De Rossi A. -New Approximation and Artificial Intelligence/Machine Learning Tools for Modeling of Traffic Networks - Bando "Grant for internationalization - GFI" 2022

Il Progetto si propone di studiare modelli matematici e algoritmi predittivi di Intelligenza Artificiale per consentire una migliore pianificazione delle azioni da svolgere nell'area metropolitana della città di Torino. Grazie al trattamento degli open data è possibile analizzare il flusso di grandi quantità di dati (big data) e sviluppare modelli predittivi al fine di creare un sistema di mobilità urbana ed extraurbana più accessibile, sicuro, meno inquinante, volto al miglioramento della qualità della vita delle persone. L'utilizzo di strategie innovative basate su dati accessibili favorisce il processo di trasformazione delle città in Smart Cities, in quanto costituisce il punto di partenza per il raggiungimento di una “Data-driven Society”. Nel campo della Data Science, la capacità di gestire i big data, di studiare e implementare algoritmi AI/ML efficienti può consentire la previsione in tempo reale dei flussi di mobilità, il modo in cui questi si verificano e delineare strategie per ottimizzare il traffico cittadino. Per raggiungere questi obiettivi, scopo del presente Progetto è lo studio di nuove tecniche basate su algoritmi AI/ML, che possano essere utilizzate come strumenti efficaci per la progettazione di un modello di traffico in grado di fare previsioni sui movimenti della popolazione nell'area torinese. Tali studi e relativi modelli contribuiranno quindi ad integrare i piani metropolitani per la mobilità sostenibile, in linea con il PNR 2021-2027, "Campo di ricerca: clima, energia, mobilità sostenibile". Il PI e il gruppo di ricerca hanno già ottenuto risultati in quest'area, sviluppando negli ultimi anni algoritmi veloci per l'approssimazione e la classificazione di grandi quantità di dati [1,3]. Si basano sulla teoria dei metodi kernel [6], che sono uno strumento efficace nel contesto dell'AI/ML e trovano importanti applicazioni nel cosiddetto Graph Machine Learning per l'elaborazione di dati e segnali su grafi [5]. Le strutture dei grafi si applicano alle reti/mappe di traffico [2,8]. Inoltre, l'uso di tecniche di analisi tempo-frequenza e operatori di localizzazione possono essere strumenti utili per ridurre i dati da analizzare, migliorando l'efficienza degli algoritmi [4]. Alcuni partecipanti al Progetto sono membri dei Gruppi di Lavoro dell'Unione Matematica Italiana "Matematica per l'Intelligenza Artificiale e il Machine Learning" e "Teoria dell'Approssimazione e Applicazioni ". Partner Internazionale UNITA e Collaborazioni Internazionali coinvolte nel Progetto La collaborazione più rilevante nel Progetto sarà con il Gruppo di Ricerca del Prof. Allal Guessab, del Laboratoire de Mathématiques Appliquées de Pau, Université de Pau et des Pays de l'Adour (UPPA), Francia (PARTNER UNITA), https://lma-umr5142.univ-pau.fr/fr/index.html. Dal 15/06/2022 al 30/06/2022 sarà Visiting Professor con il Programma “Erasmus+ Incoming Teaching staff” presso il Dipartimento di Matematica dell'Università degli Studi di Torino al fine di tenere un corso di 16 ore su “Sharp approximations based on Delaunay Triangulations and Voronoi Diagrams”. Sarà utile la sua esperienza e conoscenza delle caratteristiche teoriche della modellizzazione delle reti di traffico mediante diagrammi di Voronoi (vedi [7, 9, 10]). Un'altra importante collaborazione è quella con il Gruppo di Ricerca del Prof. Felix Voigtlaender, dell'Università Cattolica di Eichstätt-Ingolstadt (KU), Free State of Bavaria. Il Prof. Felix Voigtlaender è il leader del gruppo di ricerca Reliable Machine Learning di recente fondazione, parte del Mathematical Institute for Machine Learning and Data Science (MIDS). La ricerca del gruppo si concentra sull'analisi matematica degli algoritmi di Machine Learning, affrontando in particolare le questioni di stabilità, computabilità e robustezza dei metodi del Deep Learning. Per ulteriori informazioni, visitare: http://voigtlaender.xyz/ Infine, una collaborazione in corso