1.

Ripensando all’attesa alle fermate

Carolina Billi*, Guido Gentile**, Sang Nguyen***, Stefano Pallottino*
* Università di Pisa, ** Università degli Studi di Roma “La Sapienza”,
*** Université de Montréal

1.1. Introduzione

Nel trasporto collettivo urbano in cui il servizio è percepito in termini di

frequenza delle varie linee, la descrizione matematica della strategia di scelta del
percorso è tutt’altro che banale, in quanto l’attesa alla fermata, come è stato messo
in luce in molti studi negli ultimi 30 anni, è un fenomeno complesso che richiede
uno studio specifico; si vedano, ad esempio, Chriqui e Robillard [1975], Marguier
[1981], Gendreau [1984], Spiess [1984]. Al fine di avere buoni modelli di
simulazione per la pianificazione del servizio, è importante poter disporre di un
modello dell’attesa alle fermate che sia allo stesso tempo fedele al comportamento
degli utenti, fondato matematicamente negli elementi in gioco, utilizzabile
concretamente all’interno dei modelli di assegnazione.
E’ questa la ragione che ci ha spinto a ripensare globalmente al problema
dell’attesa, partendo dall’analisi del processo stocastico relativo agli arrivi dei
veicoli e dei passeggeri alle fermate, senza dare per acquisite alcune ipotesi
normalmente adottate. D’altronde, alcuni lavori degli anni `80 [Marguier, 1981;
Gendreau, 1984; Marguier e Ceder, 1984] già indicavano come fossero poco
giustificabili alcune scelte modellistiche, comunque utilizzate negli anni seguenti.

1.2. Ipotesi modellistiche

Per poter trattare il problema dell’attesa ad una fermata servita da più linee si
debbono introdurre ipotesi semplificatrici relativamente a tre sfere distinte: le
interrelazioni tra gli arrivi dei veicoli di linee diverse e gli arrivi dei passeggeri, le
interrelazioni tra gli arrivi dei veicoli della stessa linea, la conoscenza della rete e
delle sue prestazioni da parte degli utenti. Nel seguito accenniamo brevemente alle

1
ipotesi su cui baseremo il modello, rinviando a Gentile, Nguyen e Pallottino
[2004] e a Billi [2003] per maggiori dettagli sulle scelte effettuate e le relative
conseguenze.
Con riferimento alla prima sfera, si ipotizza che gli arrivi di veicoli relativi a
linee diverse siano statisticamente indipendenti, così come sono statisticamente
indipendenti gli arrivi dei passeggeri alle fermate rispetto agli arrivi dei veicoli.
L’analisi del processo stocastico relativo agli arrivi dei veicoli di una stessa
linea ad una determinata fermata induce ad introdurre alcune ipotesi, peraltro del
tutto giustificabili rispetto al fenomeno fisico. In [Billi, 2003] vengono esplicitate
le proprietà assunte per la distribuzione di probabilità dell’intertempo tra due
veicoli successivi (tra cui anche la possibile assenza di densità di probabilità). La
forma che ci sembra più appropriata per rappresentare la funzione di densità di
probabilità dell’intertempo relativa alla generica linea ℓi è la funzione Gamma di
parametro intero positivo mi (detta funzione di Erlang), che tiene conto del livello
di degrado della regolarità di servizio [Larson e Odoni, 1981]. Da essa viene
quindi derivata la funzione di densità di probabilità del tempo di attesa, che
indicheremo con fi(w):
 ( m λ w ) , se w ≥ 0;
mi −1 k

 λi e − mi λi w ∑ i i
f i ( w) =  k =0 k!
 0, altrimenti;

dove λi è la frequenza della linea ℓi , cioè l’inverso del valor medio
dell’intertempo.
Una spiegazione “fisica” del parametro mi lega il tempo di passaggio di un
determinato veicolo ai tempi di passaggio dei veicoli che lo precedono: dopo mi
passaggi consecutivi si ha perdita di memoria, cioè non vi è relazione tra il
passaggio di un veicolo e quello dell’mi-esimo che lo segue. Se si pone mi = 1, la
funzione di Erlang si riduce alla funzione esponenziale (assenza totale di
memoria); il caso contrario lo si trova quando si fa tendere mi a più infinito,
ottenendo la distribuzione uniforme (cadenzamento regolare qualunque sia la
lunghezza della sequenza di veicoli).
Con riferimento alla terza sfera, nel seguito considereremo utenti che
percepiscono il sequenziamento degli arrivi dei veicoli di una linea solo in termini
della sua frequenza e regolarità, e che conoscono relativamente bene la topologia
della rete e il posizionamento delle fermate. Inoltre, assumeremo che ogni utente
in attesa ad una fermata sia in grado di valutare con buona accuratezza, per
ciascuna linea ℓi che serve tale fermata, la speranza matematica si del tempo
occorrente per raggiungere la propria destinazione montando su un veicolo di tale
linea, una volta a bordo e escludendo l’eventuale attesa, che chiameremo tempo di
linea e che useremo come misura semplificata del costo generalizzato.
Si ipotizza inoltre che ogni utente trovi comunque posto sui veicoli, pagando
casomai il costo del discomfort a bordo in funzione della densità dei passeggeri
[Nguyen e Pallottino, 1988].

2
1.3. Ipotesi comportamentali

Ogni utente è un decisore razionale che effettua le sue scelte con lo scopo di
minimizzare il proprio costo generalizzato. La scelta dell’utente è fatta prima
dell’inizio del viaggio e comporta la sequenza iterata della scelta della fermata da
raggiungere a piedi, delle linee su cui salire e, per ciascuna di esse, della fermata a
cui scendere. La rappresentazione classica di questo tipo di scelta è un
ipercammino che connette l’origine con la destinazione e che ha i punti di
diversione nei nodi fermata attraverso l’iperarco di attesa [Nguyen e Pallottino,
1988]. Elementi chiave dell’ipercammino sono i pesi dei rami di ciascun iperarco
di attesa che rappresentano le probabilità di salire a bordo dei veicoli delle relative
linee, condizionate all’essere giunti a quella fermata.
Consideriamo quindi una singola fermata, un insieme L di linee che la servono
e un utente che durante il proprio tragitto si trovi ad attendere una o più linee di L
per raggiungere una specifica destinazione. La probabilità di montare sulla linea
ℓi ∈ L misura con quale probabilità un veicolo di tale linea è il primo che durante
il processo di attesa arriva alla fermata mentre è percepito come attrattivo
dall’utente, nel senso che risulta conveniente montare su di esso piuttosto che
continuare ad aspettare.
Si noti che, a differenza di quanto solitamente ipotizzato in letteratura, in questa
sede non concepiamo in principio l’insieme attrattivo come una collezione di linee
che sono considerate sempre attrattive dall’utente durante l’intero processo di
attesa. In senso più generale, assumeremo che l’utente abbia definito, prima di
iniziare il suo viaggio, il sottoinsieme delle linee disponibili su cui è disposto a
montare e, per ciascuna di esse, il periodo del proprio processo di attesa per il
quale egli considera tale linea attrattiva. Ipotizziamo quindi che l’insieme
attrattivo dell’utente sia definito in funzione del tempo t che è trascorso
inutilmente dal suo arrivo alla fermata; per questo lo chiameremo insieme
dinamico e lo indicheremo con D(t), definito per 0 ≤ t ≤ uD , dove uD denota il
massimo tempo di attesa alla fermata, ossia il primo istante entro il quale con
certezza è giunto almeno un veicolo considerato attrattivo nel momento del suo
arrivo (al limite, uD = +∞).
Nel modello comportamentale prendiamo in considerazione il tempo che
l’utente trascorre in attesa alla fermata senza il passaggio di alcun veicolo
attrattivo; questo tempo è un’informazione che l’utente acquisisce durante l’attesa
e che incide sulla percezione della speranza matematica del tempo rimanente di
attesa di ciascuna linea. Ad esempio, supponiamo che la linea ℓi sia perfettamente
regolare ( fi(w) è la funzione di distribuzione uniforme) e che abbia intertempo
ui = 20 e tempo di linea si = 30. Al momento dell’arrivo alla fermata la speranza
matematica del tempo di viaggio è 10 + 30 = 40. Dopo 10 unità di tempo trascorse
in attesa alla fermata, la speranza matematica del tempo rimanente di attesa è 5 e
quindi il tempo rimanente di viaggio è sceso a 5+30 = 35 (il tempo complessivo è
invece cresciuto poiché alle 35 unità vanno aggiunte le 10 già attese).

3
1.4. Proprietà dell’insieme dinamico

Sia D(t), 0 ≤ t ≤ uD , l’insieme dinamico definito a priori dall’utente. A D(t) è

associata la funzione del tempo rimanente di viaggio RTD(t), 0 ≤ t ≤ uD , che per
ogni istante τ ∈ [0, uD] fornisce il tempo RTD(τ) che rimane da attendere e
viaggiare nel caso non sia arrivato alcun veicolo attrattivo durante l’intervallo di
tempo [0, τ). La condizione che definisce l’attrattività di una linea ℓi al tempo τ è
data da:
si ≤ RTD (τ ) ; (1)
infatti, in tal caso è conveniente montare sulla linea piuttosto che continuare ad
attendere, mentre conviene non montare nel caso contrario. Diremo che D(t) è
istantaneamente attrattivo al tempo τ se esso è formato da tutte e sole le linee
ℓi ∈ L che verificano la condizione (1); inoltre D(t) è globalmente attrattivo se e
solo se è istantaneamente attrattivo per ogni τ ∈ [0, uD].
In [Gentile, Nguyen e Pallottino, 2003] viene mostrato che se la distribuzione
del tempo di attesa di ciascuna linea è caratterizzata da un tasso di insuccesso non-
decrescente (la funzione di Erlang gode di questa proprietà), la funzione del tempo
rimanente di viaggio di un insieme dinamico globalmente attrattivo è
monotonicamente non crescente. Da questa proprietà di monotonia discende che
se una linea ℓi ∈ L è attrattiva, lo è per un intervallo di tempo [0, ti], con 0 < ti ≤ uD
(una linea non attrattiva al tempo τ = 0 non è mai attrattiva). Inoltre, esiste un
unico insieme dinamico globalmente attrattivo D*(t), il quale varia riducendosi un
numero finito di volte. Esso è definito, per costruzione, come:
D *(τ ) = {A i ∈ L : si ≤ RT *(τ )}, ∀0 ≤ τ ≤ u * . (2)
Senza perdere di generalità, consideriamo che le linee siano ordinate secondo il
loro tempo di linea e che questi siano diversi tra loro, cioè che si abbia
s1 < s2 < … < sn , con n = |L|; inoltre, indicheremo con Lj = {ℓ1, ℓ2, … , ℓj}
l’insieme delle j linee più “rapide” nel portare a destinazione. Consideriamo il
tempo tj in cui RT*(tj) = sj . Poiché RT*(t) è una funzione monotonicamente non
crescente, dalla (2) si ha che D*(tj) = Lj e che esiste un tempo tj+1 < tj per il quale
RT*(tj+1) = sj+1 , oppure RT*(0) ≤ sj+1 e tj+1 = 0. Nell’intervallo di tempo trascorso
in attesa (tj+1, tj] (oppure [0, tj] se tj+1 = 0) l’insieme dinamico globalmente
attrattivo rimane Lj , cioè non cambia e quindi diciamo che è “statico”. Essendo n
le linee che servono la fermata, la dinamicità di D*(t) è descritta al più da n
intervalli di tempo nei quali D*(t) è statico. In generale, denotiamo con Lq*
l’insieme delle linee attrattive per l’intero intervallo [0, u*] e con Lr*, r* ≤ q*,
l’insieme delle linee attrattive al tempo τ = 0; pertanto le linee ℓr*+1, …, ℓn non
sono mai attrattive.

4
1.5. Speranze matematiche e probabilità

In [Gentile, Nguyen e Pallottino, 2003] vengono forniti gli elementi teorici

necessari alla formulazione della funzione RT*(t) e delle probabilità di salire a
bordo delle varie linee. Qui forniamo solo gli elementi più importanti; con ui
indicheremo l’estremo superiore relativo all’intervallo di definizione della
funzione fi(w) per la linea ℓi (+∞ in caso di distribuzione non limitata), mentre con
Fi(w) indicheremo la funzione di ditribuzione cumulativa del tempo di attesa. In
particolare ci interesserà la funzione complementare:
ui

Fi ( w) = 1 − Fi ( w) = ∫ f i (t ) dt .
w

La funzione di densità di probabilità del tempo di attesa della linea ℓi ,

condizionata ad aver atteso inutilmente sino al tempo τ è:
 f i ( w)
 , se w ∈ [τ , ui ];
f i|τ ( w) =  Fi (τ )
 0, altrimenti;

il complemento della corrispondente funzione di distribuzione cumulativa è:
 Fi ( w)
 F (τ ) , se [τ , ui ];
ui  i
Fi|τ ( w) = ∫ f i|τ (t ) dt =  0, se w > ui ;
w  1, se w < τ .


Ricordando il significato dato ai tempi tj per le varie linee attrattive,
consideriamo il caso in cui l’utente abbia atteso inutilmente sino all’istante τ, con
tj+1 < τ ≤ tj , in cui le linee ℓ1, …, ℓj sono attrattive, mentre le linee ℓj+1, …, ℓr* non
lo sono più. Se il primo arrivo attrattivo avviene nell’istante w, la (densità di)
probabilità γi|τ j(w), condizionata ad aver atteso inutilmente sino al tempo τ > tj+1 ,
che esso sia relativo ad un veicolo della linea ℓi , con i ≤ j, è data da [Gentile,
Nguyen e Pallottino, 2003]:
j
f ( w) j Fk ( w)
γ i|jτ ( w) = f i|τ ( w) ∏ Fk |τ ( w) = i ∏ .
k =1, k ≠ i Fi ( w) k =1 Fk (τ )
Analogamente, la quota parte di speranza matematica del tempo rimanente di
viaggio relativa al caso in cui il primo veicolo attrattivo arrivi in [τ, tj], è data da:
t j
 j f ( w)  j Fk ( w)
Ψ j (τ , t j ) = ∫  ∑ ( w + si − τ ) i ∏ dw . (3)
τ  i =1 Fi ( w)  k =1 Fk (τ )
Sapendo che RT*(tj) = sj , mediante quest’ultima formula è possibile fornire una
descrizione “locale” della funzione del tempo rimanente di viaggio, che
indicheremo con RTj(t, tj), relativamente al generico intervallo (tj+1, tj] in cui
l’insieme dinamico globalmente attrattivo è statico e pari a Lj :

5
 j
Fk (t j )
RT j (τ , t j ) = Ψ j (τ , t j ) + s j ∏ , j = q*,..., r * . (4)
Fk (τ ) k =1

L’equazione (4) esprime il tempo rimanente di viaggio come la somma della sua
quota parte Ψj(τ, tj), relativa al caso in cui si verifichi un arrivo attrattivo in [τ, tj],
e della parte restante sj , opportunamente pesata per la probabilità che l’utente
debba attendere sino a tj .
La forma “locale” di RTj(t, tj) suggerisce una “costruzione all’indietro” della
funzione del tempo rimanente di viaggio. Una volta noto tj , mediante la (4) è
possibile verificare se la linea ℓj+1 è attrattiva per almeno una parte del processo di
attesa. A tal fine, basta controllare se RTj(0, tj) ≤ sj+1 . In caso affermativo, la linea
ℓj+1 non è mai attrattiva, cioè r* = j e tj+1 = 0. Altrimenti si determina il tempo tj+1
per il quale RTj(tj+1, tj) = sj+1 , e quindi si ha RT*(τ) = RTj(τ, tj), per ogni τ∈(tj+1, tj];
se tj+1 ≥ uj+1 , allora si aggiorna q* = j+1 e tq* = u* = uj+1 . In generale si ha che
lim τ → uj RTj(τ, uj) = sj , pertanto il procedimento viene innescato ponendo q* = 1 e
tq* = u* = u1 . Fa eccezione il caso in cui la linea più veloce ha una distribuzione
esponenziale (si veda il paragrafo 7).
La probabilità di utilizzare veicoli della linea ℓi ∈ Lr* deve essere calcolata a
valle della determinazione degli istanti tj , j = q*, … , r*, tramite:
tj
r* r*
fi ( w) j
πi = ∑ ∏ F (t ) ∫
j = max{i , q *} k = j +1
k k ∏ Fk (w) dw .
Fi ( w) k =1
(5)
t j +1

Ovviamente πi = 0, per le linee non attrattive ℓi , i = r* + 1, …, n. La speranza

matematica del tempo di viaggio è invece data da:
r*
ET = RT *(0) = EW + ∑ si π i .
i =1

1.6. Costruzione dell’insieme dinamico: un esempio numerico

Sia L = {ℓ1, ℓ2, ℓ3}; le funzioni di densità di probabilità siano uniformi con
u1 = 50, u2 = 40, u3 = 30, e i tempi di linea siano s1 = 30, s2 = 40, s3 = 45. Il
processo di attesa è limitato all’intervallo [0, u* = t1 = 50] e ℓ1 è l’unica linea
attrattiva all’istante t1 . La funzione RT1(t, t1) = (t1 - t) /2 + s1 al tempo t = 0 è
RT1(0, 50) = 55 > 40 = s2 ; quindi ℓ2 è una linea attrattiva sino al tempo t2 tale che
RT1(t2, t1) = 40, cioè t2 = 30. La funzione RT2(t, t2), per t ≤ 30 è disegnata in figura
1. Dalla figura 2 si evince che RT2(0, 30) > 45 = s3 ; pertanto anche ℓ2 è attrattiva,
e il valore t3 per il quale si ha RT2(t3, t2) = 45 è t3= 50 /3 ≈ 16.7 .
In figura 2 viene riportata anche la funzione RT3(t, t3) che completa la
descrizione della funzione del tempo rimanente:
 R 3 (t ,50 / 3), se 0 ≤ t ≤ 50 / 3;

R *(t ) =  R 2 (t , 30), se 50 / 3 < t ≤ 30;
 R1 (t ,50), se 30 < t ≤ 50,


6
l’insieme dinamico globalmente attrattivo è:
 L3 , se 0 ≤ t ≤ 50 / 3;

D *(t ) =  L2 , se 50 / 3 < t ≤ 30;
 L , se 30 < t ≤ 50.
 1

RT2(t, t2)
s2 = 40
RT1(t, t1)
s1 = 30

t2 = 30 t1 = u1 = 50

Figura 1 - Individuazione di t2 e definizione di RT2(t, t2).

s3 = 45 RT3(t, t3) RT2(t, t2)

s2 = 40
RT1(t, t1)
s1 = 30

t3 = 16.7 t2 = 30 t1 = u1 = 50

Figura 2 - Individuazione di t3 e definizione di RT3(t, t3).

7
1.7. Il caso della distribuzione esponenziale

Analizziamo ora il caso in cui la funzione di densità di probabilità di ogni linea

ℓi ∈ L segue la legge esponenziale, cioè il caso di massimo degrado del servizio di
trasporto:
 λ e i , se w ≥ 0;
−λ w
f i ( w) =  i
 0, altrimenti.
Le funzioni Fi|τ ( w) , i = 1, … , n, sono date da:
e − λi ( w−τ ) , se w ≥ τ ;
Fi|τ ( w) = 
 1, altrimenti;
si noti che la distribuzione condizionata non dipende dal tempo trascorso in attesa.
In questo caso non è possibile innescare il procedimento di costruzione
all’indietro di RT*(t) ponendo q* = 1 e tq* = u* = u1 = +∞, in quanto si ha che
lim τ → u1 RT1(τ, u1) = s1 + 1/λ1 > s1 . Quindi al tempo u* ci saranno in generale
altre linee attrattive oltre ad ℓ1 . Consideriamo quindi il generico l’insieme Lj e
valutiamo la formula (4) con tj = uj = +∞ nel caso di distribuzioni esponenziali:
j
1 + ∑ λk sk
RT j (τ , u j ) = Ψ j (τ , u j ) = k =1
j
.
∑ λk
k =1

Si noti che la funzione RTj(t, uj) non dipende da t. Infatti, è ben noto che la
distribuzione esponenziale rappresenta il fenomeno di un’attesa in cui non si
modifica la speranza matematica del tempo rimanente di viaggio. In tal caso si ha
che l’insieme dinamico globalmente attrattivo è statico nell’intero intervallo
[0,+∞) e coincide con l’insieme Lq* che minimizza la funzione:
 j

 1 + ∑ λk sk 
RT q* (0, +∞) = min  kj=1 : j = 1,..., n  . (6)
 ∑ λk 
 k =1 
La formula (6) non è altro che la funzione normalmente adottata in tutti i
modelli utilizzati per pianificare le reti di trasporto collettivo negli ultimi 20 anni.
Abbiamo pertanto ottenuto il caso classico con insieme attrattivo statico, come
caso particolare del modello dinamico proposto. Purtroppo, la scelta delle
distribuzioni esponenziali per rappresentare le funzioni di densità di probabilità
dell’attesa delle linee appare del tutto inadeguata in quanto è nei fatti impossibile
che si abbia un tale tipo di distribuzione per ogni linea del servizio e per ciascuna
fermata da essa servita, compresi i capilinea e le fermate immediatamente
successive. Sarebbe invece più opportuno assegnare un valore dell’indice di
regolarità mi decrescente alle varie fermate della linea ℓi man mano che la sua
regolarità degrada allontanandosi dal capolinea.

8
1.8. Aspetti computazionali

Le formule (3) e (5) richiedono in generale il calcolo di diversi integrali,

calcolo che potrebbe allo stesso tempo essere computazionalmente oneroso e
affetto da errori di approssimazione difficili da controllare nella loro
propagazione. Nel caso di distribuzioni di Erlang, ciò può essere evitato; infatti,
basta notare che nelle formule citate la funzione da integrare non è altro che la
sommatoria di diversi addendi, ciascuno dei quali ha la forma:
v
v! xk
∫ β e x dx = − β e ∑
−α x v −α x
+c,
k =0 k ! α
v − k +1

dove α e β sono parametri reali mentre v è un parametro intero non negativo e c è

una costante additiva. Pertanto, anche se si usano funzioni di Erlang con
coefficiente di regolarità più grande di 1, è possibile calcolare la speranza
matematica del tempo di viaggio e le probabilità delle varie linee mediante
operazioni facilmente organizzabili per ridurre la complessità della computazione
e per controllare gli errori di approssimazione. Questo approccio di calcolo si
ispira a quello proposto da Gendreau [1984].
Possiamo pertanto affermare che la generalizzazione alle funzioni di Erlang di
qualsiasi forma e l’adozione del modello dinamico, non comportano un aggravio
significativo del tempo di calcolo, mentre invece forniscono un modello
matematicamente ben fondato e che interpreta meglio le caratteristiche
comportamentali degli utenti.

1.9. Le paline informative alle fermate

Sempre più nelle nostre città vengono impiantate alle fermate le paline
informative, cioè dei pannelli il cui display fornisce “on-line” il tempo mancante
all’arrivo del primo veicolo di ciascuna linea. Le informazioni affisse, nei sistemi
che funzionano, forniscono una valutazione molto precisa che viene utilizzata
dall’utente e nelle proprie scelte. Analoghi sistemi informativi sono ottenibili
attraverso la telefonia cellulare e internet semplicemente digitando il codice della
fermata. Un lavoro di riflessione sull’attesa alle fermate non può esimersi
dall’esaminare l’influenza che questa informazione ha sul comportamento degli
utenti e dal derivarne un nuovo modello.
Consideriamo un utente che arriva alla solita fermata servita da un insieme L di
linee. Egli conosce i valori s1 , … , sn dei tempi di linea e, prima di iniziare il
viaggio, ha deciso che, appena raggiunta la fermata, acquisirà i valori affissi
dell’attesa, che indicheremo con w1 , … , wn , del primo veicolo di ciascuna linea,
e sceglierà la linea ℓi che minimizzerà il suo tempo di viaggio:
wi + si = min {w j + s j : A j ∈ L} . (7)
Il comportamento razionale dell’utente è semplice. Meno semplice è il fatto che

9
ciascun tempo affisso wi , i = 1, … , n , è una variabile aleatoria di cui si conosce
la funzione di densità di probabilità fi(w) e di cui si deve valutare la probabilità che
acquisisca un valore, rispetto ai valori delle altre variabili aleatorie wj , j ≠ i , per
cui si verifichi la condizione (7).
In base all’indipendenza dell’arrivo degli utenti e dei veicoli di linee diverse
alla fermata, è possibile esprimere la probabilità πi con cui i valori dei tempi
affissi siano tali che il minimo della condizione (7) è ottenuto per la linea ℓi ∈ L:
+∞ +∞
πi = ∫ γ ( w) dw = ∫
i f i ( w) ∏
A j ∈L \{A i }
F j ( w + si − s j ) dw .
0 0

Infatti, la funzione F j ( w + si − s j ) esprime la probabilità con cui il valore wj del

tempo affisso relativo alla linea ℓj risulti superiore a w + si - sj , cioè un valore per
cui ℓi viene preferita a ℓj , per qualsiasi valore w che la variabile aleatoria wi può
assumere.
La speranza matematica del tempo di attesa è data da:
+∞ +∞ +∞
EW = ∑ ∫ w γ ( w) dw = ∫ w ∑ γ ( w) dw = ∫ w ∑ f ( w) ∏
A i ∈L 0
i
A i ∈L
i
A i ∈L
i
A j ∈L \{A i }
F j ( w + si − s j ) dw ,
0 0

La somma ∑ A ∈L γ i ( w) dw può essere quindi considerata come la funzione di

i
densità di probabilità del tempo di attesa. La speranza matematica del tempo di
viaggio è data da:
+∞
ET = ∑ ∫ ( w + s ) γ ( w) dw .
A i ∈L 0
i i

Per maggiori dettagli si rinvia a [Billi 2003, Gentile, Nguyen e Pallottino 2004].
Vogliamo qui notare solo che gli aspetti computazionali sono del tutto simili a
quanto descritto nel paragrafo 8 e che, una volta modificato l’algoritmo di
ipercammino minimo per quanto concerne la determinazione dell’insieme
attrattivo, un qualsiasi modello di assegnazione dei flussi alla rete di trasporto
collettivo (deterministico o stocastico, con costi più o meno simmetrici, a
domanda fissa o variabile, utilizzato a sé o in un contesto di mobilità multimodale,
ecc.) viene automaticamente adattato all’analisi di servizi di trasporto con
informazione all’utenza.

1.10. Confronto tra il caso con e senza informazione: un esempio numerico

Mostriamo ora i risultati che si ottengono per i due modelli proposti, modello
dinamico e modello con informazione, sullo stesso esempio descritto nel paragrafo
6 (L = {ℓ1, ℓ2, ℓ3}; 1/λ1 = 50, 1/λ2 = 40, 1/λ3 = 30; s1 = 30, s2 = 40, s3 = 45) in cui
consideriamo diversi livelli di regolarità del servizio, utilizzando quattro diversi
valori di m uguali per tutte e tre le linee.
I valori ottenuti nel caso con informazione sono riportati nella tabella 1, mentre
la tabella 2 fornisce gli stessi valori per il modello dinamico.

10
 m 1 4 10 +∞
EW 13.89 11.52 11.28 11.21
ET 51.08 48.07 47.69 47.59
π1 0.422 0.468 0.478 0.481
π2 0.300 0.288 0.284 0.281
π3 0.278 0.244 0.238 0.238

Tabella 1- Speranze matematiche e probabilità nel caso con informazione.

m 1 4 10 +∞
EW 12.76 9.95 9.90 10.35
ET 52.34 49.78 49.48 49.31
π1 0.255 0.240 0.250 0.291
π2 0.319 0.314 0.335 0.336
π3 0.426 0.446 0.415 0.373

Tabella 2 - Speranze matematiche e probabilità nel caso dinamico.

Per entrambi i modelli la speranza matematica del tempo di viaggio decresce al

crescere della regolarità; per il modello con informazione si ottengono valori più
bassi di quelli ottenuti col modello dinamico, mostrando l’utilità delle paline che
permettono migliori scelte agli utenti. Dal punto di vista di utilizzo delle linee,
l’informazione all’utenza favorisce l’utilizzo delle linee più veloci nel portare a
destinazione a scapito delle linee meno veloci, anche se più frequenti. Infatti,
guardando al caso deterministico, il 48% degli utenti utilizza la linea ℓ1 se si hanno
le informazioni a disposizione, piuttosto che il 29%; cioè il 20% circa degli utenti
si sposterebbe dalle linee meno veloci verso la più veloce se fosse fornita
l’informazione. Tale percentuale è ancora più alta per m = 4 e m = 10.
E comunque interessante analizzare i dati che si sarebbero ottenuti se si fosse
utilizzato il modello statico, valido solo se m = 1 e in questo caso coincidente col
modello dinamico, anche per altri valori di m. I dati sono riportati nella tabella 3.

m 1 4 10 +∞
EW 12.76 9.94 9.55 9.40
ET 52.34 49.80 49.53 49.50
π1 0.255 0.240 0.232 0.225
π2 0.319 0.313 0.309 0.300
π3 0.426 0.447 0.459 0.475

Tabella 3 - Speranze matematiche e probabilità nel caso statico

11
 La differenza rilevante tra i due modelli non sta tanto nel valore lievemente
maggiore del tempo di viaggio prodotto dal modello statico, che comunque fa
cadere l’ipotesi di razionalità, quanto nella differenza di utilizzo del servizio.
Confrontando le probabilità di occorrenza delle linee nei casi statico e dinamico
per m crescente, notiamo che l’utilizzo della linea ℓ1 nel modello statico decresce,
in significativa controtendenza rispetto a quanto ottenuto con il modello dinamico,
a vantaggio della linea ℓ3 , più lenta ma più frequente. Ciò mostra, se ancora ve ne
fosse bisogno, l’inadeguatezza del modello statico nel caso si vogliano studiare
reti con diversi gradi di regolarità del servizio.
In base al modello statico l’utente è costretto a scegliere una volta per tutte
l’insieme delle linee su cui è disposto a montare. Questa mancanza di flessibilità
nel suo comportamento gli potrebbe precludere la possibilità, da una parte di salire
su una linea non molto veloce che passasse subito dopo il suo arrivo alla fermata,
dall’altra di rinunciare a salire su una linea quando ormai una linea migliore sta
per arrivare con certezza.

1.11. Conclusioni

Abbiamo descritto un nuovo, e matematicamente ben fondato, modello della

scelta alla fermata tra le linee di trasporto collettivo di un servizio urbano in cui si
possa tenere conto, per ciascuna linea e per ciascuna tratta di esse, del livello di
regolarità del servizio. Abbiamo anche mostrato la tecnica di calcolo suggerendo
alcuni aspetti computazionali che ne garantiscono l’efficienza.
Le ipotesi di indipendenza degli arrivi degli utenti e dei veicoli di linee diverse
alle fermate si sono rivelate necessarie per la stesura del modello. E’ nostra
intenzione analizzare quanto sia possibile rilassare tali condizioni senza perdere in
semplicità del modello e in efficienza computazionale.
Abbiamo anche accennato, molto velocemente, al modello con informazione
all’utenza. Esso è necessario se si vuole studiare l’effetto di tale informazione sul
comportamento degli utenti, o se si vuole pianificare un servizio meglio
rispondente al nuovo stato di utilizzo della rete. L’informazione relativa ai
passaggi dei veicoli alle fermate, introdotta in un database, permette di ottenere
statistiche realistiche sull’interdipendenza dei passaggi di veicoli di linee diverse.
E’ nostra intenzione studiare un modello che tenga conto di tali dati statistici,
come valutazione sperimentale delle interrelazioni tra coppie di linee, nella
valutazione delle scelte degli utenti.

12
Bibliografia

C. Billi, Sui modelli matematici per il trasporto pubblico urbano, Graduation thesis,
Dipartimento di Informatica, Università di Pisa, Italy (2003).
C. Chriqui and P. Robillard, “Common bus line”, Transportation Science 9, 115-121
(1975).
M. Gendreau, Une étude approfondie d’un modèle d’équilibre pour l’affectation des
passagers dans les réseaux de transport en commun, Ph.D. thesis, Département
d’informatique et de recherche opérationnelle, Université de Montréal, Canada (1984).
G. Gentile, S. Nguyen and S. Pallottino, “Route choice on transit networks with on-line
information at stops”, TR-03-14, Dipartimento di Informatica, Università di Pisa, Italy,
accepted for publication on Transportation Science (2004).
G. Gentile, S. Nguyen and S. Pallottino, “Passengers’ behaviour in transit networks with
common lines: a dynamic attractive set model”, Manuscript, Dipartimento di
Informatica, Università di Pisa, Italy (2003).
R.C. Larson and A.R. Odoni, Urban Operations Research, Prentice-Hall, Englewoods
Cliffs, NJ (1981)
P.H.J. Marguier, Optimal strategies in waiting for common bus lines, Master’s thesis,
Department of Civil Engineering, M.I.T., Cambridge, MA (1981).
P.H.J. Marguier and A. Ceder, “Passenger waiting strategies for overlapping bus routes”,
Transportation Science 18, 207-230 (1984).
S. Nguyen and S. Pallottino, “Equilibrium traffic assignment for large scale transit
networks”, European Journal of Operational Research 37, 176-186 (1988).
H. Spiess, Contributions à la théorie et aux outils de planification des réseaux de transport
urbain, Ph.D. thesis, Département d’informatique et de recherche opérationnelle,
Université de Montréal, Canada (1984).

Sommario

Si consideri una rete di trasporto collettivo con sovrapposizioni tra le linee, in

cui il comportamento dell’utente è basato sulle frequenze e non sugli orari delle
linee. La classica ipotesi è che l’utente monterà sul primo veicolo tra quelli delle
linee che egli percepisce come attrattive.
In quasi tutti i modelli proposti in letteratura e largamente impiegati per la
progettazione dei sistemi di trasporto collettivo l’insieme attrattivo è considerato
statico, cioè non modificabile durante l’attesa. Questo approccio però non è
consistente con l’ipotesi di comportamento razionale. In effetti, l’utente decide se
gli conviene montare su un veicolo in arrivo piuttosto che rimanere ad aspettare
per il successivo arrivo di una linea migliore, prendendo in considerazione il
tempo già atteso alla fermata. Quindi una linea può essere attrattiva in un dato
istante, e non necessariamente per l’intero processo dell’attesa, fornendo un
modello di insieme attrattivo dinamico. L’approccio statico vale solo quando la
distribuzione degli intertempi di tutte le linee è esponenziale, poiché in questo
caso effettivamente non si verifica nessuna evoluzione dell’insieme attrattivo;
d’altra parte la distribuzione esponenziale è piuttosto irrealistica.
Inoltre, quando alla fermata viene fornita l’informazione “on-line” sugli arrivi

13
dei prossimi veicoli, gli utenti possono scegliere di montare su una linea che offra
la migliore combinazione tra il tempo affisso e la speranza matematica del tempo
di viaggio per raggiungere la destinazione una volta a bordo.
In questo lavoro proponiamo un modello per determinare le probabilità di salire
a bordo di ciascuna delle linee disponibili alla fermata e le corrispondenti speranze
matematiche del tempo di viaggio e di attesa, con e senza informazione.

Abstract

Consider a transit network with common lines in which passengers’ behavior is

based on line frequencies, instead of their timetables. The classical assumption is
that the passenger will board the first arriving carrier among the lines which are
perceived to be attractive.
In almost all the models proposed in the literature and widely adopted to plan
transit systems the attractive set has been considered static, e.g., it is not modified
during the wait. This approach is not consistent with the rational behavior
assumption. Indeed, passengers decide whether it is convenient to board an
arriving carrier rather than to pursue waiting for a better subsequent arrival, taking
into account the time already waited at the stop. So, a line can be attractive at a
given waited time, and not necessarily for the entire waiting process, yielding a
dynamic attractive set model. The static approach is valid only when the headway
distribution of all the lines is exponential, since in this case there is actually no
temporal evolution of the attractive set; though the exponential distribution is
quite unrealistic.
Moreover, when on-line information on future arrivals of buses are posted at a
stop, passengers may choose to board a line that offers the best combination of
displayed time and expected travel time to destination once boarded.
We propose in this paper a general framework for determining the probability
of boarding each available line at a stop and the corresponding expected waiting
and travel times, with and without on-line information.

14