Daniotti将其作为所有城市交通的代表，并创建了一个模型，不仅可以对不同城市区域进行准确的时空预测，还可以准确地检测异常。罢工、恶劣天气等异常情况都与交通有关
在工作日，米兰市不同区域的不同移动模式
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。为了做到这一点，复杂性科学中心的研究人员使用了意大利一家主要汽车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，并使决策者能够有针对性地做出反应——例如在当地扩大公共交通。
了解人们的出行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，这些知识可以帮助政策制定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Simone Daniotti说。
例如，如果模型显示两个区域之间存在非平凡的联系，即人们出于某些原因从一个区域通勤到另一个区域，则可以提供服务来补偿这种交互。另一方面，如果模型显示特定地点几乎没有活动，政策制定者可以利用这些知识投资于结构来改变这种情况。
在这项研究中，一家大型汽车共享公司提供了数据:2017年他们在意大利四个城市(罗马、都灵、米兰和佛罗伦萨)的车队中所有汽车的位置。这些数据是通过不断查询服务提供商的web api获得的，记录每辆车的停车位置，以及开始和结束的时间戳。
虽然已经有很多模型用于预测城市交通行为，但“绝大多数基于聚合数据的预测模型都不能完全解释。尽管模型的某些结构连接了两个区域，但它们不能被解释为相互作用，”Daniotti解释道。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，所有参数都代表了实际的相互作用，新模型是完全可解释的。
“当然，做出预测很重要，”达尼奥蒂解释说，“但你可以做出非常准确的预测，如果你不能正确解释结果，有时就会冒着得出非常错误结论的风险。”
如果不知道模型显示特定结果的原因，就很难控制模型没有显示预期结果的事件。“检查模型并理解它，有助于我们，也有助于政策制定者，不要得出错误的结论，”Daniotti说。
