Il modello tradizionale utilizzato per la previsione dei flussi di mobilità, come principio di interazione spaziale, è il cosiddetto “gravitazionale” che analizza i movimenti delle persone che si spostano a piedi o tramite automezzi. Il modello gravitazionale è chiamato così perché prende ispirazione dalla 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. Questo modello però risulta essere spesso inaccurato perché si basa solo sulle variabili “distanza” e “popolazione”, mentre non è in grado di catturare relazioni complesse tra di loro.
Per contrastare tali problemi è stato messo a punto dall’Istituto di scienza e tecnologie dell’informazione del Consiglio nazionale delle ricerche, insieme alla Fondazione Bruno Kessler di Trento e all’Argonne National Laboratory degli USA, uno strumento di intelligenza artificiale denominato “Deep Gravity”. Si tratta di un algoritmo che aggiunge al modello gravitazionale altri due fattori: 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.
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: Italia, Inghilterra e Stato di New York. 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.
Luca Pappalardo dell’Istituto di Scienza e Tecnologie dell’Informazione “Alessandro Faedo”, ha spiegato: “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. 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”.
Gli autori dell’algoritmo hanno spiegato come potrebbe essere utile in situazioni di emergenza, come quella dovuta alla pandemia: “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”.
Massimiliano Luca, dottorando all’Università di Bolzano e ricercatore alla Fondazione Bruno Kessler, ha aggiunto: “Conoscere le ragioni dietro i movimenti tra due location 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”.
