Oltre il modello “gravitazionale” abbiamo il “Deep Gravity”.

>

Deep Gravity:
l’algoritmo che spiega come si muovono le persone
L’Istituto di scienza e tecnologie dell’informazione del CNR, con la Fondazione Bruno Kessler di Trento e l’Argonne National Laboratory negli Usa, ha sviluppato un algoritmo, basato sull’intelligenza artificiale, in grado di prevedere e spiegare in dettaglio i flussi di mobilità. Lo studio è stato pubblicato su Nature Communications

Il modello tradizionale utilizzato per la previsione dei flussi di mobilità, sia a piedi che con automezzi, è il cosiddetto “gravitazionale”. Ispirato alla legge di gravitazione universale di Isaac Newton, esso 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.

L’Istituto di scienza e tecnologie dell’informazione del Consiglio nazionale delle ricerche (CNR-ISTI) assieme  alla Fondazione Bruno Kessler di Trento e dall’Argonne National Laboratory negli USA, ha 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”, dichiara Luca Pappalardo del CNR-ISTI e autore principale dell’articolo. 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”, continua Pappalardo. “Questo studio 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”.

Questo algoritmo potrebbe fornire informazioni utili anche ai decisori politici. “Conoscere le ragioni dietro i movimenti tra due locazioni 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”, conclude Massimiliano Luca, dottorando all’Università di Bolzano e ricercatore alla Fondazione Bruno Kessler.

La scheda
Chi: CNR-ISTI, Argonne National Laboratory (Usa), Fondazione Bruno Kessler Trento.
Che cosa: Pubblicazione su Nature Communications, articolo “A Deep Gravity model for mobility flows generation". Doi: 10.1038/s41467-021-26752-4.

§§§§§§§§§§
Da/ Fonte/ Titolare»
CNR
Comunicato stampa N. 127/2021
Roma, 12 novembre 2021

<
Estratto

Fonte dei dati, informazioni, procedure e documenti sono reperibili presso siti web/portali, esterni, ai link»

CNR
www.cnr.it

CNR-ISTI
https://www.isti.cnr.it/it/

Fondazione Bruno Kessler Trento
https://www.fbk.eu/it/

Argonne National Laboratory (Usa)
https://www.anl.gov/

<
Link/siti
esterni non collegati

^Fonte» CNR_CS-127-2021_12NOV2021=RS_2021-11-12»
RS non è titolare dei contenuti raccolti, come documenti di pubblico dominio, e conservati quale documentazione personale. Il testo non riveste carattere di ufficialità e non è sostitutivo in alcun modo delle pubblicazioni ufficiali, che prevalgono in casi di discordanza. Per una documentazione certa o altre informazioni si deve fare riferimento ai titolari dei contenuti, prendere visione dei documenti/siti ufficiali, contattare gli enti citati. La documentazione raccolta non è e non deve essere letta come consulenza specialistica e/o legale. Si consiglia sempre di consultare direttamente l’ente/gli enti citati, sindacati/patronati/CAAF o specialisti qualificati/professionisti abilitati per pareri, consulenze e/o assistenza. Vi possono essere limiti/condizioni alla partecipazione. Negli indirizzi mail sostituire [at] con @. Evidenziature e formattazione possono essere non originali.

<
< N.d.R.