Analisi di dati di micromobilità mediante tecniche di data mining = Micromobility data analysis using data mining techniques

Al giorno d'oggi è una pratica comune noleggiare biciclette e monopattini elettrici, tramite i servizi di bike sharing e e-scooter sharing. Queste tipologie di mezzi sono caratterizzati da una notevole fruibilità e accessibilità da parte di un’ampia varietà di persone. L'utilizzo di questi mezzi sta cambiando le nostre abitudini. Questo cambiamento è dovuto alla facilità di utilizzo di questi mezzi, ma anche alla loro significativa ricaduta nell'ambito della mobilità green, ovvero una mobilità sostenibile in grado di ridurre l'impatto ambientale. L'utilizzo di questi mezzi ricade nella micro-mobilità, ovvero una mobilità relativa a spostamenti brevi in città. I mezzi di trasporto associati ai servizi di bike sharing e e-scooter non sono vincolati ad una stazione per il deposito o per il noleggio. L’utente può pertanto utilizzare il mezzo per raggiungere una destinazione di interesse, lasciando il mezzo nei pressi della destinazione stessa. In questa tesi viene presentata una metodologia per l’analisi dei dati di micro-mobilità. L’approccio utilizzato si basa sull'estrazione di pattern sequenziali che permettano di modellare i possibili spostamenti degli utenti. La metodologia utilizzata copre le diverse fasi del processo di Knowledge Discovery in Database (KDD). Partendo da una collezione di dati di mobilità viene prima eseguita una analisi preliminare esplorativa valutare la loro qualità ed integrità. Successivamente la collezione di dati di mobilità è arricchita integrando le informazioni relative ai luoghi di interesse raggiunti dall'utente. Infine la collezione dati risultante è analizzata per estrarne pattern di mobilità mediante l'algoritmo cSPADE. L’approccio utilizzato in questa tesi è generale è può essere utilizzato per l’analisi di mobilità relativi a diversi mezzi di trasporto.