Assessing mobility policies a priori: a change detection methodology using traffic simulation

Defining effective mobility policies in large urban areas, especially in contexts that interact with major logistics hubs such as ports, requires answering two fundamental questions: which interventions will lead to measurable improvements in traffic conditions and how quickly those improvements will be observed. This thesis proposes a proactive evaluation framework that integrates microscopic traffic simulation with a nonparametric sequential change detection algorithm called QT-EWMA. First, high-fidelity simulations produce both baseline and post-policy traffic datasets that record multivariate metrics such as vehicle counts and speeds under realistic conditions. Next, an adaptive QuantTree histogram built from baseline data provides a distribution-free reference model for monitoring. Finally, the QT-EWMA procedure continuously analyzes incoming simulated measurements to identify statistically significant deviations and to estimate the number of days of monitoring required to detect policy-induced changes at a controlled false-alarm rate. Experiments set in a Genova port-city scenario evaluate a range of candidate policies, including traffic-signal retiming and adaptive traffic light management, under weekday, weekend and mixed traffic profiles. The results show that major infrastructural interventions produce detectable improvements within a few days of monitoring, while more subtle operational adjustments require longer observation periods. Detection delay is inversely related to intervention magnitude and is influenced by natural traffic variability. By quantifying both the efficacy and the time to impact of proposed mobility policies, this methodology offers urban planners a virtual evaluation platform that reduces reliance on costly field trials and supports risk-aware decision making. Future work will enhance the methodology by integrating a predictive forecasting phase in which a regression model trained on baseline data generates expected traffic conditions and the resulting residuals are then analyzed by QT-EWMA. Modern machine learning techniques excel at short-term traffic forecasting by capturing complex nonlinear and spatio-temporal patterns, isolating policy effects from normal variations and improving detection sensitivity.

Definire politiche di mobilità efficaci in grandi aree urbane, soprattutto in contesti che interagiscono con importanti poli logistici come i porti, richiede di rispondere a due domande fondamentali: quali interventi apporteranno miglioramenti misurabili nelle condizioni del traffico e con quale rapidità tali miglioramenti saranno osservabili. Questa tesi propone un framework di valutazione proattiva che integra simulazioni microscopiche del traffico con un algoritmo non parametrico di change detection sequenziale chiamato QT-EWMA. In primo luogo, simulazioni ad alta fedeltà generano sia dati di traffico pre-politica sia post-politica, registrando metriche multivariate quali numero di veicoli e velocità in condizioni realistiche. Successivamente, un istogramma QuantTree adattivo, costruito sui dati di base, fornisce un modello di riferimento per il monitoraggio che non dipende dalla distribuzione dei dati. Infine, la procedura QT-EWMA analizza continuamente le misurazioni simulate in ingresso per individuare deviazioni statisticamente significative e stimare il numero di giorni di monitoraggio necessari per rilevare cambiamenti indotti dalle politica con un tasso di falsi allarmi controllato. Esperimenti in ambito portuale, ispirati al caso di Genova, valutano una serie di politiche candidate, tra cui ritaratura dei semafori e gestione adattiva dei flussi, in scenari di traffico feriale, festivo e misto. I risultati dimostrano che interventi infrastrutturali rilevanti producono miglioramenti osservabili già dopo pochi giorni di monitoraggio, mentre aggiustamenti operativi più sottili richiedono finestre di osservazione più lunghe. Il ritardo di rilevazione è inversamente proporzionale all’entità dell’intervento e influenzato dalla variabilità naturale del traffico. Quantificando efficacia e tempi di rilevazione degli effetti delle politiche proposte, questa metodologia offre ai pianificatori urbani una piattaforma virtuale per valutare politiche che riduce il ricorso a costose prove sul campo e supporta decisioni consapevoli dei rischi. Il lavoro futuro integrerà una fase in cui un modello di regressione produrrà stime di traffico e i residui saranno elaborati da QT-EWMA. Le tecniche di machine learning, capaci di cogliere pattern non lineari e dipendenze spazio-temporali, isoleranno gli effetti delle politiche dalle variazioni ordinarie, potenziando la sensibilità della change detection.