Functional-on-functional linear models for the analysis of sharing mobility in the city of Milan

The study of mobility in a city is a complex and ever-present problem. Sharing mobility is halfway between public and private mobility, thus it represents the key to track movements taking place in different areas of the city. People produce a great amount and variety of data which can be analysed with different methodologies. There are a lot of researches about mobility that differ both in the type of data considered, and, above all, in the techniques used to get information from the data. Since a mobility datum is clearly time dependent, Functional Data Analysis (FDA) is a natural technique to study this kind of datum. In this context, we propose to apply the FDA to the shared mobility data of the city of Milan. The purpose of this work is to build a model for functional data, which explains the dynamics of shared mobility in the various areas of Milan (NIL, Nuclei di Identità Locali), taking advantage of the external factors that may affect them. The available data are information about the trips made by the users of two different mobility services: bike sharing and car sharing. The results of this work allow to visualize the spatio-temporal patterns drawn by users that move around the city at different times of the day, taking into consideration factors such as weather conditions and day of the week. It is possible to visualize these results by means of an interactive web application, that can simultaneously take into account space, time and external factors.

Lo studio della mobilità in una città è un problema complesso e sempre attuale. La mobilità condivisa si colloca a metà tra quella pubblica e quella privata, rappresentando così il punto chiave per tener traccia dei movimenti che avvengono nelle varie zone della città. Le persone producono muovendosi una grande quantità e varietà di dati, i quali si prestano ad essere analizzati con diverse metodologie. Le ricerche condotte nel settore mobilità sono infatti molteplici e si differenziano sia per il tipo di dato studiato che, soprattutto, per le tecniche utilizzate per trarre informazioni dai dati. Dal momento che un dato che parla di mobilità è chiaramente dipendente dal tempo, la Functional Data Analysis (FDA) è quella tecnica che meglio si adatta per il suo studio. Inserendoci in questo contesto, proponiamo di applicare la FDA ai dati sulla mobilità condivisa della città di Milano. Lo scopo di questo lavoro è quello di costruire un modello per dati funzionali, capace di spiegare le dinamiche della mobilità condivisa nelle diverse zone di Milano (i NIL, Nuclei di Identità Locale), attraverso i fattori esterni che possono influenzarle. I dati che abbiamo a disposizione sono le informazioni riguardanti gli spostamenti compiuti dagli utenti di due diversi servizi di mobilità condivisa: bike sharing e car sharing. I risultati di questo lavoro permettono di visualizzare i patterns spazio-temporali tracciati dagli utenti che si muovono nelle varie zone della città, in momenti diversi della giornata, tenendo conto di fattori quali le condizioni meteorologiche e il giorno delle settimana. La visualizzazione di tali risultati è resa possibile da un'applicazione web interattiva, in grado di tener conto contemporaneamente di spazio, tempo e fattori esterni.