Il ‘Deep Gravity’ è l’algoritmo che prevede e 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.
L’Istituto di scienza e tecnologie dell’informazione del Consiglio nazionale delle ricerche di Pisa (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.
Luca Pappalardo del Cnr-Isti dichiara che “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 sulla base dei punti di interesse in un territorio”, conclude Pappalardo.
