SMART DATA, METODI E MODELLI: APPLICAZIONI DI TRASPORTO INTELLIGENTI

The high rate of urbanization and the ever-increasing number of vehicles on roads require multiple efforts in order to correctly identify and evaluate interventions to improve the quality of transport systems. The current era is characterized by an increasingly technological development. Digitalization can help in finding new solutions and bringing greater efficiency to the transport system. Thanks to the technological achievements of recent years and the use of innovative data (Big Data, Smart Data), it is possible to improve models that can analyse and simulate transport systems, trying to provide useful solutions for improving the current state of the systems. The exploitation of innovative data can allow the resolution of various issues related to the world of transport planning. Moreover, considering transport systems as a complex system allows to draw on the theory of the physics of complex systems to perform more sophisticated analysis. Due to the complexity of transport networks, it is crucial to resort to advanced models and tools able to provide support to the already consolidated traditional models. Traditional transport models should be integrated and adapted to the use of new, more numerous, and continually generated data and to these new models. This PhD thesis is framed in this context: the aim is to explore the potential of innovative data, in combination with traditional models and with new advanced analytical models. Different research studies have been conducted, addressing several transport related issues, and striving to highlight how new data can help transport planners in performing analyses in a more effective way. To reach this goal, many models have been developed and used. For the characterization of networks, it was resorted to the calculation of centrality indices. For a spatial evaluation GIS-based analysis have been performed. In order to simulate system interactions, agent-based models have been implemented. Finally, for the prediction of future events, machine learning algorithms were used. The final result of this PhD research is to provide a novel framework for the integration of smart data in the transport planning process. The contributions obtained from this thesis pave the way to a wider digitalization of all the transport analysis, moving towards target of innovative integrated services, such as Digital Twin and Mobility as a Service concept.

L'alto tasso di urbanizzazione e il numero sempre crescente di veicoli sulle strade richiedono molteplici sforzi per identificare e valutare correttamente gli interventi per migliorare la qualità dei sistemi di trasporto. L'era attuale è caratterizzata da uno sviluppo sempre più tecnologico. La digitalizzazione può aiutare a trovare nuove soluzioni e portare maggiore efficienza al sistema dei trasporti. Grazie alle conquiste tecnologiche degli ultimi anni e all'utilizzo di dati innovativi (Big Data, Smart Data), è possibile migliorare i modelli in grado di analizzare e simulare i sistemi di trasporto, cercando di fornire soluzioni utili per migliorare lo stato attuale dei sistemi. Lo sfruttamento di dati innovativi può consentire la risoluzione di diverse problematiche legate al mondo della pianificazione dei trasporti. Inoltre, considerare i sistemi di trasporto come un sistema complesso permette di attingere alla teoria della fisica dei sistemi complessi per effettuare analisi più sofisticate. A causa della complessità delle reti di trasporto, è fondamentale ricorrere a modelli e strumenti avanzati in grado di fornire supporto ai già consolidati modelli tradizionali. I modelli di trasporto tradizionali dovrebbero essere integrati e adattati all'uso di dati nuovi, più numerosi e continuamente generati ea questi nuovi modelli. Questa tesi di dottorato si inquadra in questo contesto: l'obiettivo è quello di esplorare le potenzialità di dati innovativi, in combinazione con modelli tradizionali e con nuovi modelli analitici avanzati. Sono stati condotti diversi studi di ricerca, affrontando diverse questioni relative ai trasporti e cercando di evidenziare come i nuovi dati possano aiutare i pianificatori dei trasporti a eseguire analisi in modo più efficace. Per raggiungere questo obiettivo, molti modelli sono stati sviluppati e utilizzati. Per la caratterizzazione delle reti si è fatto ricorso al calcolo degli indici di centralità. Per una valutazione spaziale sono state eseguite analisi basate su GIS. Per simulare le interazioni di sistema, sono stati implementati modelli basati su agenti. Infine, per la previsione di eventi futuri, sono stati utilizzati algoritmi di machine learning. Il risultato finale di questa ricerca di dottorato è fornire un nuovo framework per l'integrazione di dati intelligenti nel processo di pianificazione dei trasporti. I contributi ottenuti da questa tesi aprono la strada a una più ampia digitalizzazione di tutta l'analisi dei trasporti, spostandosi verso l'obiettivo di servizi integrati innovativi, come il Digital Twin e il concetto di Mobility as a Service.