Quadro di apprendimento per rinforzo multimodale e multi-agente per la previsione del flusso del traffico urbano e l’ottimizzazione dei segnali

Perché i semafori più intelligenti sono importanti

Chiunque sia rimasto bloccato a una serie di semafori rossi o abbia percorso a passo d’uomo una strada centrale congestionata sa quanto possa essere inefficiente il traffico cittadino. Oltre alla frustrazione, le auto ferme consumano carburante e emettono gas serra e inquinanti nell’aria. Questo articolo presenta un nuovo modo di gestire il traffico urbano che tratta i semafori come una rete coordinata e apprendente anziché come timer fissi, con l’obiettivo di muovere le persone più rapidamente riducendo congestione ed emissioni.

Una città che sente e capisce il suo traffico

I ricercatori propongono un sistema chiamato MM-STMAP che fornisce alla città una sorta di sistema nervoso digitale. Invece di affidarsi solo a semplici conteggi di veicoli, integra molti tipi di dati contemporaneamente: flusso del traffico, velocità, condizioni meteorologiche come pioggia o nebbia, e giorni particolari come le festività. Questi segnali diversi vengono puliti, combinati e trasformati in una descrizione unificata di ciò che avviene sulle strade. Riconoscendo, per esempio, che un’ora di punta festiva con pioggia si comporta diversamente rispetto a un normale giorno feriale, il sistema può meglio prevedere come evolverà il traffico nei minuti successivi.

Vedere i pattern nello spazio e nel tempo

I problemi di traffico raramente restano confinati a una singola intersezione; si propagano attraverso un’intera rete stradale. MM-STMAP cattura questo rappresentando le strade e le intersezioni della città come una rete di punti connessi, quindi apprendendo come le condizioni si diffondono attraverso quella rete nel tempo. Usa calcoli stratificati che prima esaminano come le vie vicine si influenzano a vicenda e poi come tali influenze cambiano da un passo temporale al successivo. Un meccanismo di “attenzione” progettato ad hoc permette al modello di concentrare la sua potenza di calcolo sui tratti di storia più rilevanti — per esempio l’ora di punta di ieri alla stessa ora — senza appesantirsi all’aumentare dei volumi di dati. Questo rende pratico elaborare flussi di sensori a lungo termine provenienti da grandi reti urbane.

I semafori che imparano insieme

Sopra questo motore predittivo, gli autori costruiscono un sistema di controllo basato sull’apprendimento per i segnali stradali. Ogni intersezione è trattata come un agente intelligente che può scegliere quanto a lungo mantenere il verde o il rosso in direzioni diverse. Questi agenti non operano in isolamento: condividono informazioni sulla situazione del traffico più ampia e vengono addestrati insieme in modo che le loro decisioni individuali favoriscano un flusso regolare su tutta la rete. Il processo di apprendimento premia i comportamenti che aumentano il numero di veicoli che transitano, riducono i tempi medi di attesa e limitano il fenomeno dello stop-and-go che consuma carburante, penalizzando invece configurazioni che generano lunghe code e ritardi.

Mettere il sistema alla prova

Per verificare se MM-STMAP offre benefici concreti, il team lo ha testato su grandi set di dati reali della regione di Los Angeles. Questi dati includono decine di migliaia di campioni da sensori autostradali e urbani, insieme a problemi realistici come letture mancanti, misurazioni rumorose e schemi di traffico irregolari. Rispetto a diversi modelli di previsione all’avanguardia e a schemi tradizionali di controllo dei segnali — orari fissi e semafori localmente reattivi — il nuovo approccio ha prodotto previsioni a breve termine più accurate e una temporizzazione dei segnali più efficiente. Ha ridotto le misure d’errore comuni per la previsione di circa un terzo rispetto ai sistemi fissi e attuati migliori attuali, e nelle simulazioni ha abbattuto i ritardi medi e il numero di arresti, facendo circolare più veicoli all’ora attraverso la rete.

Cosa significa questo per gli automobilisti di tutti i giorni

In termini pratici, MM-STMAP descrive un futuro in cui i semafori cooperano e apprendono continuamente dall’esperienza, invece di seguire ciecamente cicli codificati a priori. Anticipando dove stanno per formarsi gli ingorghi e adattando la temporizzazione dei segnali su più intersezioni, il sistema può accorciare i tempi di viaggio, smussare lo stop-and-go e ridurre i tempi di inattività non necessari. Pur affrontando ancora sfide — come la necessità di dati affidabili e di una notevole potenza di calcolo su scala cittadina — indica una mobilità urbana più intelligente e più pulita, in cui i nostri spostamenti quotidiani non sono solo più rapidi ma anche meno impattanti per l’ambiente.

Citazione: Wang, R., Zhang, J., Wang, X. et al. Multi-modal and multi-agent reinforcement learning framework for urban traffic flow prediction and signal control optimization. Sci Rep 16, 7612 (2026). https://doi.org/10.1038/s41598-026-37722-5

Parole chiave: traffico urbano, previsione del traffico, apprendimento per rinforzo, semafori intelligenti, trasporto intelligente