一种新的机器学习模型可以预测城市不同区域的交通活动。为此，ComplexityScienceHub的一名研究人员使用了意大利一家主要共享公司的数据作为整体城市交通的代表。例如，了解不同城市区域如何相互作用有助于避免交通拥堵，并使政策制定者能够有针对性地做出反应，例如在当地扩大公共交通。

了解人们的流动模式将是改善城市交通流量的核心。“随着城市地区人口的增长，这些知识可以帮助决策者设计和实施有效的交通政策和包容性城市规划，”复杂性科学中心的SimoneDaniotti说。

例如，如果模型显示两个区域之间存在重要联系，即人们出于某些原因从一个区域通勤到另一个区域，则可以提供补偿这种交互的服务。另一方面，如果该模型显示特定地点的活动很少，决策者可以利用这些知识投资于结构以改变这种状况。

模型也适用于维也纳等其他城市

对于这项研究，一家大型共享公司提供了以下数据：2017年其车队中所有在意大利四个城市(罗马、都灵、米兰和佛罗伦萨)的位置。数据是通过不断查询服务提供商的WebAPI获得的，记录每辆车的停车位置，以及开始和结束的时间戳。“这些信息使我们能够确定每次旅行的起点和终点，”Daniotti解释道。

Daniotti将其用作所有城市交通的代理，并创建了一个模型，该模型不仅可以在不同的城市地区进行准确的时空预测，还可以进行准确的异常检测。罢工和恶劣天气等异常情况，都与交通有关。

该模型还可以预测维也纳等其他城市的交通模式。“然而，这需要适当的数据，”Daniotti指出。

优于其他模型

虽然已经有许多模型旨在预测城市的交通行为，但“绝大多数基于聚合数据的预测模型都不能完全解释。即使模型的某些结构连接两个区域，也不能将它们解释为相互作用，”解释说达尼奥蒂。这限制了对管理公民日常生活的潜在机制的理解。

由于只考虑了最少数量的约束，并且所有参数都代表实际交互，因此新模型是完全可解释的。

但是没有解释的预测是什么?

“当然做出预测很重要，”Daniotti解释说，“但你可以做出非常准确的预测，如果你没有正确解释结果，你有时会冒着得出非常错误结论的风险。”

在不知道模型显示特定结果的原因的情况下，很难控制模型未显示您预期结果的事件。“检查模型并理解它，有助于我们和政策制定者不得出错误的结论，”Daniotti说。