor din flota lor în patru orașe italiene (Roma, Torino, Milano și Florența) în 2017. Datele au fost obținute prin interogarea constantă a API-urilor web ale furnizorului de servicii, înregistrând locația de parcare a fiecărei mașini, precum și marcajele temporale de început și de sfârșit. Simone Daniotti, de la Complexity Science Hub, a folosit aceste date ca proxy pentru tot traficul din oraș și a creat un model care nu numai că permite o prognoză spațio-temporală precisă în diferite zone urbane, ci și o detectare a anomaliilor precum grevele și condițiile meteorologice nefavorabile, ambele legate de trafic.

Modelul ar putea, de asemenea, să facă predicții privind modelele de trafic pentru alte orașe, cum ar fi Viena. Deși există deja multe modele concepute pentru a prezice comportamentul traficului în orașe, marea majoritate a modelelor de predicție pe date agregate nu sunt pe deplin interpretabile. Chiar dacă o anumită structură a modelului conectează două zone, acestea nu pot fi interpretate ca o interacțiune. Acest lucru limitează înțelegerea mecanismelor de bază care guvernează rutina zilnică a cetățenilor. Deoarece se ia în considerare doar un număr minim de constrângeri și toți parametrii reprezintă interacțiuni reale, noul model este pe deplin interpretabil. Fără a cunoaște motivul pentru care modelul arată un anumit rezultat, sunt dificil de controlat evenimentele în care modelul nu a arătat ceea ce se aștepta.

Source (Complexity Science Hub Vienna, “How to predict city traffic”, 28.02.2023)

Paper: Daniotti, S., Monechi, B. and Ubaldi, E., 2023. A maximum entropy approach for the modelling of car-sharing parking dynamics. Scientific Reports, 13(1), p.2993.