{"id":24743,"date":"2026-09-12T10:38:39","date_gmt":"2026-09-12T08:38:39","guid":{"rendered":"https:\/\/test.cfdfeaservice.it\/index.php\/2026\/09\/12\/navigatori-satellitari-e-traffico-urbano-quando-lottimizzazione-del-percorso-mette-sotto-pressione-la-rete\/"},"modified":"2026-09-12T10:38:39","modified_gmt":"2026-09-12T08:38:39","slug":"navigatori-satellitari-e-traffico-urbano-quando-lottimizzazione-del-percorso-mette-sotto-pressione-la-rete","status":"publish","type":"post","link":"https:\/\/test.cfdfeaservice.it\/index.php\/2026\/09\/12\/navigatori-satellitari-e-traffico-urbano-quando-lottimizzazione-del-percorso-mette-sotto-pressione-la-rete\/","title":{"rendered":"Navigatori satellitari e traffico urbano: quando l\u2019ottimizzazione del percorso mette sotto pressione la rete"},"content":{"rendered":"
\n

Seguire il percorso pi\u00f9 veloce suggerito da un navigatore \u00e8 quasi sempre una scelta razionale per chi \u00e8 al volante. Lo diventa molto meno, almeno in alcuni scenari, quando la stessa logica viene applicata contemporaneamente a migliaia di veicoli. \u00c8 questa la questione affrontata da una ricerca italiana pubblicata su Nature Communications<\/strong><\/a>, che prova a misurare cosa accade alla rete stradale urbana<\/strong> quando una quota crescente di automobilisti affida la scelta dell\u2019itinerario agli algoritmi.<\/p>\n

Uno studio italiano su Firenze, Milano e Roma mostra come l\u2019uso diffuso dei navigatori possa concentrare flussi, congestione ed emissioni su poche arterie urbane principali.<\/h2>\n

Lo studio si intitola The traffic concentration effects of urban navigation services<\/em> ed \u00e8 firmato da Giuliano Cornacchia, Mirco Nanni, Dino Pedreschi e Luca Pappalardo<\/strong>. Pubblicato nel 2026 su Nature Communications<\/em> \u2013 volume 17, articolo 8548, DOI 10.1038\/s41467-026-75254-8<\/strong> \u2013 prende in esame Firenze, Milano e Roma<\/strong> e confronta differenti livelli di utilizzo dei servizi di navigazione.<\/p>\n

La conclusione non \u00e8 che Google Maps, TomTom o gli altri navigatori \u201ccreino traffico\u201d. La ricerca racconta una dinamica pi\u00f9 interessante per chi si occupa di ingegneria dei trasporti<\/strong>: un algoritmo pu\u00f2 migliorare il viaggio del singolo utente e, nello stesso tempo, modificare in maniera non ottimale l\u2019equilibrio complessivo della rete.<\/p>\n

Il problema nasce quando molti utenti ricevono consigli simili<\/h3>\n

Ogni richiesta inviata a un navigatore parte da un\u2019esigenza individuale. C\u2019\u00e8 un\u2019origine, una destinazione e una funzione da ottimizzare: normalmente il tempo di viaggio<\/strong>, talvolta la distanza, il consumo energetico o altri parametri.<\/p>\n

Il calcolo pu\u00f2 essere corretto per ciascun automobilista preso separatamente. La difficolt\u00e0 compare quando moltissime richieste simili restituiscono itinerari che condividono gli stessi archi stradali.<\/p>\n

\u00c8 un problema noto, sotto forme differenti, nella teoria delle reti e nell\u2019ingegneria del traffico: il comportamento ottimale dei singoli utenti non garantisce automaticamente la migliore configurazione del sistema.<\/p>\n

Gli autori parlano di traffic concentration effect<\/strong>. All\u2019aumentare del tasso di adozione dei navigatori, le auto tendono a utilizzare un insieme progressivamente pi\u00f9 ristretto di strade.<\/p>\n

Quella che per un conducente \u00e8 una scorciatoia algoritmica pu\u00f2 diventare, su scala urbana, un elemento di concentrazione dei flussi.<\/p>\n

Non perch\u00e9 il software abbia necessariamente commesso un errore di calcolo. Piuttosto perch\u00e9 molti algoritmi, applicando criteri simili a problemi simili, finiscono per individuare soluzioni che si sovrappongono.<\/p>\n

Tre reti urbane molto diverse tra loro<\/h3>\n

Per verificare il fenomeno sono state scelte Firenze, Milano e Roma<\/strong>. Non \u00e8 una selezione casuale.<\/p>\n

Le tre citt\u00e0 hanno geometrie e dimensioni differenti. Roma presenta una rete estesa, con assi di grande capacit\u00e0 e collegamenti relativamente lunghi. Milano ha una struttura pi\u00f9 compatta e regolare. Firenze possiede una rete pi\u00f9 irregolare, fortemente condizionata dalla conformazione del tessuto storico.<\/p>\n

Lavorare su tre sistemi diversi consente di capire se l\u2019effetto dipenda da una particolare morfologia urbana o se tenda a ripetersi anche quando cambia la struttura della rete.<\/p>\n

Le intensit\u00e0 sono differenti, ma la tendenza generale rimane.<\/p>\n

Con una diffusione elevata dei servizi di navigazione, la diversit\u00e0 dei percorsi utilizzati diminuisce<\/strong>.<\/p>\n

Nello scenario di adozione completa, il paper rileva riduzioni che possono superare il 14%<\/strong>, a seconda della citt\u00e0 e del servizio considerato.<\/p>\n

\u00c8 uno dei numeri centrali della ricerca, ma va letto correttamente. Non significa che il 14% delle strade diventi inutilizzato. La metrica impiegata dagli autori misura quanto estesamente l\u2019insieme dei percorsi simulati esplori la rete stradale.<\/p>\n

Come \u00e8 stato costruito il modello<\/h3>\n

La parte metodologica \u00e8 probabilmente quella di maggiore interesse per un pubblico tecnico.<\/p>\n

I ricercatori hanno integrato dati GPS<\/strong>, cartografia stradale, informazioni sulle coppie origine-destinazione e percorsi restituiti dai servizi di navigazione all\u2019interno di un ambiente di simulazione microscopica.<\/p>\n

La rete viaria \u00e8 stata ricostruita a partire dai dati di OpenStreetMap<\/strong>. Le simulazioni sono state invece realizzate utilizzando SUMO \u2013 Simulation of Urban Mobility<\/strong>, piattaforma open source sviluppata dal German Aerospace Center e ampiamente utilizzata nella ricerca sulla mobilit\u00e0.<\/p>\n

SUMO consente di simulare i singoli veicoli e le loro interazioni. Non viene quindi considerata soltanto la lunghezza geometrica di un itinerario.<\/p>\n

Entrano nel modello code, intersezioni, semafori, variazioni di velocit\u00e0, accelerazioni e rallentamenti.<\/p>\n

Ed \u00e8 proprio l\u2019interazione tra i mezzi a rendere il problema diverso dal semplice calcolo di uno shortest path<\/strong>.<\/p>\n

Due percorsi possono essere ottimali se analizzati separatamente e perdere parte del loro vantaggio quando migliaia di veicoli li percorrono nello stesso intervallo temporale.<\/p>\n

Dai dati GPS alla domanda di mobilit\u00e0<\/h3>\n

Per stimare gli spostamenti urbani, gli autori hanno utilizzato un dataset GPS fornito da OCTO, contenente traiettorie veicolari relative a un anno.<\/p>\n

Le aree urbane sono state suddivise in celle quadrate di un chilometro per lato<\/strong>. Partendo dai viaggi osservati, sono stati quindi ricostruiti i flussi tra le diverse zone della citt\u00e0 e la relativa matrice origine-destinazione<\/strong>.<\/p>\n

Dopo il preprocessing, il campione utilizzato comprendeva 5.477 viaggi di 1.184 veicoli per Firenze<\/strong>, 113.323 viaggi effettuati da 15.997 veicoli per Milano<\/strong> e 13.647 spostamenti attribuiti a 1.965 veicoli per Roma<\/strong>.<\/p>\n

Gli autori stimano che il dataset rappresenti tra il 2 e il 5% dei veicoli registrati<\/strong> nelle aree considerate.<\/p>\n

Non si tratta dunque della ricostruzione puntuale di ogni automobile in circolazione, ma di una base empirica dalla quale estrarre una domanda di mobilit\u00e0 sufficientemente strutturata per alimentare gli scenari simulati.<\/p>\n

Dal 10 al 100% di automobilisti guidati dall\u2019algoritmo<\/h3>\n

Una delle scelte pi\u00f9 utili dello studio consiste nell\u2019aver trattato l\u2019adozione dei navigatori come una variabile continua.<\/p>\n

Gli scenari vanno dallo 0 al 100% di adozione<\/strong>, con incrementi di dieci punti percentuali.<\/p>\n

A ogni passaggio cambia la quota di veicoli che segue un itinerario prodotto dai servizi analizzati.<\/p>\n

Il restante gruppo utilizza invece una versione modificata del percorso pi\u00f9 rapido calcolato da SUMO. Gli studiosi introducono deliberatamente piccole deviazioni casuali per rappresentare alcune caratteristiche della scelta umana.<\/p>\n

Un conducente, nella realt\u00e0, non si comporta come un algoritmo deterministico. Pu\u00f2 conoscere soltanto una parte della rete, preferire una strada abituale, evitare determinati incroci o considerare migliore un tragitto che matematicamente non lo \u00e8.<\/p>\n

Sono comportamenti apparentemente inefficienti, ma introducono eterogeneit\u00e0 nelle scelte di percorso<\/strong>.<\/p>\n

Questa dispersione tende invece a ridursi quando una quota elevata di conducenti utilizza sistemi che ragionano secondo funzioni di costo comparabili.<\/p>\n

Per aumentare la robustezza dei risultati, ogni configurazione \u00e8 stata ripetuta dieci volte<\/strong>, variando la composizione dei veicoli assegnati ai diversi gruppi. Gli esperimenti sono stati inoltre condotti sia in condizioni di basso traffico<\/strong> sia con carichi prossimi alla congestione.<\/p>\n

Route diversity<\/h3>\n

Per descrivere la concentrazione dei flussi, lo studio utilizza la route diversity<\/strong>.<\/p>\n

La definizione adottata considera il numero di archi stradali attraversati almeno una volta dall\u2019insieme dei veicoli.<\/p>\n

Pi\u00f9 elevato \u00e8 il valore, maggiore \u00e8 la porzione della rete utilizzata. Quando diminuisce, significa che i percorsi stanno convergendo su un numero inferiore di segmenti.<\/p>\n

Con un\u2019adozione del 100% dei servizi di navigazione, la route diversity diminuisce rispetto allo scenario senza navigazione algoritmica di circa 11,80-14,34% a Firenze<\/strong>, 3,79-6,87% a Milano<\/strong> e 9,73-14,26% a Roma<\/strong>.<\/p>\n

Milano, quindi, reagisce in modo meno marcato rispetto alle altre due citt\u00e0, almeno rispetto a questo indicatore.<\/p>\n

Il comportamento presenta per\u00f2 una particolarit\u00e0.<\/p>\n

Prima che prevalga la concentrazione, una diffusione limitata dei navigatori pu\u00f2 far aumentare leggermente la variet\u00e0 complessiva degli itinerari. La soglia cambia in funzione della citt\u00e0 e del servizio, ma si colloca grossomodo tra il 25 e il 50% di adozione<\/strong>.<\/p>\n

In quella fase le nuove rotte suggerite dall\u2019algoritmo si sommano alla variabilit\u00e0 dei conducenti non assistiti.<\/p>\n

Quando gli utenti dei navigatori diventano molti, l\u2019effetto si ribalta: la somiglianza tra le raccomandazioni comincia a pesare pi\u00f9 della diversificazione iniziale.<\/p>\n

Cambiare navigatore non risolve necessariamente il problema<\/h3>\n

Un\u2019obiezione immediata potrebbe essere questa: se gli automobilisti utilizzano servizi diversi, perch\u00e9 dovrebbero essere inviati tutti sulle stesse strade?<\/p>\n

Lo studio ha preso in considerazione Bing Maps, Google Maps, Mapbox<\/strong> e differenti modalit\u00e0 di TomTom<\/strong>, comprese Fastest, Shortest ed Eco-routing.<\/p>\n

Le rotte non coincidono perfettamente, ma presentano comunque una forte sovrapposizione.<\/p>\n

La similarit\u00e0 media tra i percorsi suggeriti dai diversi provider risulta pari al 76,4%<\/strong>, con valori compresi tra il 68 e il 97%<\/strong>.<\/p>\n

Da un punto di vista ingegneristico, il risultato non sorprende completamente.<\/p>\n

Anche impiegando algoritmi proprietari e basi dati differenti, i servizi utilizzano come input la stessa infrastruttura fisica e cercano spesso di minimizzare variabili analoghe.<\/p>\n

Una strada con elevata capacit\u00e0, velocit\u00e0 consentita superiore e buoni tempi storici di percorrenza tende quindi a risultare interessante per pi\u00f9 algoritmi.<\/p>\n

La presenza di numerosi provider non produce automaticamente un\u2019equivalente diversificazione delle strategie di routing.<\/p>\n

Emissioni<\/h3>\n

La seconda grande variabile osservata \u00e8 la CO\u2082<\/strong>.<\/p>\n

Qui la ricerca diventa ancora pi\u00f9 interessante, perch\u00e9 non emerge un rapporto semplicemente positivo o negativo tra navigatori ed emissioni.<\/p>\n

In condizioni di traffico ridotto<\/strong>, seguire itinerari pi\u00f9 efficienti porta generalmente benefici.<\/p>\n

Con piena adozione e basso carico, le simulazioni stimano una diminuzione della CO\u2082 compresa tra il 2,15 e il 5% a Firenze<\/strong> e tra il 6,64 e l\u201911,13% a Milano<\/strong>.<\/p>\n

Roma presenta risultati pi\u00f9 irregolari.<\/p>\n

Alcuni servizi riducono le emissioni, mentre negli scenari analizzati Google Maps, TomTom Fastest e Bing Maps<\/strong> mostrano piccoli aumenti anche in condizioni di traffico relativamente basso.<\/p>\n

\u00c8 con l\u2019avvicinarsi alla congestione, per\u00f2, che la relazione tra navigazione ed emissioni cambia pi\u00f9 chiaramente.<\/p>\n

Con pochi utenti assistiti dagli algoritmi, i percorsi suggeriti riescono spesso ad alleggerire gli spostamenti e a contenere la CO\u2082.<\/p>\n

All\u2019aumentare dell\u2019adozione, il miglioramento tende prima a rallentare e poi, in alcuni casi, a scomparire.<\/p>\n

Si crea quindi una curva nella quale l\u2019aumento della penetrazione del servizio non produce necessariamente un miglioramento proporzionale dell\u2019efficienza.<\/p>\n

Per un progettista \u00e8 un risultato pi\u00f9 importante della singola percentuale: indica che l\u2019efficacia del routing \u00e8 dipendente dallo stato della rete<\/strong>.<\/p>\n

Non esiste una soglia valida per ogni citt\u00e0<\/h3>\n

Le percentuali considerate ottimali cambiano sensibilmente da un contesto all\u2019altro.<\/p>\n

A Firenze, nelle condizioni di traffico elevato, le riduzioni pi\u00f9 consistenti delle emissioni vengono raggiunte indicativamente quando l\u2019utilizzo dei navigatori si colloca intorno al 70-80%<\/strong>. Salendo ancora, il beneficio tende a stabilizzarsi o a diminuire.<\/p>\n

Milano risponde diversamente. Alcuni servizi mantengono performance positive anche con un\u2019elevata penetrazione, mentre per altri il massimo vantaggio arriva prima del 100%.<\/p>\n

Roma presenta la maggiore variabilit\u00e0 tra i provider.<\/p>\n

Negli scenari elaborati dagli autori, il livello corrispondente alla migliore prestazione ambientale \u00e8 pari circa al 20% per Bing Maps<\/strong>, al 40% per Mapbox, Google Maps e TomTom Fastest<\/strong>, al 60% per TomTom Shortest<\/strong> e al 70% per TomTom Eco-routing<\/strong>.<\/p>\n

Oltre determinate soglie, alcuni servizi portano la CO\u2082 sopra il valore ottenuto nello scenario senza routing algoritmico.<\/p>\n

Per Bing Maps<\/strong> l\u2019incremento arriva al 9,10%, per Mapbox<\/strong> al 4,61%, per Google Maps<\/strong> al 2,22% e per TomTom Fastest<\/strong> allo 0,52%.<\/p>\n

Sono valori di simulazione e non vanno trasformati in statistiche sul traffico reale delle singole citt\u00e0.<\/p>\n

Dire, per esempio, che Google Maps aumenta del 2,22% l\u2019inquinamento di Roma sarebbe scorretto.<\/p>\n

Il dato mostra cosa accade all\u2019interno di una particolare configurazione modellistica, costruita con una determinata domanda, specifici livelli di traffico e precise ipotesi di adozione.<\/p>\n

L\u2019indicazione pi\u00f9 generale riguarda la forma del fenomeno: oltre una certa soglia, aggiungere utenti al sistema di navigazione non significa necessariamente migliorare il risultato complessivo<\/strong>.<\/p>\n

Le grandi arterie assorbono una quota crescente dei flussi<\/h3>\n

La concentrazione delle rotte ha anche una componente geografica.<\/p>\n

Gli algoritmi tendono a privilegiare le infrastrutture che consentono di mantenere velocit\u00e0 pi\u00f9 elevate e gestire maggiori quantit\u00e0 di veicoli: tangenziali, autostrade urbane e arterie principali<\/strong>.<\/p>\n

Secondo la ricerca, queste infrastrutture rappresentano circa il 6% della rete stradale analizzata<\/strong>, ma assorbono una quota molto pi\u00f9 consistente delle emissioni.<\/p>\n

Tra lo scenario senza navigatori e quello di adozione completa, la CO\u2082 attribuita alle infrastrutture ad alta capacit\u00e0 passa dal 17,61 al 36,25% a Firenze<\/strong>, dal 9,94 al 26,42% a Milano<\/strong> e dal 26,02 al 33,66% a Roma<\/strong>.<\/p>\n

Per chi studia esclusivamente il dato aggregato sulle emissioni, questa redistribuzione rischia di passare in secondo piano.<\/p>\n

Dal punto di vista della progettazione urbana, invece, \u00e8 tutt\u2019altro che marginale.<\/p>\n

Concentrare maggiormente il traffico significa modificare l\u2019esposizione locale a rumore, inquinanti e congestione<\/strong>. I quartieri prossimi alle principali infrastrutture possono quindi ricevere una quota crescente delle esternalit\u00e0 prodotte dagli spostamenti dell\u2019intera citt\u00e0.<\/p>\n

Il caso dell\u2019eco-routing<\/h3>\n

Tra i sistemi studiati compare anche TomTom Eco-routing<\/strong>.<\/p>\n

\u00c8 un test utile perch\u00e9 permette di verificare cosa succede quando la funzione di routing incorpora esplicitamente un obiettivo ambientale.<\/p>\n

Anche in questo caso, per\u00f2, il vantaggio individuale non garantisce un risultato equivalente a livello di rete.<\/p>\n

Se il percorso a minore consumo viene proposto a pochi automobilisti, la soluzione pu\u00f2 essere efficace. Se quella stessa opzione viene assegnata a una massa crescente di veicoli, la concentrazione dei flussi pu\u00f2 modificare le condizioni iniziali sulle quali si basava il calcolo.<\/p>\n

L\u2019eco-optimalit\u00e0 del singolo percorso<\/strong> non coincide necessariamente con l\u2019eco-optimalit\u00e0 dell\u2019intero sistema.<\/p>\n

Per l\u2019ingegneria del routing \u00e8 un passaggio rilevante.<\/p>\n

Non basta perfezionare la funzione che calcola il costo associato a una singola automobile. Serve sapere cosa sta accadendo agli altri veicoli e, soprattutto, quale effetto produrranno le raccomandazioni quando verranno applicate contemporaneamente.<\/p>\n

Routing individuale e coordinamento dei flussi<\/h3>\n

La questione porta naturalmente verso sistemi di navigazione pi\u00f9 coordinati.<\/p>\n

Oggi il principio dominante rimane quello dell\u2019ottimizzazione individuale<\/strong>: il navigatore cerca di offrire al proprio utente il miglior itinerario disponibile.<\/p>\n

Un approccio orientato alla rete dovrebbe invece accettare, almeno in teoria, che non tutti ricevano necessariamente la soluzione minima rispetto al proprio costo individuale.<\/p>\n

Alcuni veicoli potrebbero essere indirizzati verso un\u2019alternativa leggermente pi\u00f9 lunga per evitare di saturare un\u2019arteria gi\u00e0 prossima alla capacit\u00e0.<\/p>\n

Il sacrificio per il singolo potrebbe essere nell\u2019ordine di uno o due minuti. Il guadagno complessivo potrebbe risultare molto pi\u00f9 elevato se la distribuzione producesse meno code, minori variazioni di velocit\u00e0 e una migliore utilizzazione della rete.<\/p>\n

Questa ipotesi apre immediatamente altri problemi.<\/p>\n

Occorre stabilire quale funzione obiettivo debba governare il sistema. Tempo medio di viaggio? CO\u2082? Consumi? Rumore? Esposizione della popolazione agli inquinanti?<\/strong><\/p>\n

E, soprattutto, bisogna decidere come bilanciare interessi individuali e collettivi.<\/p>\n

Sono questioni che escono dalla sola progettazione software e investono trasportistica, controllo, pianificazione urbana e regolazione<\/strong>.<\/p>\n

Il navigatore modifica il dato che utilizza<\/h3>\n

C\u2019\u00e8 poi una caratteristica che rende il problema ancora pi\u00f9 complesso.<\/p>\n

Le informazioni sul traffico utilizzate dai navigatori non sono indipendenti dalle decisioni che gli stessi navigatori suggeriscono.<\/p>\n

La sequenza \u00e8 circolare.<\/p>\n

I flussi presenti sulla rete producono dati. Il sistema elabora quei dati e suggerisce nuovi percorsi. Gli automobilisti seguono \u2013 almeno in parte \u2013 le indicazioni. I flussi cambiano. I nuovi flussi producono nuovi dati.<\/p>\n

Si crea un feedback loop tra utenti e algoritmo<\/strong>.<\/p>\n

Gli autori ricordano che meccanismi analoghi sono osservati in numerosi sistemi nei quali raccomandazioni digitali e comportamento umano si influenzano reciprocamente.<\/p>\n

Nel caso della mobilit\u00e0 il fenomeno ha una particolarit\u00e0: avviene su un\u2019infrastruttura fisica con capacit\u00e0 limitata.<\/p>\n

Una strada non pu\u00f2 assorbire indefinitamente nuovi veicoli soltanto perch\u00e9, qualche minuto prima, risultava l\u2019opzione pi\u00f9 efficiente.<\/p>\n

Lo stesso paper osserva che, in un sistema pienamente dinamico nel quale algoritmi e conducenti si adattino continuamente gli uni agli altri, alcuni effetti potrebbero essere ancora pi\u00f9 marcati di quelli rilevati nelle simulazioni effettuate.<\/p>\n

Le prove su una rete sintetica<\/h3>\n

Per capire se i risultati dipendessero dalle particolarit\u00e0 di Firenze, Milano e Roma, gli autori hanno costruito anche scenari astratti.<\/p>\n

La rete viene in questo caso rappresentata come una griglia regolare<\/strong>, eliminando molte delle caratteristiche che distinguono una citt\u00e0 reale.<\/p>\n

Il test offre un\u2019indicazione utile.<\/p>\n

Quando esiste un solo flusso origine-destinazione, la riduzione della diversit\u00e0 dei percorsi non determina automaticamente un peggioramento delle emissioni.<\/p>\n

Le cose cambiano introducendo due flussi che si intersecano<\/strong>.<\/p>\n

Quando i percorsi ottimizzati iniziano a condividere punti della rete e i veicoli devono interagire, tornano a comparire i fenomeni riscontrati nei casi reali: route diversity in diminuzione, concentrazione crescente e benefici ambientali che tendono a stabilizzarsi.<\/p>\n

Questo passaggio aiuta a evitare una lettura troppo semplice.<\/p>\n

Non \u00e8 sufficiente dire che \u201cle auto percorrono tutte la stessa strada\u201d.<\/p>\n

Il problema emerge quando numerosi flussi ottimizzati separatamente diventano interdipendenti<\/strong>.<\/p>\n

Una simulazione non \u00e8 una misura diretta del traffico reale<\/h3>\n

Il paper ha anche limiti metodologici, ed \u00e8 importante mantenerli visibili.<\/p>\n

Gli autori lavorano attraverso simulazioni<\/strong>.<\/p>\n

Non sarebbe realistico modificare sperimentalmente il comportamento di centinaia di migliaia di automobilisti, imporre a percentuali differenti l\u2019uso di specifiche applicazioni e ripetere l\u2019esperimento mantenendo invariate tutte le altre condizioni.<\/p>\n

Una rete urbana reale cambia continuamente.<\/p>\n

Incidenti, lavori, domanda di mobilit\u00e0, eventi, meteo e trasporto pubblico modificano lo stato del sistema. Riprodurre due volte esattamente la stessa mattina sarebbe impossibile.<\/p>\n

La simulazione consente invece di alterare una variabile e confrontare scenari costruiti sulla stessa base.<\/p>\n

\u00c8 il principale vantaggio del metodo, ma ne definisce anche il perimetro: le percentuali ottenute sono stime prodotte dal modello<\/strong>, non osservazioni sperimentali direttamente misurate sull\u2019intera popolazione automobilistica.<\/p>\n

Va ricordato anche un altro elemento. Veicoli appartenenti ai gruppi sperimentali differenti viaggiano comunque sulla stessa rete e inevitabilmente si influenzano.<\/p>\n

Gli autori riconoscono questa interferenza e osservano che l\u2019effetto potrebbe portare a sottostimare alcune differenze tra gli scenari.<\/p>\n

Come vengono calcolate le emissioni<\/h3>\n

Le emissioni di CO\u2082<\/strong> non vengono misurate con sensori installati sulle automobili della simulazione.<\/p>\n

Sono stimate attraverso il modello emissivo implementato in SUMO, che utilizza informazioni sulla dinamica del veicolo, in particolare velocit\u00e0 e accelerazione<\/strong>.<\/p>\n

Come riferimento viene impiegata una classe corrispondente a un\u2019auto a benzina Euro 4<\/strong>.<\/p>\n

Il modello \u00e8 quindi una semplificazione rispetto all\u2019attuale composizione del parco circolante, nel quale convivono motorizzazioni differenti, ibride ed elettriche comprese.<\/p>\n

Gli autori rilevano tuttavia una correlazione estremamente elevata tra l\u2019andamento della CO\u2082 e gli altri indicatori simulati, tra cui consumo di carburante, NOx, particolato e rumore<\/strong>.<\/p>\n

La correlazione riportata supera 0,994<\/strong> nei diversi scenari. Per questa ragione il paper utilizza la CO\u2082 come indicatore principale dell\u2019effetto prodotto dalle differenti configurazioni di traffico.<\/p>\n

I navigatori sono ormai parte dell\u2019infrastruttura di mobilit\u00e0<\/h3>\n

La ricerca suggerisce anche una considerazione pi\u00f9 ampia.<\/p>\n

Un\u2019app di navigazione installata su pochi smartphone pu\u00f2 essere considerata un servizio utilizzato da singoli conducenti.<\/p>\n

Quando la penetrazione raggiunge percentuali rilevanti, la distinzione diventa meno netta.<\/p>\n

Il software comincia infatti a influenzare l\u2019allocazione dei flussi sulla rete e assume, di fatto, una funzione vicina a quella di un elemento del sistema di gestione della mobilit\u00e0.<\/p>\n

Non controlla direttamente i semafori n\u00e9 chiude una strada, ma pu\u00f2 determinare quanti utenti scelgono di attraversarla.<\/p>\n

Per chi lavora su ITS, MaaS, digital twin e traffic management<\/strong>, questa interferenza non pu\u00f2 essere ignorata.<\/p>\n

Un modello urbano che descrivesse gli automobilisti come soggetti indipendenti dalle piattaforme di routing rischierebbe di trascurare una delle variabili che oggi orientano concretamente le decisioni di viaggio.<\/p>\n

Simulare gli effetti prima di intervenire sulla citt\u00e0<\/h3>\n

Il framework sviluppato dai ricercatori potrebbe essere utilizzato anche fuori dall\u2019ambito accademico.<\/p>\n

Uno dei possibili impieghi riguarda le amministrazioni locali.<\/p>\n

Confrontando lo scenario reale con un controfattuale privo di navigazione algoritmica, un Comune potrebbe stimare quali aree ricevono una quota di traffico aggiuntiva proprio per effetto delle raccomandazioni.<\/p>\n

L\u2019analisi sarebbe particolarmente utile intorno a scuole, ospedali, quartieri residenziali, aree pedonali o infrastrutture gi\u00e0 sottoposte a forte pressione<\/strong>.<\/p>\n

Il paper indica esplicitamente questa possibilit\u00e0 e collega il tema alla capacit\u00e0 delle istituzioni di comprendere gli effetti sistemici prodotti dalle piattaforme.<\/p>\n

Uno scenario di questo tipo consentirebbe anche un confronto pi\u00f9 tecnico con i provider.<\/p>\n

Non pi\u00f9 soltanto la segnalazione secondo cui \u201cil navigatore manda troppe auto in questa strada\u201d, ma una quantificazione dell\u2019impatto sulla rete e la simulazione di possibili strategie alternative.<\/p>\n

La sfida progettuale \u00e8 mantenere la diversit\u00e0 senza penalizzare gli utenti<\/h3>\n

Il lavoro di Cornacchia, Nanni, Pedreschi e Pappalardo non mette in discussione l\u2019utilit\u00e0 dei navigatori.<\/p>\n

Per il singolo automobilista rimangono strumenti estremamente efficaci. E, in numerosi scenari, la loro diffusione produce anche vantaggi misurabili per l\u2019intero sistema.<\/p>\n

La ricerca mostra per\u00f2 che questi vantaggi non crescono necessariamente in modo lineare con il numero di utilizzatori<\/strong>.<\/p>\n

Quando gli utenti diventano molti, il routing stesso modifica il sistema sul quale sta operando.<\/p>\n

\u00c8 qui che si apre il problema ingegneristico pi\u00f9 interessante.<\/p>\n

Una nuova generazione di algoritmi potrebbe essere progettata non soltanto per trovare il percorso teoricamente migliore per ogni veicolo, ma anche per evitare un\u2019eccessiva convergenza delle raccomandazioni.<\/p>\n

In pratica, il requisito non sarebbe pi\u00f9 soltanto minimizzare il costo del viaggio individuale. Bisognerebbe preservare anche un certo livello di route diversity<\/strong>, tenendo sotto controllo la capacit\u00e0 residua delle infrastrutture e le conseguenze aggregate delle decisioni.<\/p>\n

Il risultato potrebbe essere, per qualche conducente, un itinerario leggermente meno conveniente.<\/p>\n

Per la rete nel suo complesso, per\u00f2, quella piccola deviazione potrebbe evitare che il percorso inizialmente \u201cmigliore\u201d smetta di esserlo proprio perch\u00e9 \u00e8 stato suggerito a troppe persone. Ed \u00e8 su questa tensione tra user optimum e system optimum<\/strong> che la ricerca lascia aperta la questione pi\u00f9 interessante per chi progetta sistemi di mobilit\u00e0.<\/p>\n

L’articolo Navigatori satellitari e traffico urbano: quando l\u2019ottimizzazione del percorso mette sotto pressione la rete<\/a> proviene da Unione Geometri<\/a>.<\/p>\n<\/div>\n

Vai alla fonte.<\/a><\/p>\n

Autore: Mauro Melis<\/p>\n

Powered by WPeMatico<\/a><\/small><\/p>\n

_________________________________<\/strong><\/p>\n

CFD FEA Service SRL<\/strong> è una società di servizi che offre consulenza<\/em> e formazione<\/em> in ambito ingegneria<\/strong> e IT<\/strong>. Se questo post\/prodotto ti è piaciuto ti invitiamo a:<\/p>\n