Deep Gravity: l’algoritmo che prevede i movimenti delle persone
![](https://www.sciencecue.it/wp-content/uploads/2021/11/ezgif.com-gif-maker-2.jpg)
Il modello tradizionale utilizzato per la previsione dei flussi di mobilità, come principio di interazione spaziale, è il cosiddetto “gravitazionale” che analizza sia i movimenti delle persone a piedi che tramite automezzi. Nella pratica, il modello gravitazionale è spesso inaccurato ed è stato messo a punto Deep Gravity, che va a migliorare alcuni aspetti del modello tradizionale.
Il modello gravitazionale è chiamato così perchè 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.
Basandosi quindi sulle leggi newtoniane sulla fisica dei gravi, i corpi fisici si tramutano in attività di massa proporzionale alla propria entità. Questa idea si è affermata alla fine dell’Ottocento e successivamente nel secondo dopoguerra, estendendo poi l’applicazione del modello gravitazionale ad altri fenomeni spaziali come gli spostamenti di viaggiatori o le chiamate telefoniche tra città.
![Deep Gravity](https://sciencecue.it/wp-content/uploads/2021/11/nyc-5276112_960_720.webp)
Le debolezze del modello gravitazionale e i miglioramenti di Deep Gravity
Nella pratica, il modello gravitazionale è spesso inaccurato perché si basa su due sole variabili e cioè distanza e popolazione e non è in grado di catturare relazioni complesse tra di loro.
Per risolvere questo problema, l’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, ha messo a punto “Deep Gravity”, un algoritmo che aggiunge al modello gravitazionale due ingredienti fondamentali, migliorandone così l’accuratezza. Il risultato è una ricerca pubblicata su Nature dal titolo A Deep Gravity model for mobility flows generation.
I due elementi aggiuntis sono 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.
![Deep Gravity](https://sciencecue.it/wp-content/uploads/2021/11/pedestrians-400811_960_720.webp)
“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”.
“Per esempio, 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. Questo studio 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”.