La progettazione di reti di trasporto pubblico è un problema complesso, tradizionalmente affrontato con modelli di ottimizzazione basati su assunzioni di domanda fissa. Un nuovo studio introduce un framework innovativo, il Two-Level Rider Choice Transit Network Design (2LRC-TND), che integra machine learning e ottimizzazione stocastica contestuale (CSO) per incorporare due livelli di incertezza nella domanda.

Dettagli del framework

Il 2LRC-TND identifica i viaggiatori che utilizzano abitualmente il trasporto pubblico (domanda di base) e modella il comportamento di adozione condizionale di coloro che non lo utilizzano, basandosi sulla disponibilità e qualità dei servizi. Per catturare queste incertezze, il sistema si avvale di modelli di scelta modale multipli, basati su algoritmi di machine learning. Questi modelli vengono integrati in un CSO, risolto tramite un solver CP-SAT.

Validazione e risultati

Il framework è stato valutato in un caso di studio nell'area metropolitana di Atlanta, coinvolgendo oltre 6.600 archi di viaggio e più di 38.000 spostamenti. I risultati dimostrano l'efficacia del 2LRC-TND nel progettare reti di trasporto che tengono conto delle incertezze della domanda e delle informazioni contestuali, offrendo un approccio più realistico rispetto ai modelli tradizionali.