Veicoli Autonomi Condivisi: Stop Perfetto! Come Ottimizziamo le Loro Fermate?

Ciao a tutti! Oggi voglio parlarvi di qualcosa che sta per rivoluzionare le nostre città e il modo in cui ci muoviamo: i veicoli autonomi condivisi (SAV, dall’inglese Shared Autonomous Vehicles). Immaginate un futuro non troppo lontano in cui potete chiamare un’auto senza conducente con un’app, proprio come fate oggi con i servizi di ride-hailing, ma con un sacco di vantaggi in più. Sembra fantascienza? Beh, tenetevi forte, perché è più vicino di quanto pensiate!

La Rivoluzione SAV è alle Porte (o Quasi!)

I SAV sono sulla bocca di tutti, e a ragione. Pensateci: niente più costi per l’autista, il che potrebbe tradursi in tariffe più basse per noi consumatori. E non è tutto! Questi veicoli, gestiti da sistemi intelligenti centralizzati, promettono di ridurre i chilometri percorsi a vuoto e di migliorare la produttività generale del trasporto. Un altro asso nella manica? La sicurezza. Togliendo l’errore umano dall’equazione, si punta a una drastica riduzione degli incidenti stradali. Durante la pandemia di COVID-19, poi, abbiamo tutti apprezzato il valore aggiunto di ridurre i contatti umani, e i SAV offrono proprio questo.

Non a caso, colossi come Uber e Cruise stanno stringendo accordi per portare flotte di veicoli autonomi sulle nostre strade, con lanci previsti già per il 2025. Anche in città come Seoul, Kakao Mobility integrerà i servizi AV nella sua app entro la fine del 2024. Persino Tesla è della partita, con piani di produzione per il 2026. Insomma, il futuro è a guida autonoma e condivisa!

Il Nodo cruciale: Dove Farli Fermare?

Tutto bellissimo, vero? Certo, ma c’è un “ma”, e non è piccolo: lo spazio lungo i marciapiedi (il cosiddetto “curb space”). Già oggi è una risorsa scarsissima, contesa da auto private, consegne, taxi, e chi più ne ha più ne metta. Con l’aumento dei trasporti on-demand e delle consegne e-commerce, la situazione è diventata critica. I servizi di ride-hailing, con le loro frequenti soste per far salire e scendere i passeggeri (le famose attività di PUDO, Pick-Up and Drop-Off), hanno già cambiato le dinamiche di utilizzo di questi spazi, spesso causando ingorghi e problemi alla circolazione.

Ora, immaginate cosa succederà quando i SAV diventeranno la norma. La domanda di spazi PUDO aumenterà esponenzialmente, mettendo ancora più sotto pressione i nostri marciapiedi. E c’è un’altra complicazione: i SAV, almeno per ora, sono meno “flessibili” dei veicoli tradizionali a causa della tecnologia ancora in fase di maturazione e per questioni di sicurezza. Molte città, infatti, stanno già stabilendo regole precise, obbligando i SAV a effettuare le fermate PUDO solo in aree designate.

Ecco perché pianificare strategicamente questi punti PUDO è fondamentale. Non si tratta solo di soddisfare le esigenze immediate dei SAV, ma di minimizzare il loro impatto sulla competizione per lo spazio, prevenendo ulteriori congestioni e conflitti. È un bel rompicapo, non trovate?

La Nostra Soluzione Intelligente: Trovare i Punti PUDO Perfetti

Ed è qui che entriamo in gioco noi, con un’idea che, modestamente, pensiamo sia piuttosto brillante! Abbiamo sviluppato un nuovo approccio basato sui dati e sulla rete stradale per ottimizzare la posizione di questi punti PUDO per i SAV. L’obiettivo? Massimizzare la domanda che possono coprire, rendendo il servizio efficiente e comodo per tutti.

Il problema della localizzazione dei PUDO per i SAV è, in sostanza, un classico problema di “facility location”: dove mettere le “strutture” (i nostri punti PUDO) per servire al meglio la “domanda” (noi passeggeri). Esistono già modelli per problemi simili, come il posizionamento delle stazioni di bike-sharing o delle fermate degli autobus, ma il nostro caso è un po’ diverso. Le attività PUDO avvengono lungo la rete stradale, e noi possiamo sfruttare i dati storici del ride-hailing tradizionale per capire la domanda, anche se i dati specifici sui SAV sono ancora limitati.

Il nostro framework si articola in tre passaggi principali:

• Stima della densità PUDO: Utilizziamo i dati storici di pick-up e drop-off e una tecnica chiamata Network Kernel Density Estimation (NKDE). Immaginate di “spalmare” la domanda lungo le strade come se fosse marmellata, per vedere dove si concentra di più. L’NKDE è perfetta perché considera la struttura della rete stradale, a differenza dei metodi tradizionali che lavorano su uno spazio bidimensionale generico. Per il nostro studio, abbiamo considerato una distanza a piedi ragionevole di 500 metri per raggiungere un punto PUDO.
• Generazione di siti candidati: Identifichiamo potenziali punti PUDO lungo la rete stradale, ad esempio campionando ogni tot metri.
• Ottimizzazione: Qui entra in gioco il modello del Maximal Coverage Location Problem (MCLP). L’idea è selezionare un numero predefinito di punti PUDO in modo da massimizzare la domanda coperta, considerando che un’area di domanda è “coperta” se si trova entro una certa distanza di servizio da un punto PUDO.

Mettiamolo alla Prova: il Caso Studio di Chengdu

Per vedere se il nostro sistema funzionava davvero, abbiamo condotto uno studio nel distretto di Qingyang, a Chengdu, una grande città nel sud-ovest della Cina. Abbiamo usato dati reali sulla rete stradale e dati storici di pick-up e drop-off di un importante operatore di ride-hailing.

Dopo aver elaborato i dati, abbiamo ottenuto una mappa della densità PUDO: le aree in rosso scuro indicavano una maggiore domanda. Come previsto, la regione sud-orientale, più vicina al centro di Chengdu, mostrava la densità più alta. Questo ci suggeriva già che in quell’area sarebbero stati necessari più punti PUDO.

Abbiamo testato diversi scenari, variando il numero di siti PUDO da 80 a 200. I risultati sono stati molto interessanti! Ad esempio, in uno studio pilota reale, si è visto che 20 siti PUDO per 10 km² erano una buona densità. Applicando questa logica alla nostra area di studio (67,31 km²), avremmo avuto bisogno di circa 135 siti. Con 130 siti selezionati dal nostro modello, siamo riusciti a coprire oltre il 90% della domanda PUDO! Aggiungendo ulteriori siti, il guadagno in termini di domanda coperta diventava trascurabile. Questo dimostra che la densità usata nello studio pilota era sensata, se i siti vengono posizionati strategicamente.

Abbiamo anche identificato 91 siti “comuni” che venivano selezionati in diverse configurazioni (con 120, 130, 140 e 150 siti totali), suggerendo che questi sono punti PUDO particolarmente robusti e importanti.

Perché il Nostro Metodo Fa la Differenza

Scegliendo la configurazione con 150 siti PUDO (circa 22 siti per 10 km²), abbiamo visto che questi erano distribuiti densamente all’interno della terza tangenziale, con i siti più vicini al centro città che coprivano una domanda significativamente più alta. Curiosamente, alcuni di questi siti centrali non erano quelli che coprivano il maggior numero di segmenti stradali. I siti che coprivano più strade si trovavano spesso lungo le arterie orizzontali che attraversavano l’intera area, anche fuori dalla terza tangenziale. Questo ha senso: nel centro, la domanda è alta e concentrata, quindi bastano pochi siti su strade ad alta domanda. In periferia, la domanda è più sparsa, quindi servono siti che coprano più segmenti stradali per essere efficaci.

Ma la vera chicca è il confronto con altri metodi di selezione, diciamo più “istintivi”:

• Selezione Casuale: Scegliere i siti a caso.
• Selezione Greedy (basata sulla copertura stradale): Scegliere i siti che coprono più segmenti stradali.
• Selezione Greedy (basata sulla domanda): Scegliere i siti che coprono la maggiore domanda.

Il nostro modello MCLP ha superato tutti questi metodi! Rispetto al secondo miglior modello (selezione greedy basata sulla domanda), il nostro ha aumentato la domanda coperta di circa l’8% e la copertura della rete stradale di un impressionante 31%. Questo perché le tecniche di ottimizzazione riescono a identificare siti che, pur coprendo magari una domanda PUDO leggermente inferiore, sono cruciali per coprire più segmenti stradali, migliorando così la copertura complessiva. Non si tratta solo di concentrarsi sulle aree ad altissima domanda, ma di avere una visione d’insieme.

La selezione casuale, ad esempio, distribuiva i siti in modo troppo sparso, lasciando scoperte aree ad alta domanda. La selezione greedy basata sulla domanda, invece, concentrava tutti i siti all’interno della terza tangenziale, lasciando più di metà dell’area senza servizio SAV. Il nostro approccio, invece, bilancia meglio le cose.

Cosa Significa Tutto Questo per le Nostre Città?

Il nostro studio fa un paio di cose importanti. Primo, affronta il problema della localizzazione dei PUDO per i SAV da un punto di vista dell’ottimizzazione, un’area ancora poco esplorata. Secondo, proponiamo un framework facile da implementare, leggero e basato su dati di domanda storici. Infine, forniamo un riferimento utile per la futura pianificazione dei PUDO per SAV: una densità di circa 20 siti per 10 km² sembra essere un buon punto di partenza.

Non è Ancora Perfetto, Ma la Strada è Tracciata

Certo, come ogni ricerca, anche la nostra ha dei limiti. Ad esempio, i siti candidati sono stati generati lungo le strade senza considerare l’ambiente reale del traffico, come il flusso veicolare o le restrizioni di parcheggio. Inoltre, non abbiamo considerato l’impatto delle fermate PUDO sul traffico generale, né la capacità dei singoli siti PUDO (che potrebbe portare a code nei punti più affollati). Ma hey, queste sono tutte fantastiche opportunità per ricerche future!

In conclusione, l’ottimizzazione dei punti PUDO è un tassello cruciale per far sì che i veicoli autonomi condivisi diventino una realtà efficiente e vantaggiosa per le nostre città. E noi siamo entusiasti di aver dato il nostro contributo per disegnare questo futuro!

Fonte: Springer