Lo strumento tradizionale, utilizzato normalmente per la previsione dei flussi di mobilità, sia a piedi che con automezzi, è il cosiddetto “modello gravitazionale”. Si tratta di un algoritmo, ispirato alla legge di gravitazione universale di Isaac Newton, che si basa su un preciso assunto: 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.

Il fatto è che, sul piano pratico, questo modello di calcolo spesso mostra una certa inaccuratezza, dovuta soprattutto alla sua dipendenza strutturale da due sole variabili – distanza e popolazione – senza peraltro essere in grado di prendere in considerazione relazioni complesse tra di esse.

Per tale ragione, alcuni studiosi dell’Istituto di scienza e tecnologie dell’informazione del Consiglio nazionale delle ricerche (Cnr-Isti), in collaborazione con i colleghi della Fondazione Bruno Kessler di Trento e dell’Argonne National Laboratory negli USA, hanno messo a punto un nuovo algoritmo, denominato “Deep Gravity”, più complesso e integrato del tradizionale modello gravitazionale. Esso, infatti, aggiunge al suo “predecessore” due elementi fondamentali: 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 aggiuntive, grazie all’utilizzo del “deep learning” (Intelligenza Artificiale). La ricerca è stata descritta in un recente articolo, pubblicato su “Nature Communications”.

“Esperimenti condotti su tre Paesi (Italia, Inghilterra e Stato di New York) – spiega Luca Pappalardo del Cnr-Isti e autore principale dell’articolo – 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”. Gli scienziati coinvolti nello studio, infatti, hanno potuto comprendere le motivazioni che sottostanno ai flussi di spostamento tra aree nei tre Stati analizzati, mediante l’utilizzo di tecniche di “Explainable AI” (Intelligenza Artificiale spiegabile).

I risultati della nuova valutazione differiscono da quanto previsto dal modello gravitazionale, mettendo invece in evidenza come le variabili che guidano gli spostamenti variano tra Paesi e anche al loro interno; inoltre, non sempre distanza e popolazione sono quelle più importanti. “Per esempio, – aggiunge Pappalardo – 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 ad 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”. Naturalmente, la messa a punto di questo nuovo algoritmo potrebbe risultare di grande utilità anche ai decisori politici. “Conoscere le ragioni dietro i movimenti tra due locazioni – conclude Massimiliano Luca, dottorando all’Università di Bolzano e ricercatore alla Fondazione Bruno Kessler – 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”.