Data Science & Big Data Analytics

MIC-HUB ha una vasta esperienza nelle analisi spaziali avanzate e nella data visualisation mediante sistemi informativi geografici (GIS). Le analisi spaziali di MIC-HUB integrano big data ad alta granulometria spaziale e temporale con altre fonti a carattere più statico, al fine di garantire una lettura completa delle dinamiche urbane e della mobilità. MIC-HUB elabora mappe di rappresentazione delle dinamiche di attivazione urbana, mappe di origine-destinazione degli spostamenti, firme temporali (profili dei flussi in ingresso e uscita) di macro-attrattori urbani.

Le analisi spaziali includono inoltre alcune metriche codificate come il PTAL (livelli di accessibilità del trasporto pubblico) sviluppato da Transport for London, metriche di sintassi spaziale (Space Syntax) come la betweenness, per valutare la connettività e l’efficienza della rete. MIC-HUB utilizza anche metriche di valutazione dello spazio urbano in relazione alla mobilità, come il Walkscore e altre metriche proprietarie di misura della permeabilità pedonale, con l’obiettivo di migliorare la mobilità attiva e la qualità dello spazio urbano.

MIC-HUB sviluppa algoritmi e modelli di machine learning (ML) per analizzare i fenomeni di mobilità urbana e la loro interazione con l’ambiente costruito, fornendo strumenti predittivi a supporto delle decisioni e della pianificazione sostenibile. Attraverso l’analisi di big data provenienti da sensori, GPS, social media e simulazioni, i modelli di MIC-HUB prevedono flussi di traffico, comportamenti di viaggio e livelli di rischio stradale, contribuendo a migliorare efficienza, sicurezza e sostenibilità dei sistemi di trasporto. Gli algoritmi di ML aiutano a decodificare le interazioni tra mobilità e ambiente costruito, come densità urbana, uso del suolo e disegno urbano, rivelando come questi fattori influenzano le scelte di viaggio, le distanze, le modalità oltreché esternalità come l’incidentalità e i livelli di emissioni.

MIC-HUB utilizza approcci ed algoritmi di apprendimento automatico con supervisione (reti neurali) per la costruzione di modelli predittivi per valutare i flussi di traffico, le velocità reali in rete e livelli di incidentalità stradale, in relazione ai caratteri urbani e sociodemografici dell’area di studio. Le tecniche di apprendimento automatico non supervisionato, identificano pattern non noti attraverso analisi di cluster e la riduzione della dimensionalità. Queste analisi aiutano a scoprire strutture nascoste dalla intersezione di dati complessi ed eterogenei di mobilità e di altri caratteri urbani, come ad esempio la costruzione delle catene degli spostamenti delle persone.