multidimensional analysis of milano mobility

Corso di Laurea in Business Informatics

Private Cars Trajectories

A.A. 2016-2017

Tommaso Furlan

Emiliano Fuccio

Maurizio Deidda

Private cars trajectories 2

Sommario

Project objectives …………………………………………………………………………………………………….…… 3

1. Data understanding ………………………………………………………………………………………………… 4

2. Data Preparation …………………………………………………………………………………………………….... 5

2.1. Individuazione dei residenti e dei presunti visitatori ………………………….…… 5

2.1.1. Individuazione dei residenti ad alta mobilità …………………………………………… 5 2.1.2. Individuazione dei presunti visitatori …………………………………………………….… 6 2.1.3. Considerazioni sull’individuazione dei visitatori …………………………………….… 7

2.2. Creazione dei moving point …………………………………………………………………………… 7

3. Analysis of traffic flows ……………………………………………………………………………………….… 8

3.1. Density Map ……………………………………………………………………………..……….……………… 8

4. Statistics Analytics …………………………………………………………………………………………………. 10

4.1. Data Cleaning ………………………………………………………………………………………………..… 10 4.2. Residents Analysis ………………………………………………………………………………………..… 10 4.3. Visitors Analysis ……………………………………………………………………………………………… 25

5. Time slot analysis …………………………………………………………………………………………………… 33

5.1. Residents Analysis ……………………………………………………………………………………….… 36

5.2. Visitors Analysis ……………………………………………………………………………………………… 41

6. Start/End analysis …………………………………………………………………………………………..……… 40

6.1. Macrozones flow analysis ……………………………………………………………………….…… 43

6.2. Po Flows analysis ………………………………………………………………..……………………….… 46

7. Weather Analysis …………………………………………………………………………………………………… 46

7.1. Analysis specific days ……………………………………………………………………………….…… 52

7.2. Traffic flow analysis in the different city’s areas ………………….……………….… 55

7.3. Traffic flow analysis towards the airport ………………………………………..………… 60

Conclusions ……………………………………………………………………………………………………………….……… 69

Software & tools ……………………………………………………………………………………………………….…… 69

SQL Query ……………………………………………………………………………………………………………………….… 70


Project objectives Obiettivo della relazione è illustrare un approfondito studio effettuato sui dati del traffico della città

di Milano e delle zone immediatamente limitrofe.

Il core dell’analisi è incentrato sul rispondere alle seguenti business requests:

Identificare i principali punti di interesse

Misurare l’intensità del traffico in base a singoli fattori:

o Zone

o Fasce orarie

o Condizioni metereologiche

Analizzare le principali statistiche del traffico

o Lunghezza

o Durata

o Velocità

Verificare eventuali differenze fra residenti e visitatori

Attraverso analisi multidimensionali ci sono fattori che hanno influenzato il traffico?

Giorni analizzati per i residenti: Domenica – Martedì – Venerdì – Sabato

Giorni analizzati per i turisti: Venerdì – Sabato


1. Data understanding

Il dataset fa riferimento alle rilevazioni GPS relative agli spostamenti di auto private nella città di

Milano, nella settimana compresa fra il 1° aprile e il 7 aprile del 2007.

Il dataset si compone dei seguenti 6 attributi.

Attributo Specifica attributo

User_id Id univoco relativo ad una vettura

Timestamp Data e ora relativa alla rilevazione del

dispositivo GPS montato sulla vettura.

Day_of_week Specificazione del giorno della settimana

relativo alla rilevazione effettuata dal GPS

Time_slot Suddivisione in fasce orarie in base all’ora

registrata dal dispositivo GPS

Lat Latitudine della rilevazione

Lon Longitudine della rilevazione

Nello specifico la suddivisone in fasce orarie è stata fatta seguendo il seguente schema temporale:

00:00 – 05:59 = Night

06:00 – 08:59 = Early Morning

09:00 – 11:59 = Morning

12:00 – 13:59 = Lunch

14:00 – 17:59 = Afternoon

18:00 – 19:59 = Early Evening

20:00 – 21:59 = Dinner

22:00 – 23:59 = Late Evening

Le coordinate racchiudono un’aerea compresa fra latitudine 45.37 e 45.56, longitudine compresa

fra 9.05 e 9.28. Mentre dal punto di vista temporale sono state fatte rilevazioni GPS dalla mezza

notte di domenica 1 aprile alle 23:59 di sabato 7 aprile.


2. Data preparation

Tutta la fase di pre-processing dei dati è stata sostanzialmente condotta con l’ausilio di Hive e

PgAdmin III.

In primo luogo è stata fatto un primo elementare preparation del dataset, parallelamente alla fase

di data understanding, Nel dettaglio essa ha coinvolto l'attributo timestamp contenente le

informazioni riguardanti la data e l'ora della rilevazione. Si è infatti dapprima provveduto a splittare

l'attributo in due distinti attributi contenenti rispettivamente la data e l'ora, ciò ha semplificato la

determinazione del giorno della settimana e in particolare la suddivisione in fasce orarie sopra

specificata.

2.1 Individuazione dei residenti e dei presunti visitatori

2.1.1 Individuazione dei residenti ad alta mobilità

L'individuazione dei residenti, sempre all'interno della fase di data preparation, è stata

sostanzialmente condotta su due livelli di indagine successivi, tutti con riferimento alla distribuzione

del numero di rilevazioni per singolo veicolo.

Al primo livello di indagine si è preferito continuare a lavorare direttamente sul database creando

una tabella all'interno della quale inserire il numero di rilevazioni per singolo veicolo (nell'appendice

si riporta la sequenza di query utilizzate per quest'operazione). I valori così ottenuti sono stati

rappresentati su un grafico a linee di Excel, dove sull'asse delle ordinate è riportato il numero di

rilevamenti mentre sull'asse delle ascisse è riportato l'user_id, al fine di osservarne la distribuzione.

Abbiamo identificato come soggetti scarsi utilizzatori dell’automobile o i soggetti presenti

occasionalmente, gli user_id aventi meno di 200 rilevazioni nella settimana; si ritengono gli stessi

come poco significativi al fine delle successive analisi sull'alta mobilità dell'area metropolitana.

0

200

400

600

800

1000

1200

1400

1600

11

17

66

16

88

72

61

20

45

06

78

19

52

54

76

98

71

89

69

6

98

44

83

00

00

4

48

14

13

18

97

71

54

93

74

35

12

13

76

33

30

75

31

17

62

71

13

16

68

30

47

10

46

11

71

59

36

4

11

54

84

11

04

23

15

56

71

39

56

41

02

77

5

16

42

14

74

67

7

31

81

84

74

11

61

73

54

6

18

54

43

11

68

26

20

21

60

17

08

12

17

46

85


Importante premessa, sulla base della quale si sono scelti i giorni da analizzare, riguarda il fatto che

la settimana in questione è la settimana immediatamente a ridosso della festività della Pasqua

cattolica. La finestra temporale dei rilevamenti infatti racchiude oltre alla Domenica delle palme (1

Aprile) anche la vigilia di Pasqua (Sabato 7 Aprile). Informazione questa non di poco conto se

contestualizzata alla tradizionale cultura cattolica italiana.

Alla luce di questo e degli altri eventi presenti nella città durante la settimana, si è optato per l'analisi

dei seguenti giorni:

Domenica 1 Aprile.

Martedì 3 Aprile.

Venerdì 6 Aprile.

Sabato 7 Aprile.

Così facendo si è infatti selezionato 1 giorno festivo (1 Aprile), 1 giorno Lavorativo (3 Aprile), Il primo

giorno del tradizionale ponte di pasquetta (6 Aprile) e infine la vigilia di Pasqua (7 Aprile). Tale scelta

è inoltre supportata dai seguenti eventi in città.

Domenica 1 Aprile Inter-Parma.

Domenica 1 Aprile Duomo aperto di sera.

Martedì 3 Aprile Milan-Bayern Monaco.

Sabato 7 Aprile Milan-Empoli.

Si sottolinea inoltre che al fine di evitare forvianti tagli sui tragitti delle auto a cavallo della

mezzanotte si è preferito tenere conto dei rilevamenti ottenuti fino a 30 minuti prima della

mezzanotte del giorno x e dei rilevamenti ottenuti fino a 30 minuti dopo la mezzanotte del giorno

x+1 (sono riportate in appendice le query SQL).

Per quanto riguarda il secondo livello di indagine, sempre in tema di alta mobilità, si è

semplicemente replicato quanto fatto a livello settimanale sui giorni selezionati, impostando a 30 la

soglia minima di rilevazioni.

2.1.2 Individuazione dei presunti visitatori

L'idea di fondo alla base dell'individuazione dei presunti visitatori consiste sostanzialmente

nell'individuare tutti i veicoli presenti nell'area metropolitana nella finestra temporale che va dalle

13:00 di Venerdì fino alla mezzanotte di Sabato (poiché il dataset non copre i successivi giorni di

Domenica 8 e Lunedì 9) e non presenti nella finestra temporale che va dalla mezzanotte del Lunedì

2 Aprile fino alle 12:59 di Venerdì. Si è quindi operato come segue: partendo dal dataset iniziale si è

splittato lo stesso in due parti distinte, contenenti rispettivamente tutte le rilevazioni dalla

mezzanotte del Lunedì fino alle 13:00 del Venerdì (Split 1) e tutte le rilevazioni del Venerdì (dalle


13:00 in poi) e quelle del Sabato (Split 2). A questo punto si sono eliminati da Split 2 tutti i record

aventi user_id contenuti in Split 1.

2.1.3 Considerazioni sull'individuazione dei visitatori

L'approccio appena descritto certamente non potrà considerarsi completo poiché in assenza dei dati

relativi alle giornate di Pasqua e Pasquetta non è stato possibile identificare con più precisione gli

effettivi user_id in uscita dalla città alla fine delle vacanze pasquali.

Si precisa inoltre che in Split 1 non si è tenuto in considerazione la giornata di Domenica 1 poiché si

ritiene che potesse contenere dei visitatori domenicali.

2.2 Creazione dei moving point

Lo step successivo, sempre rimanendo nell'ambito del data preparation, consente di accantonare la

visione fin qui adottata in termini di singoli punti a favore di una visione più dinamica poiché basata

sulle traiettorie. Questo passaggio, da una visione per punti ad una visione per traiettorie, è reso

possibile da un particolare tipo di oggetto denominato moving point (MP) che logicamente

potremmo immaginare come la ricostruzione in sequenza di tutti i rilevamenti effettuati per singolo

veicolo. La creazione dei MP avviene eseguendo una query dalla DMQL console di M-atlas

(nell'appendice si riporta la query utilizzata), all'interno della quale è possibile impostare una serie

di parametri che permettono di ottenere delle traiettorie che meglio rispecchino la reale situazione

che si sta analizzando. Uno di questi parametri è il MAX_TIME_GAP tramite il quale è possibile

impostare il periodo di tempo massimo intercorso tra due punti consecutivi affinché essi facciano

parte della stessa traiettoria. Sforato questo tempo massimo, espresso in secondi, la traiettoria

viene tagliata e se ne genera un'altra che avrà come punto di partenza il primo punto nella sequenza

temporale che non rispetta questo limite. La scelta del valore per questo parametro presenta

certamente delle criticità, un MAX_TIME_GAP troppo basso rischierebbe di scambiare, ad esempio,

una sosta per una fermata, mentre un MAX_TIME_GAP troppo elevato finirebbe per fondere diversi

spostamenti in uno solo. Coscienti quindi della delicatezza nella scelta di questo parametro si è

optato per impostare questo limite temporale a 3600s (1h), ritenuto un tempo ragionevole per

cogliere la maggior parte degli spostamenti.

Il Data Preparation è continuato con la fase di cleaning effettuata durante l’analisi delle principali

statistiche delle traiettorie (vedi capitolo 4)


3. Analysis of traffic flows

La prima analisi comprenderà la creazione di una mappa delle densità per evidenziare quali siano le

zone di maggiore affluenza delle traiettorie. Per fare questo si è sfruttata la funzionalità di M-Atlas

Maps , creando griglie da 10000 m2 (10 km2), valore scelto in base alla superficie quadrata della città

(solo il comune di Milano 1575,65 km2).

I colori della densità andranno dal blu, che rappresenta le zone poco dense, al rosso, che

rappresenta le zone molto dense.

3.1 Density Map

Residents

Visitors


Come è possibile notare dalle density map e dalla mappa dei principali punti di interesse le zone

caratterizzate da una maggiore densità di traffico sono quelle nell'immediato ridosso del centro di

Milano e le principali arterie stradali che circoscrivono l'intera area metropolitana. Di particolare

interesse risulta l'area a est della città in prossimità dell'aeroporto di Linate.


4. Statistics Analysis

Per ogni traiettoria presente nel dataset è stato possibile estrapolare la durata, la lunghezza e la

velocità media per ogni tragitto, di ogni singolo mezzo, in ogni singolo giorno.

I risultati ottenuti hanno subito una operazione di data cleaning al fine di eliminare i Noise Point che

potrebbero influenzare i valori.

4.1 data cleaning

I risultati statistici ottenuti in seguito alla creazione dei MV in alcuni casi presentavano delle

anomalie. Talvolta ad esempio alcune traiettorie presentavano durate prossime alle 24h con

velocità media prossima allo zero e kilometri percorsi irrisori. Questa rilevazione si riferisce

presumibilmente ad un veicolo fermo in parcheggio e quindi non significativo ai fini dell'analisi sulla

mobilità.

Si sono quindi eliminate queste anomalie attraverso delle query SQL apposite (riportate in

appendice). Di seguito si riportano le tabelle riassuntive dei principali valori ottenuti.

4.2 Residents Analysis

Duration

Min Max AVG

Dom 0.367 368.483 40.56

Mart 0.3 367.983 44.731

Ven 0.25 325.25 43.681

Sab 0.55 290.467 43.098


Dal pie chart emerge come il 78% degli utenti effettui spostamenti minori di 60 min.

Si noti come dalla tabella sembrerebbe emergere che i tragitti della domenica siano mediamente

più brevi. In realtà il grafico soprastante ci mostra come i valori medi siano influenzati fortemente

dal numero di soggetti in movimento, che risulta molto maggiore nelle giornate di martedì e venerdì.

1177

457

262

10956 44

1 3 2 1 1 0 1

Distribuzione delle durate Domenica

56%22%

12%

5% 3% 2%

Composizione delle durate Domenica

0-30

30-60

60-90

90-120

120-150

150-180

180-210

210-240

240-270

270-300

300-330


Dal pie chart emerge come il 76% degli utenti effettua spostamenti minori di 60 min, a differenza

però di quanto accadeva nella domenica, gli spostamenti con durata inferiore ai 30 min sono calati

del 6% rispetto alla Domenica mentre gli spostamenti compresi tra i 30 e i 60 min sono cresciuti del

4%.

2169

1136

467300

184 1036 2 2 3 0 1 1

Distribuzione delle durate Martedì

50%

26%

11%

7%4% 2%

Composizione delle durate Martedì

0-30

30-60

60-90

90-120

120-150

150-180

180-210

210-240

240-270

270-300

300-330




del 2% mentre gli spostamenti compresi tra i 30 e i 60 min sono cresciuti del 1% con un totale quindi

di un decremento del 3% sui tragitti inferiori ad 1 ora.

0-30 30-60 60-90 90-120 120-150 150-180 180-210 210-240 240-270 270-300 300-330

2207

852

447276

156 1277 2 2 1 2

Distribuzione delle durate Venerdi

54%

21%

11%

7%

4% 3%

Composizione delle durate Venerdi

0-30

30-60

60-90

90-120

120-150

150-180

180-210

210-240

240-270

270-300

300-330




del 1% mentre gli spostamenti compresi tra i 30 e i 60 min sono diminuiti del 3% con un totale quindi

di un decremento del 4% sui tragitti inferiori ad 1 ora.

Come sintesi generale sembrerebbe emergere che nel weekend la percentuale di tragitti con durata

inferiore ai 30 minuti si attesti intorno al 55% (sembrerebbe esserci una crescita graduale del 1%

passando dal Venerdì al Sabato fino alla Domenica) mentre nei primi giorni della settimana questa

percentuale si attesta intorno al 50%. Andamento opposto ha invece la percentuale dei tragitti

compresi tra i 30 e i 60 min. Se nel weekend si ha 22% (Domenica), 21% (Venerdì) e 19% (Sabato),

0-30 30-60 60-90 90-120 120-150 150-180 180-210 210-240 240-270 270-300

1293

436

275

15793 65

4 5 0 1

Distribuzione delle durate Sabato

55%

19%

12%

7%

4% 3%

Composizione delle durate Sabato

0-30

30-60

60-90

90-120

120-150

150-180

180-210

210-240

240-270

270-300


durante la settimana (Martedì) si ha una crescita di almeno il 4%. Gli spostamenti superiori ad 1 ora

mantengono invece un andamento lineare durante tutta la settimana.

Speed

Min Max AVG

Dom 5.002 136.051 31.643

Mart 5.01 133.097 27.782

Ven 5.02 125.157 28.907

Sab 5.032 137.392 30.983

Si nota subito come molti più soggetti si spostano in auto il martedi e venerdi ma con velocità

mediamente più basse.

244

556

417

287

193

136103

7238 18 18 13 5 2

Distribuzione delle velocità Domenica


Dal pie chart emerge come il 58% degli utenti viaggi ad una velocità media inferiore ai 30 Km/h,

percentuale che diventa ancor più significativa se si considera il numero degli utenti che viaggiano

ad una velocità media inferiore ai 50 Km/h (limite imposto dal codice stradale per le strade urbane)

che sfiora circa l'81%.

12%

26%

20%

14%

9%

6%5% 3% 2%

Composizione delle velocità Domenica

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90

90-100

100-110

601

1268

881

590

359250

173110 74 38 15 9 3 3

Distribuzione delle velocità Martedì






Emerge inoltre come rispetto alla domenica sia cresciuta del 5% la percentuale utenti che viaggia

ad una velocità media inferiore ai 30 Km/h e del 3% la percentuale di utenti che viaggia a velocità

medie molto basse (fino ai 10 Km/h).

14%

29%

20%

13%

8%

6%4% 3%

Composizione delle velocità Martedi

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90

90-100

100-110






Emerge inoltre come rispetto alla domenica sia cresciuta del 1% la percentuale utenti che viaggia

ad una velocità media inferiore ai 30 Km/h e del 4% la percentuale di utenti che viaggia a velocità

medie molto basse (fino ai 10 Km/h).

601

1102

528 507

368

228174

12475

31 19 13 9

Distribuzione delle velocità Venerdì

16%

29%

14%

13%

10%

6%5% 3%2%

Composizione delle velocità Venerdì

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90

90-100

100-110





che sfiora circa l'81%. Emerge inoltre come rispetto alla domenica sia cresciuta del 3% la percentuale

utenti che viaggia ad una velocità media inferiore ai 30 Km/h e del 2% la percentuale di utenti che

viaggia a velocità medie molto basse (fino ai 10 Km/h).

358

592

482

290

169124 112

60 5634 26 13 10 3

Distribuzione delle velocità Sabato

15%

25%

21%

13%

7%

5%5% 3%2%

Composizione delle velocità Sabato

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90

90-100

100-110


Non emergono significative differenze tra le velocità medie registrate nel weekend rispetto a quelle

registrate durante la settimana, si può infatti ipotizzare come ciò sia fortemente influenzato dal

fatto che si tratti di rilevamenti per lo più urbani e quindi fortemente caratterizzati dal traffico

cittadino.

Length

Min Max AVG

Dom 0.047 152.287 16.193

Mart 0.059 139.366 15.719

Ven 0.029 126.646 15.28

Sab 0.108 125.017 15.823

Si nota subito come molti più soggetti si spostano in auto il martedi e venerdi ma con tragitti

mediamente più corti.

871

717

336

125

37 10 6 2 3 3 2 1 0 1

Distribuzione delle lunghezze Domenica


Dal pie chart emerge come il 75% degli utenti effettua spostamenti inferiore ai 20 Km, quindi molto

brevi. Dato ancor più significativo se si considerano gli spostamenti fino ai 30 Km, in tal caso si può

infatti affermare che ben il 91% degli utenti effettua spostamenti inferiori ai 30 Km.

41%

34%

16%

6% 2%

Composizione delle lunghezze Domenica

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90

90-100

100-110

1576 1605

712

303

9836 20 13 3 3 2 2 0 1

Distribuzione delle lunghezze Martedì




infatti affermare che ben l' 89% degli utenti effettua spostamenti inferiori ai 30 Km. Si nota inoltre

come gli spostamenti brevissimi (inferiori ai 10 km) scendono del 5% rispetto alla Domenica mentre

gli spostamenti molto brevi (inferiori ai 20 Km) crescono dei 3%.

36%

37%

16%

7% 2%

Composizione delle lunghezze Martedì

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90

90-100

100-110

1491 1502

637

287

80 32 24 13 6 3 2 1 1

Distribuzione delle lunghezze Venerdì


Si può notare come il martedì e il venerdì presentano uguale composizione e si suppone che ciò

avvenga del tutto casualmente.

36%

37%

16%

7%2%

Composizione delle lunghezze Venerdì

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90

90-100

100-110

913

732

353

202

6328 16 13 2 3 2 1 1

Distribuzione delle lunghezze Sabato




infatti affermare che ben l' 85% degli utenti effettua spostamenti inferiori ai 30 Km. Si nota inoltre

come gli spostamenti brevissimi (inferiori ai 10 km) scendono del 2% rispetto alla Domenica mentre

gli spostamenti molto brevi (inferiori ai 20 Km) scendono del 3%.

In sintesi si può dire che i tragitti corti (0-20 Km) e i tragitti lunghi (>20 Km) presentano andamenti

opposti. Nello specifico avremo che per i primi da Domenica a Sabato le percentuali presentano un

andamento decrescente (75%, 73%, 73%, 70%) mentre per i secondi, come si può intuire,

l'andamento sarà crescente.

4.3 Visitors Analysis

Nell’analisi delle statistiche dei visitatori, seppur su una mole di dati abbastanza differente

(#tragitti_residenti VS #tragitti_turisti), si è cercato di confrontare i dati per estrapolare eventuali

differenze nei comportamenti delle due categorie di soggetti considerati.

Non è stato invece possibile fare un vero confronto tra Venerdì e Sabato, poiché come visto in

precedenza il primo giorno avrà solo rilevazioni relative a metà giornata. Chiaramente questa è una

limitazione ai fini dell’analisi che stiamo facendo, ma s’è volutamente fatto così considerando più

veritiero il fatto che nel giorno precedente al week end di Pasqua, prima delle 13:00 in un giorno

lavorativo non ci sarebbero state grosse rilevazioni di visitatori (verificato poi in fase di data

preparation).

39%

31%

15%

9%2%

Composizione delle lunghezze Sabato

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90

90-100

100-110


Per tanto ci limiteremo a fare una breve illustrazione di duration – speed – length di ogni singolo

giorno, rimandando all’analisi delle fasce orarie maggiori approfondimenti.

Duration

0-30 30-60 60-90 90-120 120-150 150-180

454

7942

13 3 3

Distribuzione delle durate dei visitatori Venerdì

76%

13%

7%

2% 1%1%

Composizione delle durate dei visitatori Venerdì

0-30

30-60

60-90

90-120

120-150

150-180


Dal pie chart di Venerdì, emerge come l’ 89% degli utenti effettua spostamenti minori di 60 minuti,

suddivisi in 76% inferiori alla mezz’ora e considerando questi come i turisti che preferiscono

utilizzare mezzi alternativi come la metropolitana e quindi la durata del loro tragitto è limitata al

raggiungere le stazioni e trovare un parcheggio. Il 13% invece sarà per quei viaggi all’interno

dell’intervallo temporale che va da mezz’ora all’ora di percorrenza, questi saranno identificati come

i turisti che preferiscono muoversi in automobile ma sono rallentati dal traffico cittadino.

0-30 30-60 60-90 90-120 120-150 150-180

1395

227

11347 26 10

Distribuzione delle dei visitatori Sabato

77%

12%

6%

3% 1% 1%

Composizione delle durate dei visitatori Sabato

0-30

30-60

60-90

90-120

120-150

150-180


Il Sabato non differisce molto, variando le percentuali di un surplus dell’1% nella fascia 0 – 30 minuti,

e diminuendo sempre di un punto percentuale invece nella fascia 30 – 60 minuti.

Si può facilmente notare come le percentuali dei viaggi brevi sia schizzata in alto in confronto ai dati

dei residenti, dove avevamo rispettivamente:

Residenti Giorno Visitatori

0 – 30: 54%

30 – 60: 21% Venerdì

0 – 30: 76%

30 – 60: 13%

0 – 30: 55%

30 – 60: 19% Sabato

0 – 30: 77%

30 – 60: 12%

Ciò evidenzia ulteriormente come i turisti preferiscano non utilizzare l’automobile per muoversi in

città.

Speed

41

102

88

64

41 45

2924

3343

35

24 21

4

Distribuzione delle velocità dei visitatori Venerdì


7%

17%

15%

11%7%8%

5%

4%

5%

7%6% 4% 3%

Composizione delle velocità dei visitatori Venerdì

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90

90-100

100-110

126

290

253

180

133115

92 90102 93

124 116

66

2810

Distribuzione delle velocità dei visitatori Sabato


Dal pie chart del Venerdì emerge come il 39% dei visitatori abbia una velocità media sotto i 30Km/h,

mentre si sale fino al 57% se si considera un intervallo più largo fino al limite di velocità dei centri

urbani imposto a 50Km/h.

Anche in questo caso Sabato non differisce molto, avendo rilevazioni a velocità medie comprese fra

0 – 30 Km/h del 40%, salendo al 53% se si considera fino a 50 Km/h.


0 – 30: 59%

0 – 50: 82%

+50: 18%

Venerdì

0 – 30: 39%

0 – 50: 57%

+50: 43%

0 – 30: 61%

0 – 50: 81%

+50: 19%

Sabato

0 – 30: 40%

0 – 50: 53%

+50: 47%

Si nota subito come ci sia una grossa diminuzione delle percentuali di chi resta nei limiti di velocità

fra residenti e visitatori. Questo si suppone sia dovuto a molteplici cause, tra cui quella che i visitatori

utilizzino prevalentemente le strade esterne alla città (come si può vedere nelle Density Map) per

raggiungere quei parcheggi appena fuori dal centro urbano ma collegati da metropolitana e treni

della linea TrenoNord al centro cittadino.

7%

16%

14%

10%7%

6%5%

5%

6%

5%7%

6% 4%

1%

Composizione delle velocità dei visitatori Sabato

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90

90-100

100-110


Non si sono registrati picchi di percentuali per una determinata fascia di velocità

Length

0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80

193203

112

66

133 3 1

Distribuzione delle lunghezze dei visitatori Venerdì

32%

34%

19%

11%2%

Composizione delle lunghezze dei visitatori Venerdì

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80


Dal pie chart del Venerdì emerge come il 66% dei visitatori effettui viaggi inferiori ai 20 Km,

raggiungendo l’85% se si considerano i viaggi fino a 30 Km.

Sabato non differisce, avendo viaggi <20Km il 67% e <30Km con percentuale del 85%.

0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80 80-90

603 621

321

219

385 5 3 3

Distribuzione delle lunghezze dei visitatori Sabato

33%

34%

18%

12%2%

Composizione delle lunghezze dei visitatori Sabato

0-10

10-20

20-30

30-40

40-50

50-60

60-70

70-80

80-90



0 – 20: 73%

0 – 30: 89% Venerdì

0 – 20: 66%

0 – 30: 85%

0 – 20: 70%

0 – 30: 85% Sabato

0 – 20: 67%

0 – 30: 85%

Al contrario delle statistiche viste fino ad ora, la lunghezza dei tragitti resta invariata fra residenti e

visitatori, poiché entrambi sono influenzati da limiti di velocità e traffico. In ogni caso si registra,

come da grafico, una piccolissima diminuzione fra residenti e visitatori, talmente bassa da non

essere considerata significativa.


5. Time slot analysis

A questo punto si è deciso di entrare maggiormente nello specifico dividendo ognuno dei quattro

giorni analizzati in 8 fasce orarie come segue:

00:00 – 05:59 = Night

06:00 – 08:59 = Early Morning

09:00 – 11:59 = Morning

12:00 – 13:59 = Lunch

14:00 – 17:59 = Afternoon

18:00 – 19:59 = Early Evening

20:00 – 21:59 = Dinner

22:00 – 23:59 = Late Evening

5.1 Residents Analysis

10%

13%

15%

12%

29%

10%

8% 3%

Composizione del traffico residenti Domenica

Night

Early Morning

Morning

Lunch

Afternoon

Early Evening

Dinner

Late Evening


Fascia Numero traiettorie

Night 213

Early Morning

276

Morning 319

Lunch 261

Afternoon 603

Early Evening

199

Dinner 169

Late Evening 65


Night 715

Early Morning

750

Morning 570

Lunch 438

Afternoon 1186

Early Evening

318

Dinner 265

Late Evening 99

17%

17%

13%10%

27%

8%6% 2%

Composizione del traffico residenti Martedì

Night

Early Morning

Morning

Lunch

Afternoon

Early Evening

Dinner

Late Evening



Night 634

Early Morning

708

Morning 569

Lunch 449

Afternoon 956

Early Evening 323

Dinner 236

Late Evening 137

16%

18%

14%11%

24%

8%6% 3%

Composizione del traffico residenti Venerdì

Night

Early Morning

Morning

Lunch

Afternoon

Early Evening

Dinner

Late Evening



Night 252

Early Morning

350

Morning 351

Lunch 273

Afternoon 564

Early Evening

168

Dinner 197

Late Evening 115

Le fasce orarie così formate presentano una criticità dovuta alla differente ampiezza delle stesse. Al fine

quindi di eliminare l'influenza di questa criticità si è "normalizzato" il numero di traiettorie per fascia oraria

dividendo ciascun valore per il numero di ore che compongono la fascia oraria di riferimento. I valori così

ottenuti sono stati riepilogati nel seguente grafico a linee che evidenzia l'intensità del traffico per singola

fascia oraria.

11%

15%

16%

12%

25%

7%

9% 5%

Composizione del traffico residenti Sabato

Night

Early Morning

Morning

Lunch

Afternoon

Early Evening

Dinner

Late Evening


La tabella sottostante il grafico mostra come nella fascia Night (00:00-06:00) nelle giornate di Domenica e

Sabato si riscontrano dei picchi negativi se confrontati con gli stessi dati del Martedì e del Venerdì. Si ipotizza

pertanto che l'evidente differenza sia attribuibile al flusso dei lavoratori notturni o della primissima

mattinata, mentre Domenica e Sabato si smentisce l'ipotesi legata ai rientri notturni dalle serate mondane

Milanesi.

Una considerazione di carattere generale si può vedere come nelle giornate di Domenica e Sabato si ha

sempre un numero di viaggi medi per fasce più basse, dovuto al fatto che il numero di traiettorie nei giorni

del weekend è più basso.

Si può notare inoltre come la somma dei valori tra le fasce orarie di early morning e morning si avvicini molto

alla somma dei valori tra afternoon e early evening, per quanto riguarda i giorni lavorativi. Questo fenomeno

può essere definito come "ciclo lavorativo".

NightEarly

MorningMorning Lunch Afternoon

EarlyEvening

DinnerLate

Evening

Domenica 35,5 92 106,333333 130,5 150,75 99,5 84,5 32,5

Martedì 119,166667 250 190 219 296,5 159 132,5 49,5

Venerdì 105,666667 236 189,666667 224,5 239 161,5 118 68,5

Sabato 42 116,666667 117 136,5 141 84 98,5 57,5

0

50

100

150

200

250

300

350

Co

rse

me

die

ora

rie

pe

r fa

sce

Intesità di traffico per fasce orarie


5.2 Visitors Analysis


Night 0

Early Morning

0

Morning 0

Lunch 65

Afternoon 266

Early Evening

129

Dinner 89

Late Evening

45

0%0% 0%

11%

45%22%

15%

7%

Composizione del traffico visitatori Venerdì

Night

Early Morning

Morning

Lunch

Afternoon

Early Evening

Dinner

Late Evening



Night 164

Early Morning

307

Morning 292

Lunch 227

Afternoon 459

Early Evening

143

Dinner 146

Late Evening

80

9%

17%

16%

13%

25%

8%8%

4%

Composizione del traffico visitatori Sabato

Night

Early Morning

Morning

Lunch

Afternoon

Early Evening

Dinner

Late Evening


6. Start/End analysis

6.1 Macrozones flow analysis

Si è suddivisa l'intera area di rilevazioni :

Centro: Area geografica incastonata all'interno della cerchia dei bastioni (perimetro giallo).

Macro aree limitrofe (compreso tra il perimetro in giallo e le principali arterie stradali).

Periferie e aeroporti (area geografica esterna e a cavallo del perimetro in rosso).


Al fine di analizzare l'affluenza a queste macro aree si sono utilizzate le O/D Matrix creando un

poligono per ognuno di esse e unendo poi il tutto in un'unica tabella utilizzando la query SQL

riportata in appendice. Nello specifico ci si è concentrati sul numero di traiettorie da e verso ogni

area.


Le due O/D matrix rappresentano il Martedì e la Domenica, come si può notare per le partenze dal

centro (area scelta per la presenza dei principali punti d'interesse) i risultati ottenuti sono pressoché

equivalenti, cioè denota, ancora una volta, come non vi siano grosse differenze fra giorni festivi e

giorni feriali (eccezion fatta per il numero di traiettorie).

6.2 PO flows analysis

Da un'esplorazione specifica sui punti di maggior interesse della città di Milano si sono ritenuti quelli

di maggior affluenza i seguenti:

Po Rif. Po Rif. Piazza Duomo 1 Zona Navigli 14

Galleria Vittorio Emanuele 1 Carcere San Vittore 15

Palazzo Reale 1 Basilica Sant'Ambrogio 16

Teatro Scala 1 Università Cattolica 17

Piazza Mercanti 1 Biblioteca Ambrosiana 18

Castello sforzesco 2 Politecnico 19

Parco Sempione 3 Porta Ticinese 20

Pinacoteca Brera 4 Corso Bueno s Aires 21

Orto Botanico 5 Basilica San lorenzo 22

Stadio Giuseppe Meazza 6 Porta Romana 23

Cimitero monumentale 8 Grattacielo Pirelli 24

Università Bocconi 9 Bosco Verticale 25

Stazione Ferroviaria Centrale 10 Museo Nazionale della Scienza 26

Aereoporto Linate 11 Chiesa San Sepolcro 27

Direzione Aereoporto Malpensa 12 Galleria Arte Moderna 28

Ospedale 13


Al fine di analizzare l'affluenza a questi punti di interesse si sono utilizzate le O/D Matrix creando un

poligono per ognuno di essi e unendo poi il tutto in un'unica tabella utilizzando la query SQL

riportata in appendice. Nello specifico ci si è concentrati sul numero di traiettorie con partenza un

qualsiasi punto dell'area metropolitana e con punto di arrivo uno di questi PO.

Non tutti i PO sono presenti sulla O/D Matrix, probabilmente a causa della difficoltà nel parcheggiare

in centro, nonostante dalle density map e dai moving point emerga un alto flusso di traffico.

PO Numero di arrivi

Direzione Malpensa 158

Aeroporto Linate 49

Piazza Duomo 9

Ospedale 4

Zona Navigli 3

Corso Buenos Aires 3

Bosco Verticale 2

Stazione Centrale 1

Porta Ticinese 1

Museo Arte Moderna 1

San Vittore 1

Si tenga in considerazione tuttavia che valori riferiti ai punti di interesse denominati Direzione

Malpensa e Aeroporto Linate sono fortemente influenzati dall'effetto bordo.


A conferma di questa teoria si può annoverare anche l'assenza di cluster end nel centro storico della

città.

Questo trend viene rispettato anche nei restanti giorni analizzati (Martedì, Venerdì e Sabato) sia che

si tratti di residenti che di presunti visitatori.


7. Weather Analysis

Come analisi finale si è deciso di considerare il meteo che tipicamente influenza in larga maniera il

traffico di una città metropolitana come Milano, effettuando così un’analisi multidimensionale

considerando esso in relazione al numero di traiettorie per ogni fascia oraria (in questo caso

considerando ora per ora).

Le condizioni metereologiche riscontrate durante la settimana possono appartenere ad una delle

seguenti categorie riportate in tabella:

Eventi Metereologici Sereno Molto Nuvoloso Pioggia Leggera

Nubi Sparse Foschia Pioggia Forte

Parzialmente Nuvoloso Nebbia Temporale

Qui di seguito il resoconto settimanale sul meteo cittadino diviso per fascia oraria, il quale ci permetterà di individuare i giorni che spiccano e quindi da analizzare più approfonditamente.

Dom Lun Mar Mer Gio Ven Sab

23:30 - 00:59

Pioggia leggera

Molto Nuvoloso

Parzialmente nuvoloso

Nubi sparse

Molto nuvoloso

Sereno Sereno

01:00 - 01:59

Pioggia leggera

Molto Nuvoloso

Sereno Nubi

sparse Molto

nuvoloso Sereno Sereno

02:00 - 02:59

Pioggia leggera

Molto Nuvoloso

Sereno Pioggia Leggera

Molto nuvoloso

Sereno Sereno

03:00 - 03:59

Pioggia leggera

Molto Nuvoloso

Sereno Pioggia Leggera

Molto nuvoloso

Sereno Sereno

04:00 - 04:59

Pioggia leggera

Nubi Sparse Nebbia Pioggia Leggera

Molto nuvoloso

Sereno Sereno

05:00 - 05:59

Pioggia leggera

Molto Nuvoloso

Nebbia Pioggia Leggera

Molto nuvoloso

Sereno Nebbia

06:00 - 06:59

Pioggia leggera



Sereno Nebbia

07:00 - 07:59

Pioggia leggera



Sereno Nebbia

08:00 - 08:59

Pioggia leggera

Sereno Nubi Sparse Pioggia Leggera

Nubi sparse Foschia Sereno

09:00 - 09:59

Coperto Sereno Nubi Sparse Molto

Nuvoloso Nubi sparse Sereno Sereno

10:00 - 10:59

Molto Nuvoloso

Sereno Nubi Sparse Molto

nuvoloso Nubi sparse Sereno Sereno


11:00 - 11:59

Nubi sparse


Nubi Sparse Molto

nuvoloso Nubi sparse Sereno Sereno

12:00 - 12:59

Nubi sparse

Nubi Sparse Nubi Sparse Molto

nuvoloso Parzialmente


13:00- 13:59

Nubi sparse


nuvoloso Parzialmente


14:00 - 14:59

Nubi sparse


nuvoloso Nubi sparse Foschia Sereno

15:00 - 15:59

Nubi sparse

Nubi Sparse Nubi Sparse Nubi

sparse Parzialmente


16:00 - 16:59

Nubi sparse


sparse Parzialmente


17:00 - 17:59

Nubi sparse


sparse Parzialmente


18:00 - 18:59

Coperto Parzialmente

nuvoloso Nubi Sparse

Nubi sparse


Sereno Sereno

19:00 - 19:59

Pioggia Leggera


sparse Parzialmente

nuvoloso Sereno


20:00 - 20:59

Pioggia Leggera

Nubi Sparse Temporali Nubi

sparse Parzialmente

nuvoloso Foschia


21:00 - 21:59

Pioggia Leggera

Sereno Nubi Sparse Nubi

sparse Sereno Sereno Sereno

22:00 - 22:59

Molto Nuvoloso

Sereno Nubi Sparse Sereno Sereno Sereno Sereno

23:00 - 00:30

Molto Nuvoloso

Sereno Nubi Sparse Nubi

sparse Sereno Sereno Sereno

Dalla precedente tabella si è deciso di prendere in considerazione per ulteriori analisi Martedì e

Venerdì. Questa scelta è frutto delle seguenti considerazioni:

Mercoledì: nonostante sia un giorno in cui piove dalle 2 alle 9 della mattina e quindi

interessante, s’è considerato invece il Martedì seppur privo di precipitazioni ma in cui sono

presenti fenomeni di nebbia fin dalla mattina e cielo nuvoloso fino a sera (alle 20 c’è il

temporale), condizioni che potrebbero spingere l’automobilista a muoversi in macchina

anziché con altri mezzi.

Domenica: anche in questo caso nonostante la presenza di diverse precipitazioni, non si è

potuto considerarla a causa della differenza di traiettorie fra giorni festivi (week end e giorni

pre-pasquali) e feriali che potrebbe non rendere pesato un eventuale confronto (es: la

Domenica con Martedì). Inoltre essendo il traffico del Sabato caratterizzato dal fatto che il

giorno dopo è Pasqua, c’è il rischio di non rendere l’analisi veritiera essendoci traiettorie

influenzate dalla festività. Per cui la Domenica è stata scartata.

Scegliamo quindi Martedì come giorno feriale in cui il meteo è avverso e si può supporre che gli

abitanti preferiscano usare l’automobile, e il Venerdì dove invece avremo prevalenza di cielo sereno

tutto il giorno. Sono stati scelti appositamente entrambi i giorni come feriali per avere omogeneità

nell’analisi.


Come si può notare dalla tabella, i due estremi delle fasce orarie sono 23:30 – 00:59 e 23:00 – 00:30

anziché 00:00 – 00:59 e 23:00 – 23:59, poiché come già detto in precedenza si sono considerati per

ogni giorno anche le traiettorie con inizio/fine nella mezz’ora precedente/antecedente il giorno

considerato, così da poter avere anche le traiettorie a cavallo di diversi giorni.

7.1 Analysis specific days

Nel grafico è riportato il numero delle traiettorie per ogni fascia oraria dei giorni analizzati, che

verranno confrontati con il valore medio settimanale di occorrenze per la medesima fascia.

(La tabella con i relativi valori è stata riportata nel paragrafo 7.2)

Il trend generico segue l’andamento previsto con picchi di traffico negli orari mattutini e pomeridiani

coincidenti con l’andata e il ritorno da lavoro, e abbassamento delle stesse negli orari notturni e di

ufficio.

Nello specifico si può rilevare una lieve influenza da parte del meteo sul numero di traiettorie,

notando come il Martedì sia spesso superiore al Venerdì, soprattutto nelle fasce 05:00 – 05:59 e

0

50

100

150

200

250

300

350

400

450

Martedì Venerdì Media Settimanale


16:00 – 16:59 dove avvengono dei picchi probabilmente a causa della nebbia e nuvole sparse il

Martedì e del cielo sempre sereno il Venerdì.

In merito al valore medio settimanale, si nota subito come il Martedì abbia un andamento molto

simile ad esso mentre il Venerdì si aggira sempre su valori più bassi. Questo è dovuto anche al fatto

che in una settimana che presenta un clima sempre incerto, nell’unico giorno in cui è presente

interamente cielo sereno, il tasso di utilizzo dell’automobile scende drasticamente.

7.1.1 Martedì

Nell’arco della giornata si registrano temperature massime di 19° dalle 15 alle 17, mentre le minime saranno nelle prime ore del mattino con 7°.

In merito alle condizioni atmosferiche, le temperature sono salite nel momento in cui è scesa la nebbia e sono ri-scese alle 20 quando è scoppiato il temporale.

L’umidità è stata registrata con un massimo di 96.5% e un minimo di 54%.

I picchi massimi sono in concomitanza anch’essi della nebbia, e “casualmente” scendono con il calare della stessa.

0,02,04,06,08,0

10,012,014,016,018,020,0

23

:30

- 0

0:5

90

1:0

0 -

01

:59

02

:00

- 0

2:5

90

3:0

0 -

03

:59

04

:00

- 0

4:5

90

5:0

0 -

05

:59

06

:00

- 0

6:5

90

7:0

0 -

07

:59

08

:00

- 0

8:5

90

9:0

0 -

09

:59

10

:00

- 1

0:5

91

1:0

0 -

11

:59

12

:00

- 1

2:5

91

3:0

0-

13

:59

14

:00

- 1

4:5

91

5:0

0 -

15

:59

16

:00

- 1

6:5

91

7:0

0 -

17

:59

18

:00

- 1

8:5

91

9:0

0 -

19

:59

20

:00

- 2

0:5

92

1:0

0 -

21

:59

22

:00

- 2

2:5

92

3:0

0 -

00

:30

Temperatura

0,0

20,0

40,0

60,0

80,0

100,0

120,0

23

:30

- 0

0:5

90

1:0

0 -

01

:59

02

:00

- 0

2:5

90

3:0

0 -

03

:59

04

:00

- 0

4:5

90

5:0

0 -

05

:59

06

:00

- 0

6:5

90

7:0

0 -

07

:59

08

:00

- 0

8:5

90

9:0

0 -

09

:59

10

:00

- 1

0:5

91

1:0

0 -

11

:59

12

:00

- 1

2:5

91

3:0

0-

13

:59

14

:00

- 1

4:5

91

5:0

0 -

15

:59

16

:00

- 1

6:5

91

7:0

0 -

17

:59

18

:00

- 1

8:5

91

9:0

0 -

19

:59

20

:00

- 2

0:5

92

1:0

0 -

21

:59

22

:00

- 2

2:5

92

3:0

0 -

00

:30

Umidità


A confermare ciò che è stato detto per i due grafici precedenti, la visibilità sarà minima (fino a 2.5 Km) durante la nebbia.

7.1.2 Venerdì

Le temperature si aggireranno da un massimo di 21° ad un minimo di 7° nelle ore della prima mattina.

L’umidità avrà un picco di 100% nella fascia 04:00 – 04:59, mentre un minimo nelle ore pomeridiane del 46%.

0,0

5,0

10,0

15,0

20,0

25,0

23

:30

- 0

0:5

90

1:0

0 -

01

:59

02

:00

- 0

2:5

90

3:0

0 -

03

:59

04

:00

- 0

4:5

90

5:0

0 -

05

:59

06

:00

- 0

6:5

90

7:0

0 -

07

:59

08

:00

- 0

8:5

90

9:0

0 -

09

:59

10

:00

- 1

0:5

91

1:0

0 -

11

:59

12

:00

- 1

2:5

91

3:0

0-

13

:59

14

:00

- 1

4:5

91

5:0

0 -

15

:59

16

:00

- 1

6:5

91

7:0

0 -

17

:59

18

:00

- 1

8:5

91

9:0

0 -

19

:59

20

:00

- 2

0:5

92

1:0

0 -

21

:59

22

:00

- 2

2:5

92

3:0

0 -

00

:30

Temperatura

0,0

20,0

40,0

60,0

80,0

100,0

120,0

23

:30

- 0

0:5

90

1:0

0 -

01

:59

02

:00

- 0

2:5

90

3:0

0 -

03

:59

04

:00

- 0

4:5

90

5:0

0 -

05

:59

06

:00

- 0

6:5

90

7:0

0 -

07

:59

08

:00

- 0

8:5

90

9:0

0 -

09

:59

10

:00

- 1

0:5

91

1:0

0 -

11

:59

12

:00

- 1

2:5

91

3:0

0-

13

:59

14

:00

- 1

4:5

91

5:0

0 -

15

:59

16

:00

- 1

6:5

91

7:0

0 -

17

:59

18

:00

- 1

8:5

91

9:0

0 -

19

:59

20

:00

- 2

0:5

92

1:0

0 -

21

:59

22

:00

- 2

2:5

92

3:0

0 -

00

:30

Umidità

0,02,04,06,08,0

10,012,014,016,0

23

:30

- 0

0:5

90

1:0

0 -

01

:59

02

:00

- 0

2:5

90

3:0

0 -

03

:59

04

:00

- 0

4:5

90

5:0

0 -

05

:59

06

:00

- 0

6:5

90

7:0

0 -

07

:59

08

:00

- 0

8:5

90

9:0

0 -

09

:59

10

:00

- 1

0:5

91

1:0

0 -

11

:59

12

:00

- 1

2:5

91

3:0

0-

13

:59

14

:00

- 1

4:5

91

5:0

0 -

15

:59

16

:00

- 1

6:5

91

7:0

0 -

17

:59

18

:00

- 1

8:5

91

9:0

0 -

19

:59

20

:00

- 2

0:5

92

1:0

0 -

21

:59

22

:00

- 2

2:5

92

3:0

0 -

00

:30

Visibilità


I dati sulla visibilità evidenziano un errore da parte dell’ente che ha effettuato la rilevazione, visto che in condizioni di cielo sereno la visibilità è molto bassa rispetto a quanto atteso.

7.2 Traffic flow analysis in the different city’s areas

FASCIA Martedì Venerdì Media settimanale

23:30 - 00:59 49 78 36 01:00 - 01:59 13 15 22 02:00 - 02:59 21 18 87 03:00 - 03:59 72 70 66 04:00 - 04:59 167 161 162 05:00 - 05:59 398 (Nebbia) 332 (Sereno) 333 06:00 - 06:59 341 (Nebbia) 326 (Sereno) 333 07:00 - 07:59 221 (Nebbia) 208 (Sereno) 232 08:00 - 08:59 184 (Nubi Sparse) 166 (Foschia) 198 09:00 - 09:59 153 (Nubi Sparse) 156 (Sereno) 185 10:00 - 10:59 201 205 238 11:00 - 11:59 208 200 226 12:00 - 12:59 237 225 248 13:00- 13:59 196 220 227 14:00 - 14:59 233 218 256 15:00 - 15:59 304 (Nubi Sparse) 254 (Sereno) 322 16:00 - 16:59 326 (Nubi Sparse) 239 (Sereno) 319 17:00 - 17:59 298 (Nubi Sparse) 235 (Sereno) 311 18:00 - 18:59 185 (Nubi Sparse) 171 (Sereno) 213 19:00 - 19:59 128 (Nubi Sparse) 150 (Sereno) 159 20:00 - 20:59 136 (Nubi Sparse) 134 148 21:00 - 21:59 128 102 131 22:00 - 22:59 67 74 71 23:00 - 00:30 37 80 43

0,0

2,0

4,0

6,0

8,0

10,0

12,02

3:3

0 -

00

:59

01

:00

- 0

1:5

90

2:0

0 -

02

:59

03

:00

- 0

3:5

90

4:0

0 -

04

:59

05

:00

- 0

5:5

90

6:0

0 -

06

:59

07

:00

- 0

7:5

90

8:0

0 -

08

:59

09

:00

- 0

9:5

91

0:0

0 -

10

:59

11

:00

- 1

1:5

91

2:0

0 -

12

:59

13

:00

- 1

3:5

91

4:0

0 -

14

:59

15

:00

- 1

5:5

91

6:0

0 -

16

:59

17

:00

- 1

7:5

91

8:0

0 -

18

:59

19

:00

- 1

9:5

92

0:0

0 -

20

:59

21

:00

- 2

1:5

92

2:0

0 -

22

:59

23

:00

- 0

0:3

0

Visibilità


Si è deciso per il proseguo delle prossime analisi di considerare nello specifico due “cluster”: mattina

– andando al lavoro e pomeriggio – ritorno dal lavoro.

Questa scelta è stata frutto sia delle considerazioni sul flusso fatte fino ad ora nel corso della

relazione (le due fasce quasi si equivalgono) e anche perché la somma dei singoli elementi era la

maggiore se presi insieme.

Di seguito le density map delle 10 fasce orarie considerate messe a confronto per analizzare in primis

se ci sono zone specifiche in cui il traffico è maggiore, ed in secondo luogo se le condizioni

metereologiche hanno influenzato il primo punto.

Mattina


Partendo da una considerazione analitica, si può osservare dalla tabella iniziale come il Martedì

giorno identificato come soggetto a condizioni atmosferiche cattive fin dalla mattina, abbia sempre

maggiori traiettorie (tranne nella fascia 09:00 – 09:59) rispetto al Venerdì.

A livello specifico, possiamo osservare come nella prima fascia oraria (05:00 - 05:59) ci sia

abbastanza omogeneità nella densità delle varie zone cittadine. Già però nella fascia 06:00 – 06:59


possiamo notare come il martedì abbia maggiori traiettorie nella zona del centro città, mentre il

venerdì spicca per il traffico lungo le strade che seguono il confine metropolitano della città.

Nella fascia 07:00 – 07:59 possiamo notare lo stesso comportamento visto nella precedente fascia

per quello che riguarda il martedì.

La fascia 08:00 – 08:59 evidenzia come il venerdì la zona sud-est di Milano sia molto meno trafficata

rispetto a quella di martedì.

Dalle 09:00 alle 9:59 non si registrano differenze sostanziali.

In generale le autostrade (le arterie esterne alla città) sono mediamente più trafficate il martedì

rispetto al venerdì, frutto anche delle condizioni atmosferiche che sicuramente hanno intimorito i

lavoratori che arrivano da fuori città.

Pomeriggio


In questo caso, a livello analitico, c’è una enorme differenza nel numero di traiettorie di martedì e

venerdì. Possiamo anche notare come i tragitti del venerdì siano abbastanza inferiori anche rispetto

ai valori medi settimanali.

A livello specifico, possiamo osservare come nella fascia del primo pomeriggio (15:00 – 15:59) si

presentino due situazioni diverse: il martedì avremo maggiore traffico nel centro città, nella


periferia nord-est e sul perimetro cittadino nella parte sud-est; il venerdì invece avremo maggiore

traffico nel perimetro cittadino nord-ovest.

Alle 16:00 – 16:59 l’unica differenza sostanziale si registra nella zona sud del centro dove il martedì

c’è più traffico.

Le fasce 17:00 – 17:59 & 18:00 – 18:59 sono accomunate dallo stesso trend, infatti il martedì avremo

più traffico in centro e verso gli snodi autostradali nord, mentre il venerdì ci sarà traffico in aumento

verso gli nodi autostradali sud.

Infine si può notare come già dalle 19 il traffico subisca un rapido abbassamento dei flussi,

soprattutto il venerdì dove si può ipotizzare che essendo il pre-festivo del week end di Pasqua, i

milanesi si siano mossi con mezzi alternativi per raggiungere le loro destinazioni.

In entrambi i cluster di fasce orarie, non c’è stata influenza di alcun evento cittadino, poiché si può

notare come il martedì giorno ad esempio di Milan – Bayer Monaco (ottavi di finale di Champions

League) nonostante la partita inizi alle 20:45 e i cancelli dello stadio siano aperti dalle 17, non si è

registrato un incremento del traffico in direzione ovest dove è situato lo stadio Meazza.

7.3 Traffic flow analysis towards the airport

L’analisi è stata condotta sul flusso del traffico nelle immediate vicinanze dell’aeroporto di Linate.

Nello specifico l’analisi si è concentrata sul confronto tra il numero di traiettorie medio della settima

con partenza dall’aeroporto e con destinazione l’aeroporto e il numero di traiettorie sempre con

partenza e destinazione dall’aeroporto nelle giornate di Martedì e Venerdì. Le fasce orarie

interessate a quest’analisi sono esattamente 10, nello specifico dalle 5 alle 10 del mattino e dalle 15

alle 20.

Nei seguenti grafici si riporta sull’asse delle ordinate il numero di traiettorie rispettivamente con

partenza da Linate e con arrivo a Linate, mentre sull’asse delle ascisse le fasce orarie di riferimento.


I grafici mettono in evidenza come:

Nella giornata di Martedì vi sia un picco di traiettorie in partenza dall’aeroporto tra le 15:00

e le 18:00 (valore quasi doppio rispetto alla media). Ipotesi plausibile è che questo picco di

partenze dall’aeroporto possa essere legato alle cattive condizioni climatiche e al Big Match

Milan–Bayern Monaco tenutosi allo stadio Meazza in San Siro qualche ora più tardi.

Nella giornata sempre di Martedì si registri un picco di traiettorie in arrivo dall’aeroporto tra

le 08:00 e le 10:00 del mattino (anche qui con valori quasi doppi rispetto alla media).

0

2

4

6

8

10

12

14

16

18

05

:00

- 05

:59

06

:00

- 06

:59

07

:00

- 07

:59

08

:00

- 08

:59

09

:00

- 09

:59

15

:00

- 15

:59

16

:00

- 16

:59

17

:00

- 17

:59

18

:00

- 18

:59

19

:00

- 19

:59

Partenze da Linate

Martedì start

Venerdì start

AVG week start

0

2

4

6

8

10

12

14

16

18

05

:00

- 05

:59

06

:00

- 06

:59

07

:00

- 07

:59

08

:00

- 08

:59

09

:00

- 09

:59

15

:00

- 15

:59

16

:00

- 16

:59

17

:00

- 17

:59

18

:00

- 18

:59

19

:00

- 19

:59

Arrivi a Linate

Martedì end

Venerdì end

AVG week end


Nella giornata di Venerdì vi sia un picco negativo di traiettorie in partenza dall’aeroporto tra

le 08:00 e le 10:00 (valori dimezzati rispetto alla media settimanale).

Nella giornata di Venerdì si registra un traffico in partenza dall’aeroporto leggermente al di

sotto della media tra le 15:00 e le 17:00.

Nella giornata di Venerdì si registra un traffico in arrivo all’aeroporto leggermente al di sotto

della media tra le 08:00 e le 10:00 e tra le 17:00 e le 19:00.

Nel complesso pare quindi che i flussi di traffico registrati nella giornata di Venerdì presentino un

andamento nettamente più regolare rispetto a quelli registrati nella giornata di Martedì. L’ipotesi

plausibile è che questo aspetto sia in qualche misura legato alle avverse condizioni climatiche di

Martedì e all’evento sportivo di interesse mondiale appena citato. L’analisi precedente ha tuttavia

evidenziato come l’area adiacente lo stadio non presenti un’importante variazione nel flusso del

traffico nelle ore precedenti alla partita L’ipotesi più plausibile rimane quindi quella che prevede il

fatto che i tifosi accorsi per la partita abbiano parcheggiato nelle periferie e raggiunto lo stadio in

Metro.


Conclusions

È emerso come il centro della città sia fortemente caratterizzato da un flusso di traffico molto

intenso ma principalmente composto da traiettorie di passaggio.

Risultano negate le aspettative connesse alla diminuzione fisiologica del traffico nel weekend, la

velocità media, per esempio, non cresce in maniera significativa e si registra un aumento nelle

lunghezze medie dei tragitti etichettati come corti.

Si evidenzia un notevole incremento, che si attesta intorno al 20%, nell’incidenza dei percorsi di

breve durata nei visitatori rispetto ai residenti. Emerge inoltre una differenza nell’incidenza che si

attesta tra il 5 e il 10% nella composizione delle velocità tra visitatori e residenti, in altre parole i

visitatori tendono ad andare più lentamente. Si può quindi concludere che questi ultimi preferiscono

non utilizzare la propria auto per sportarsi a Milano e preferiscono parcheggiare nelle periferie e

utilizzare mezzi alternativi per spostarsi, come la metro e la compagnia ferroviaria TrenoNord.

Contrariamente a quanto avviene con le durate e le velocità, le lunghezze dei percorsi non

presentano significative differenze tra visitatori e residenti.

Il flusso di traffico risulta sempre inferiore nel weekend rispetto ai giorni lavorativi in ogni fascia

oraria considerata.

I punti di interesse infine non vengono quasi mai raggiunti in auto, queste ultime due considerazione

valgono indifferentemente per visitatori e residenti.

Per quel che riguarda il meteo emerge come, contrariamente a quanto si possa pensare, esso

provochi un incremento nel flusso di traffico nelle principali arterie autostradali che delimitano

l’area metropolitana e l’area adiacente all’aeroporto di Linate. Per Maggiori dettagli su questi

aspetti si rimanda ai paragrafi 7.2 e 7.3

Software & tools

Per la realizzazione di questo studio sono state impiegate diverse tecnologie, alcune tipiche

nell’ambito dei Big data come Hive su una macchina virtuale Cloudera, altre tipiche di data mining

come Knime, e altre ancora tipiche dello studio della mobility come M-atlas a cui si accompagna

pgAdmin III, oltre ad Excel per quanto riguarda i grafici qui riportati.


SQL Query

Hive SQL Query Data Preparation

//crea la tabella che ospita il dataset completo

CREATE TABLE final_dataset_milano_bda

(

user_id string,

data timestamp,

lat double,

lon double,

day_of_week string,

fasce_orarie string

)

// trova i minimi e i massimi di lat lon e data

Select min (lat)as min_lat, max(lat)as max_lat, min(lon) as min_lon, max (lon)

as max_lon, min(data) as min_data, max(data) as max_data

From final_dataset_milano_bda

// mappa le coordinate geometriche su matlas

SELECT user_id,st_setsrid(st_makepoint(lon,lat),4326) AS p

From public.final_dataset_milano_bda

//distribuzione dei punti per user_id

Select user_id, count(user_id) AS n_point


Group by user_id

Order by n_point Desc

//crea la tabella che contiene tutti gli id con più di 200 rilevazioni

settimanali

CREATE TABLE filter_1_dataset_milano_bda

(

user_id string,

n_point int

)

//inserisce dentro la tabella appena creata tutti gli user_id con almeno 200

rilevazioni settimanali

insert into table filter_1_dataset_milano_bda



Group by user_id

having count(user_id)>200;


// crea la tabella che ospiterà tutti i rilevamenti di martedì (per il venerdì,

il sabato e la domenica basta cambiare il giorno)

CREATE TABLE martedi_milano_bda

(

user_id string,

data timestamp,

lat double,

lon double,

day_of_week string,

fasce_orarie string

)

// inserisce tutti i punti del martedì considerando la mezzora del giorno prima

e la mezzora del giorno dopo (per il venerdì basta modificare il giorno)

Insert into table martedi_milano_bda

Select *


where day_of_week='Martedi' and final_dataset_milano_bda.user_id in

(

Select user_id

From filter_1_dataset_milano_bda

)

union all

Select *


where (data >'2007-04-02 23:30:00' and data <'2007-04-02 23:59:59')and

final_dataset_milano_bda.user_id in

(

Select user_id


)

union all

Select *


where data >'2007-04-04 00:00:00' and data < '2007-04-04 00:30:00' and


(

Select user_id


)


// inserisce tutti i punti della domenica considerando la mezzora del giorno

dopo

Insert into table domenica_milano_bda

Select *


where day_of_week='Domenica' and final_dataset_milano_bda.user_id in

(

Select user_id


)

union all

Select *


where data >'2007-04-02 00:00:00' and data < '2007-04-02 00:30:00' and


(

Select user_id


)

// inserisce tutti i punti del sabato considerando la mezzora del giorno prima

Insert into table sabato_milano_bda

Select *


where day_of_week='Sabato' and user_id in

(

Select user_id


)

union all

Select *


where (data >'2007-04-06 23:30:00' and data <'2007-04-06 23:59:59')and

user_id in

(

Select user_id


)

//crea i moving point della domenica (

CREATE OBJECT trajectories_table_domenica_bda AS BUILD MOVING_POINT

FROM (

select user_id, lon,lat, data

from filter2_domenica_milano_bda

order by user_id, data

)

WHERE

MOVING_POINT.MAX_TIME_GAP=3600


//crea la tabella contenente tutti i rilevamenti dalle 13:00 di Venerdì fino

alla mezzanotte di sabato

CREATE TABLE ven_sab_milano_bda

(

user_id string,

data timestamp,

lat double,

lon double,

day_of_week string,

fasce_orarie string

)

//sequenza di query per determinare i visitatori

CREATE TABLE aux_bda

(

user_id string,

n_point int

)

truncate table aux_bda;

insert into aux_bda



Where data>'2007-04-02 00:00:00' and data <'2007-04-06 12:59:59'

Group by user_id

insert into ven_sab_milano_bda

select *

from final_dataset_milano_bda

where data>'2007-04-06 13:00:00' and data <'2007-04-07 23:59:59'

Create Table visitors

(

user_id string,

data timestamp,

lat double,

lon double,

day_of_week string,

fasce_orarie string

)

Insert Into visitors

select *

from ven_sab_milano_bda

where ven_sab_milano_bda.user_id not in

(

select user_id

from aux_bda

)


pgAdmin III SQL Query

//crea la tabella delle statistiche modificate

Create Table stat_filter_domenica_bda

(

id text,

time_start timestamp without time zone,

average_speed numeric,

length numeric,

duration numeric

)

Delete from stat_filter_domenica_bda

Where average_speed<5

Delete from stat_filter_domenica_bda

Where average_speed<20 and duration >180

//elimina gli id ripuliti

Delete from trajectories_table_domenica_bda

Where id not in

(

Select id

from stat_filter_domenica_bda

)

//unione delle zone per la od_matrix

Insert Into public.zone_milano

(

Select *

from centro_milano

union all

Select *

from mobility_grid_small

union all

Select *

from aeroporto_linate

union all

Select *

from cimitero_monumentale

union all

Select *

from direzione_malpensa

union all

Select *

from navigli


union all

Select *

from periferia_est1

union all

Select *

from periferia_est2

union all

Select *

from periferia_nord

union all

Select *

from periferia_ovest

union all

Select *

from periferia_sud

union all

Select *

from piazza_vittoria

union all

Select *

from porta_romana

union all

Select *

from san_siro

union all

Select *

from statione_centrale

union all

Select *

from viale_certosa

union all

Select *

from zona_fiera

)


//crea la tabella da cui avere i moving point dei residenti di sabato (matlas

non permette il not in)

CREATE TABLE public.sab_res_bda

(

user_id text,

data timestamp without time zone,

lat numeric,

lon numeric,

day_of_week text,

fasce_orarie text

)

Insert into sab_res_bda

(

select user_id, data, lat, lon, day_of_week, fasce_orarie

from filter2_sabato_milano_bda

WHERE user_id not in

(

select user_id

from visitors

)


//crea i moving moving point dei residenti di sabato (per i residenti del

venerdi prima e dopo le 13 basta cambiare il nome della tabella dal from)

CREATE OBJECT trajectories_table_sab_res_bda AS BUILD MOVING_POINT

FROM (


from sab_res_bda


)

WHERE


// crea la tabella contenente i punti dei residenti prima delle 13 di venerdì

CREATE TABLE public.ven_res_bda

(

user_id text,


lat numeric,

lon numeric,

day_of_week text,

fasce_orarie text

)

//inserisce i punti dei residenti del venerdi prima delle 13:00

Insert into ven_res_bda

(


from filter2_venerdi_milano_bda

WHERE data<'2007-04-06 13:00' and user_id in

(

Select user_id

From aux_bda

)


)


// crea la tabella contenente i punti dei residenti dopo le 13 di venerdì

CREATE TABLE public.ven2_res_bda

(

user_id text,


lat numeric,

lon numeric,

day_of_week text,

fasce_orarie text

)

//iserisce i punti dei residenti del venerdi dopo le 13:00

Insert into ven2_res_bda

(


from filter2_venerdi_milano_bda

WHERE data>'2007-04-06 13:00' and user_id not in

(

Select user_id

From visitors

)


)

//crea la tabella che contiene i residenti sia prima che dopo le 13 di venerdi

CREATE TABLE public.all_ven_res_bda

(

user_id text,


lat numeric,

lon numeric,

day_of_week text,

fasce_orarie text

)

//la riempie semplicemente dalla union all

Insert into all_ven_res_bda

(

Select *

from ven_res_bda

union all

select *

from ven2_res_bda

)

//crea i moving point di sabato e venerdi dei visitatori

CREATE OBJECT trajectories_table_ven_vis_bda AS BUILD MOVING_POINT

FROM (


from visitors

where day_of_week='Venerdi'


)

WHERE



//conta le righe per fasce orarie così da ottenere la composizione del traffico

per un giorno

Select count (*)

from stat_filter_domenica_bda

where time_start between '2007-04-01 22:00:00' and '2007-04-01 23:59:59'

//union dei punti di interesse

Insert Into public.od_matrix_centro

(

Select *

from piazza_duomo

union all

Select *

from parco_sempione

union all

Select *

from pinacoteca_brera

union all

Select *

from zona_san_siro

union all

Select *

from cimitero_monumentale

union all

Select *

from bocconi

union all

Select *

from zona_ospedale

union all

Select *

from aeroporto

union all

Select *

from cattolica

union all

Select *

from sant_ambrogio

union all

Select *

from san_vittore


union all

Select *

from biblioteca_ambrosiana

union all

Select *

from navigli

union all

Select *

from porta_ticinese

union all

Select *

from corso_buenos_aires

union all

Select *

from piazza_romana

union all

Select *

from pirellone

union all

Select *

from stazione_centrale

union all

Select *

from bosco_verticale

union all

Select *

from museo_nazionale_della_scienza

union all

Select *

from museo_arte_moderna

union all

Select *

from basilica_san_lorenzo

union all

Select *

from unicredit

union all

Select *


from san_babila

union all

Select *

from direzione_malpensa

)

//conta il numero di traiettorie per ora

select count(case when time_start >'2007-04-06 22:00' and time_start< '2007-04-

06 22:59' then 1 end) as prova

from stat_filter_venerdi_res_bda

//crea i MV per singola ora

CREATE OBJECT trajectories_table_mart_1 AS BUILD MOVING_POINT

FROM (


from filter2_martedi_milano_bda

where data >='2007-04-03 05:00' and data <= '2007-04-03 05:59'


)

WHERE


//crea la tabella che contiene i rilevamenti splittati nell'ora della settimana

CREATE TABLE public.settima_over_200_split

(

user_id text,


lat numeric,

lon numeric,

day_of_week text,

fasce_orarie text,

ora time without time zone

)

//crea i moving point della settimana nelle 10 fasce orarie analizzare

CREATE OBJECT trajectories_table_settima_1 AS BUILD MOVING_POINT

FROM (


from settima_over_200_split

where ora >='05:00' and ora <='05:59'


)

WHERE


multidimensional analysis of milano mobility

Technology