Analisi della Rete Metropolitana di Londra

Federico Ridolfi
A.A. 2014-15

Introduzione
Lo studio dei network permette di analizzare un numero elevato di dati legati
da relazioni topologiche alla ricerca di propriet`a emergenti. Uno dei modi
pi`
u naturali di applicare questa disciplina `e lanalisi di reti viarie urbane, per
analizzarne la stabilit`a a diversi livelli di carico, per individuare la presenza
di eventuali difetti nella progettazione delle stesse e, nel caso, per migliorarne
lefficienza.
In questo lavoro analizzeremo la rete di treni metropolitana di Londra
per caratterizzarne le propriet`a topologiche. Sar`a inoltre eseguita una simulazione dellattivit`a del network per analizzare la distribuzione stazionaria dei
passeggeri in transito nelle stazioni. Tale operazione permetter`a di mettere in
luce la presenza di eventuali punti di accumulazione dei passeggeri allinterno
della rete, permettendo quindi di identificare le stazioni sulle quali `e maggiormente necessario investire in termini di mobilit`a interna (ascensori, scale,
passaggi di servizio, ...) ed esterna (parcheggi, autobus, tram, ...).

Il network
La rete metropolitana di Londra `e formata da 306 stazioni distribuite su
quattordici linee. Sono considerati treni metropolitani tutti i treni con cui si
pu`o accedere con una Oyster Card valida per tutte le zone di Londra, quindi
sono inclusi anche treni leggeri che sconfinino larea metropolitana vera e
propria. Questi nodi sono interconnessi attraverso 410 links simmetrici. Il
grafo corrispondente `e quindi molto rarefatto (sono presenti circa il 4 per
mille dei nodi possibili). Ai fini delle elaborazioni sul network, si `e considerata la rete unica (e non composta da 14 sottoreti) e con link non pesati. La
prima approssimazione ha fatto s` che non si tenesse conto di eventuali cambi
di linea in un viaggio, unapprossimazione abbastanza forte ma che ha avuto
1

leffetto di diminuire sensibilmente i tempi di calcolo della simulazione. La

seconda approssimazione altro non `e che la traduzione sui pesi del network
dellassumere che tutte le stazioni siano equidistanti tra loro. Questa seconda
condizione `e sostanzialmente verificata in una rete metropolitana urbana, ma
`e meno rappresentativa per quanto riguarda le stazioni dellhinterland londinese. Poich`e per`o tali stazioni rappresentano una forte minoranza sullintero
network, si `e ritenuto lerrore derivante da tale semplificazione trascurabile.
Nella prossima pagina sono riportate due diverse rappresentazioni del
nostro network: la prima `e la mappa della metropolitana come reperibile
sul sito della stessa. La seconda `e invece una rappresentazione generata
dallalgoritmo di Fruchterman-Reingold. Tale algoritmo va a ricercare le
configurazioni a minima energia di un sistema di molle che collegano tutti i
nodi connessi da link. La costante elastica di queste molle `e proporzionale
al peso del link. Quando il sistema dinamico converge alla soluzione di minima energia, viene registrata la corrispondente posizione dei nodi. Linsieme
di coordinate cos` ottenuto viene usato come layout per la rappresentazione
interessante osservare come, sebbene siamo ben lontani da una
del grafo. E
uguaglianza 1:1 tra la ricostruzione algoritmica e la mappa reale, si possano
osservare numerose somiglianze tra le due diverse immagini. Questa similarit`a `e quindi un indizio del fatto che la rete di londra sia ben costruita in
quanto ad immagine di un sistema ad un sistema di oscillatori a minima energia, e quindi prossima ad un optimum delle connessioni tra nodi. Le principali
differenze sono dovute alle condizioni a contorno della rete reale: collocazione
dei quartieri, presenza di fiumi, presenza di suolo non scavabile ecc., che non
sono considerate dalla rappresentazione di Fruchterman-Reingold.
Il network `e stato scaricato allindirizzo 1 . Si noti che la rete ivi riportata ha 307 nodi. Il nodo in pi`
u (il 189) tuttavia `e privo di link in entrata
ed in uscita, rendendolo a tutti gli effetti un nodo inutile. Per non perdere
compatibilit`a con i dati originali nel caso in cui fosse necessario importarli
nuovamente si `e scelto di non eliminarlo; a causa dellassenza di connessioni
che lo coinvolgano, questa scelta non avr`a praticamente effetti sulle nostre
elaborazioni a parte un trascurabile aumento del tempo di calcolo e la presenza di una stazione a connettivit`a 0 nello studio della distribuzione delle
connettivit`a dei nodi.
Allinterno dellambiente matlab, la matrice di adiacenza del network `e
allocata (in formato sparso) allinterno delle variabili binmap (matrice non
pesata) e sparsemap (matrice dove ogni link ha un peso pari al numero
della linea coinvolta). Nella cell nodelistsorted `e presente la legenda per ogni
nodo, con indicati numero, nome e numero di linee passanti.
1

https://commons.wikimedia.org/wiki/London Underground geographic maps/CSV

Figure 1: Mappa della metropolitana di Londra

Figure 2: Immagine del grafo ottenuta con la rappresentazione di

Fruchterman-Reingold

Caratterizzazione del Network

La caratterizzazione del network `e linsieme di tutte quelle elaborazioni atte a
fornire stime numeriche di propriet`a del network in oggetto. In questo lavoro
ci si `e soffermati principalmente sullo studio della connettivit`a delle stazioni,
sulla ricerca di cliques e sulla stima di alcune misure di centralit`a dei nodi.

Connettivit`
a delle stazioni
Si definisce la connettivit`a di un nodo in un grafo non pesato come il numero
di connessioni che tale nodo presenta con gli altri nodi del grafo. Si dimostra
che questa definizione `e traducibile operativamente nel definire la connettivit`a del nodo i-esimo come la somma di tutti gli elementi della riga i-esima
della matrice di adiacenza. Tramite questa operazione `e possibile studiare
la distribuzione delle connettivit`a allinterno del network, come visibile in
figura.

Figure 3: Istogramma della distribuzione delle connettivit`a dei nodi del network
Le stazioni con grado di connessione 2 sono la maggioranza (219), e sono
quelle stazioni normali, ossia che non sono n`e capolinea, n`e intersezioni con
altre linee, come era naturale aspettarsi. Una minoranza di stazioni ricoprono
il ruolo di capolinea privi di incroci con altre linee (26), ed hanno grado di
connessione pari a 1. Le stazioni con connettivit`a > 2 sono tutti i punti in
cui convergono almeno due linee, e saranno chiamati hub nel seguito. Esse
costituiscono un quinto della rete (68 stazioni), delle quali la maggioranza
`e composta da hub a 3 e 4 connessioni rispettivamente. Solo due stazioni
hanno il massimo grado di connessione riscontrato sullintera rete, pari a 7,
e sono Baker Street e Kings Cross-St. Pancras.
Normalizzato listogramma si `e effettuato un fit dei dati per ricercare una
distribuzione compatibile con gli stessi. Sia il fit con una curva gaussiana che
4

quello con una legge di potenza hanno prodotto distribuzioni nelle quali il test
di Kolmogorov-Smirnoff ha fornito come risultato il rigetto dellipotesi nulla,
escludendo quindi i modelli di grafico random ( ErdosRenyi) ed il modello di
attaccamento preferenziale (BarabasiAlbert). Lunica distribuzione con la
quale le misure di connettivit`a erano compatibili entro un livello di confidenza
del 95% si `e rivelata essere una Log-Normale con = 3.016 , = 1.5518.
Questo risultato `e giustificabile ragionando su due caratteristiche di una
qualsiasi rete metropolitana:
non pu`o avere connessioni casuali per ovvie ragioni (si privilegiano collegamenti tra stazioni limitrofe, si tiene conto dei flussi di passeggeri e
della presenza di ostacoli alla connessione tra stazioni);
non pu`o avere pochi hub nei quali converga un numero molto elevato
di linee (ossia non pu`o seguire un attaccamento preferenziale); questo
comporterebbe uneccessiva fragilit`a della rete di trasporto e lassenza
di percorsi alternativi, oltre che un accumulo eccessivo di passeggeri in
ununica stazione con le conseguenti difficolt`a di ordine pubblico.
interessante per`o che tra le numerose distribuzioni quella compatibile
E
con il nostro caso sia proprio la log-normale: `e noto in letteratura come
tale distribuzione sia connessa intimamente con una distribuzione a legge di
potenza, e non `e una novit`a che dati in precedenza fittati con il secondo tipo
di curve siano in realt`a meglio rappresentati dalla prima classe (2 ). Anche
il nostro network a ben vedere, sebbene sia lontano da un modello di attaccamento preferenziale, presenta comunque pochi hub ai quali sono attaccati
interi rami del network rispetto alla totalit`a dei nodi (306); tuttavia molti di
questi rami riconnettono a loro volta diversi hub, allontanando quindi la rete
da un puro attaccamento preferenziale. Non `e per`o da escludere che se la
rete di stazioni potesse continuare ad espandersi aggiungendo nodi nel tempo
essa possa tendere verso un grafo alla Barabasi-Alberts.

Ricerca delle Cliques

In una rete urbana pu`o essere interessante la ricerca di cliques. Le cliques
sono insiemi di nodi completamente connessi tra loro. La questione sullutilit`a
delle cliques in questa particolare situazione ha delle controversie: da un certo
punto di vista, la presenza di cliques di dimensione elevata consente al passeggero di minimizzare la durata del viaggio passando per un ridotto numero di
stazioni in un elevato numero di casi. Dal punto di vista dellamministrazione
2

http://www.eecs.harvard.edu/ michaelm/NEWWORK/postscripts/history.pdf

Acton Town
Bank
Barons Court
Bond Street
Camden Town
Charing Cross
Earls Court
Embankment
Green Park
Hatton Cross
Poplar

Chiswick Park
Turnham Green
Liverpool Street
Moorgate
Earls Court
West Kensington
Green Park
Oxford Circus
Euston
Mornington Crescent
Leicester Square
Picadilly Circus
Gloucester Road
High Street Kensington
Waterloo
Westminster
Oxford Circus
Picadilly Circus
Heathrow Terminals 1, 2 & 3 Heathrow Terminal 4
Westferry
West India Quay
Table 1: Cliques rilevate

e della gestione dei treni, cliques troppo grandi possono essere un problema dovuto sia al costo della creazione dei collegamenti tra le stazioni, sia
alleffettivo collocamento delle gallerie.
Lanalisi del grafo ha evidenziato la presenza di 11 cliques di dimensione
3, costituite dalle stazioni riportate in tabella 1.
Le cliques qui riportate interessano tutte zone centralissime della citt`a o
di grande importanza nel caso delle stazioni di Heathrow, esposte al massimo
flusso di utenti. Nonostante in precedenza si `e affermato che le dalla prospettiva economica le cliques sono un problema per la rete, lelevato traffico cui
le suddette stazioni sono esposte rende necessaria la sovraconnessione di cui
sopra, giustificando quindi linvestimento alla luce dei miglioramenti delle
condizioni di viaggio dei clienti e del calo del carico complessivo di passeggeri
delle stazioni coinvolte, che si ritrovano con maggiori alternative per raggiungere la loro destinazione. Inoltre cliques da tre nodi hanno un costo molto
inferiore rispetto a cliques di dimensioni maggiori.

Misure di centralit`
a
Sul network sono state eseguite misure di betweenness centrality e del coefficiente di clustering di ogni nodo.
Le misure di betweenness centrality hanno prodotto, una volta normalizzate rispetto al valore massimo, la distribuzione visibile in figura 4.
Come si pu`o osservare, la stragrande maggioranza delle stazioni hanno
una BC molto bassa, e sempre meno stazioni hanno BC pi`
u elevate. La massima BC `e registrata dalla stazione di Green Park che, come si pu`o osservare
in figura 5, si trova al centro di numerose linee pur essendo attraversata solo
da un numero esiguo delle stesse, rivestendo quindi un ruolo centrale nella
6

Figure 4: Distribuzione Betweenness Centrality

mobilit`a interlinea londinese.
Il network risulta quindi poco sensibile ad attacchi casuali, che avrebbero
elevata probabilit`a di disabilitare nodi a bassa BC.

Figure 5: Dettaglio della mappa metropolitana centrata intorno a Green

Park
Infine `e stata misurato il coefficiente di clustering per ogni nodo della
rete, ottenendo la distribuzione presente in figura 6.
Come si pu`o osservare, una parte molto elevata dei nodi ha CC nullo. Solo
29 nodi hanno CC diverso da zero, e sono tutti e soli i nodi che costituiscono le
cliques identificate in precedenza, come era lecito aspettarsi dalla definizione
del CC e dal fatto di aver trovato solo cliques da 3 nodi. Le stazioni con il
massimo CC, pari a 1, sono Chiswick Park, Heathrow Terminals 1 2 & 3,
Heathrow Terminal 4, Mornington Crescent, West Kensington, tutte stazioni
che non hanno vicini non appartenenti alle proprie cliques. Questo risultato
7

Figure 6: Distribuzione Coefficiente di Clustering

`e unulteriore verifica della bassa ridondanza a carattere locale della rete di
Londra.
Il CC medio `e pari a 0.0322 0.0079, a conferma della quasi assenza di
clusters nel network.

Simulazione
Come ultima cosa `e stata eseguita una simulazione di mobilit`a dei passeggeri
nella rete. Lobiettivo di questa simulazione `e andare a studiare la presenza
di eventuali pozzi o sorgenti di passeggeri (ossia la ricerca di nodi assorbenti
od emittenti allinterno del network) attraverso lo studio della distribuzione
stazionaria della popolazione delle stazioni a tempi lunghi.
La simulazione `e disabilitabile agendo sulla prima variabile dichiarata
allinterno dellintero programma: se simulation vale 0 (default) tale procedura non viene eseguita.
Per realizzare ci`o, si `e distribuito in modo casuale una popolazione iniziale
di un milione di individui allinterno delle stazioni. Ogni individuo ha una
probabilit`a di essere collocato nella i-esima stazione pari a pi = Pkikj , con
j
kn connettivit`a del nodo n-esimo; in questo modo sono favorite in termini di
popolazione iniziale le stazioni con alto grado di connessione.

Figure 7: Popolazione iniziale delle stazioni

Come era lecito attendersi, i nodi 11 e 145, corrispondenti alle stazioni di
Baker street e Kings Cross-St. Pancras sono i pi`
u popolati, mentre il nodo
189, corrispondente alla stazione inesistente di cui sopra, non ha abitanti al
suo interno, rendendo quindi la sua presenza inutile.
Si riportano nel seguito le assunzioni fatte per realizzare il modello su cui
basare la simulazione dinamica.
Si assume la presenza di infiniti treni in grado di spostarsi in un singolo
passo da ogni punto del network in ogni punto del network diverso da
quello di partenza ma ad esso connesso. Inoltre finch`e un individuo
non esce dal sistema metro, si ritiene trascurabile il tempo che impiega
in attivit`a diverse dal viaggiare (cambio di binari, tempi di attesa,
commissioni ecc.). Uscire equivale al tornare a casa per lintera porzione
di giornata residua;
9

Figure 8: Istogramma della popolazione iniziale delle stazioni

Si assume che la popolazione di una data stazione sia divisa in gruppi di
individui, diversi time step per time step, e che una volta che il gruppo `e
partito insieme scende unito alla stessa fermata per poi eventualmente
ripartire 3 ;
Un gruppo che si trovi nella stazione i-esima, con grado di connettivit`a
ki , ha una probabilit`a uniforme di finire in ognuna delle ki stazioni
ad essa connessa. Tale probabilit`a `e pari a k1i . Lindipendenza di tale
probabilit`a dallo stato del sistema (ossia dalla popolazione dei nodi nel
caso specifico) rende il problema un processo Markoviano4 ;
Ogni gruppo ha una probabilit`a del 1% di uscire dal sistema di metropolitana ad ogni time step (ossia esistono 3 possibili stazioni obiettivo
per un gruppo: casa, lavoro e altro). Luscita dal sistema metropolitana `e a tutti gli effetti una diminuzione degli attori in gioco;
Ad ogni stazione sale una quantit`a di viaggiatori estratta da una distribuzione di Poisson. La costante del processo `e definita come
i = 1% 20 ki , con ki connettivit`a della stazione i-esima.
In questo modo si favorir`a la possibilit`a che ci sia gente per stazioni
maggiormente connesse (che si assumono essere le pi`
u frequentate e che
3

Nel codice sorgente `e presente anche il codice da usare per muovere ogni persona in
modo individuale come codice commentato. A causa dellelevato numero di ore necessario
ad eseguire una singola run del programma, tale versione non `e stata mai eseguita fino in
fondo, ma si `e verificata la correttezza del codice nel caso si decida di adoperarla.
4
Sar`
a verificata in una delle prossime sezioni tale natura andando a studiare la sensibilit`
a della distribuzione stazionaria al cambio di condizioni iniziali.

10

potrebbero essere maggiormente servite da altri tipi di servizio pubblico). Il numero 20 `e stato scelto in maniera empirica per mantenere
il numero di attori in gioco costante o al pi`
u in lieve aumento nellarco
della giornata. La salita ad una data stazione descritta da questo paragrafo `e il meccanismo di aumento degli attori in gioco.
Si noti come gli ultimi due punti descrivano il modo in cui il sistema pu`o
variare la propria popolazione, rispettivamente diminuendola o aumentandola, rendendo quindi il sistema aperto. Nessuno dei due processi `e dipendente dallo stato del sistema, ma al pi`
u solo da sue caratteristiche morfologiche (il processo poissoniano che regola la comparsa di nuovi attori dipende
dalla connettivit`a della stazione interessata che non varia durante la simulazione). Questa caratteristica preserva quindi la Markovianit`a del problema.
Per conferire maggior dignit`a statistica ai dati, si sono eseguite 10 diverse run della simulazione in modo da ottenere valori medi e deviazioni
standard pi`
u consistenti. Ogni run `e costituita da 10000 time steps. Per
ogni run si `e salvata la popolazione di ogni singolo nodo, e al termine delle
run per ogni stazione si `e calcolata la popolazione media finale ed il relativo
errore, calcolato come deviazione standard delle relative 10 misure di popolazione. Si riporta nel seguito la popolazione finale delle stazioni ed il relativo
istogramma, che useremo per approssimare la distribuzione stazionaria dei
passeggeri nelle stazioni.

Figure 9: Popolazione finale media delle stazioni.

Come si pu`o osservare, i due istogrammi non differiscono in modo troppo
evidente fatta eccezione per il range di passeggeri esplorato. Per eseguire
un confronto tra i due si `e quindi proceduto ad effettuare una normalizzazione dellintervallo esplorato, dividendo il numero di passeggeri presenti
in ogni stazione per il numero totale di passeggeri presenti sulla rete, in
modo da avere quindi istogrammi che spazino sempre sullasse delle ascisse
nellintervallo [0;1]. Su questi istogrammi normalizzati `e stato eseguito un
11

Figure 10: Distribuzione delle stazioni in funzione del numero di passeggeri

test di Kolmogorov-Smirnoff per verificare la reciproca compatibilit`a entro
un intervallo di confidenza del 95%. Tale test ha dato esito positivo, non
riuscendo quindi a rigettare lipotesi nulla di compatibilit`a tra i dati.
Da questo confronto si pu`o quindi dedurre che, nellipotesi di diffusione
non preferenziale (o random) dei passeggeri allinterno del network, la rete
metropolitana di Londra tenda a mantenere la popolazione dei nodi della rete
sotto controllo, evitando quindi nodi che assorbano gran parte dei passeggeri
o che ne generino in modo eccessivo.

Sensibilit`
a della simulazione alle Condizioni Iniziali
La simulazione `e stata ripetuta andando a variare le condizioni iniziali,
applicando una permutazione sulle popolazioni al tempo 0 delle stazioni.
Sebbene le popolazioni registrate nelle singole stazioni (figura 11) siano diverse rispetto al caso originale (figura 9), la distribuzione stazionaria risultante con il nuovo set di popolazioni iniziali (figura 12) esibisce una notevole
similarit`a con quanto prodotto dalla prima simulazione (figura 10). Anche
il numero di attori che hanno transtitato per il sistema nel corso della simulazione `e praticamente identico ( 2,41 milioni di passeggeri).
Per quantificare questo risultato si `e eseguito un test di Kolmogorov
Smirnoff sulle versioni normalizzate a 1 degli istogrammi. Il test ha rigettato
entro un intervallo di confidenza del 95% lipotesi nulla di non compatibilit`a
tra le due distribuzioni stazionarie ottenute, confermando la natura Marko-

12

Figure 11: Popolazione finale media delle stazioni con diverse c.i.
viana del processo simulato. I processi Markoviani infatti sono caratterizzati
da una distribuzione stazionaria unica, determinata dalle caratteristiche del
processo ma non dalla configurazione iniziale del sistema (o, pi`
u in generale,
da qualunque configurazione precedente sufficientemente distante nel tempo).
Nota: Tutte le misure e le elaborazioni descritte nelle prossime sezioni
sono ottenute a partire dalla configurazione iniziale descritta nella sezione
Simulazione (figura 9).

Confronto con le misure di centralit`

a
Da ultimo `e stato eseguito un confronto tra i dati prodotti dalla simulazione
e le misure di centralit`a ottenute in precedenza. Risulta infatti interessante
cercare se esiste una qualche correlazione tra la popolazione di una determinata stazione a fine giornata e la sua centralit`a allinterno del network. A
causa del ridotto numero di stazioni con coefficiente di clustering non nullo,
tale misura non sar`a utilizzata in questa sezione del lavoro in quanto non
produrrebbe risultati estendibili allintera rete. Le misure che adopereremo
saranno pertanto Grado di Connessione e Betweenness Centrality.

Distribuzione Stazionaria Teorica

Per avere un termine di paragone tra i risultati ottenuti e i risultati attesi, `e
stata calcolata la distribuzione stazionaria teorica. Per fare ci`o si `e applicata
per 100 volte la matrice di transizione (definita come la matrice di adiacenza
divisa per il vettore di connettivit`a dei nodi) al vettore della popolazione
iniziale delle stazioni. La distribuzione stazionaria ottenuta `e riportata in
figura 16, ed attraverso un test Kolmogorov-Smirnoff non `e stato possibile
13

Figure 12: Distribuzione delle stazioni in funzione del numero di passeggeri

con diverse c.i.
rigettare lipotesi di compatibilit`a tra questultima (normalizzata a 1) e le
popolazioni finali ottenute dalle nostre simulazioni.

Figure 13: Distribuzione Stazionaria Teorica

Grado di connessione
Andando a graficare il grado di connessione in funzione della popolazione
delle stazioni (figura 11), si vede come laccordo tra le due misure sia praticamente perfetto, ad eccezion fatta per la stazione di Acton Town (unico punto
14

spiccatamente fuori dalla retta): i dati giacciono su una retta con bassissima
dispersione, con un coefficiente di correlazione lineare pari a 0,9985.

Figure 14: Grado di connessione vs popolazione delle stazioni

Un fit lineare eseguito sui dati ha fornito entro un intervallo di confidenza
del 95% un coefficiente angolare pari a (0, 0002931 0, 00000175) utenti1 ed
unintercetta pari a 0, 0010710, 01529. Si osserva che il valore dellintercetta
`e compatibile con 0 come atteso (una stazione non connessa a niente non
dovrebbe avere popolazione al suo interno).
Lelevata correlazione tra popolazione e grado di connessione `e limpronta
del criterio usato per popolare le stazioni in preparazione della simulazione,
unitamente al meccanismo di aumento degli attori del sistema. Un risultato
di compatibilit`a era pertanto atteso, e un valore della correlazione cos` elevato
evidenzia come la topologia della rete tenda a preservare la distribuzione
iniziale in caso di mobilit`a senza forzature con il modello qui impiegato.

Betweenness Centrality
Analizzando il grafico in figura 12, si osserva come in questo caso la correlazione tra BC e popolazione dei nodi `e molto pi`
u blanda di quanto non sia
quella tra grado di connettivit`a e popolazione. Come si pu`o osservare, i punti
si distribuiscono in fasce con piccole fluttuazioni in termini di popolazione
ma notevoli per quanto riguarda la BC. Tuttavia si pu`o osservare come la
zona pi`
u densa, o in generale il punto medio, di ogni fascia di BC cresca al
salire della corrispondente popolazione.
Questa tendenza si riflette nel valore del coefficiente di correlazione lineare

15

Figure 15: Betweenness Centrality vs popolazione delle stazioni

(0,7250) che, pur non essendo elevato come nel caso precedente, `e sufficientemente alto da sottolineare una correlazione tra i dati di tipo lineare.
Un fit ha permesso di ottenere una stima del coefficiente angolare (3, 546 105
0, 3795 105 utenti1 ) e dellintercetta (0, 1566 0, 03245) della retta che
meglio interpola le misure di popolazione e centralit`a (i valori sono forniti
entro un intervallo di confidenza del 95%)

BC e Grado di Connessione5
A causa delle analoghe conclusioni cui hanno condotto i due precedenti approcci, si `e valutata la correlazione tra BC e tra il grado di connessione dei
nodi. Anche in questo caso (figura 13) si `e trovata una corrispondenza di
tipo lineare sparsa, simile alla correlazione tra BC e popolazione, con un
coefficiente di correlazione lineare pari a 0,7257.

Nuovo modello di salita/discesa passeggeri

Da ultimo il modello di salita dei passeggeri `e stato variato. In questo nuovo
modello, sia la discesa che la salita sono indipendenti dalla connettivit`a del
nodo: un gruppo ha una probabilit`apdown di scendere, una probabilit`a pup di
salire e una probabilit`a ptravel di continuare a viaggiare. Nel caso in cui pup e
pdown coincidano il sistema, sebbene aperto, non presenta in media variazioni
consistenti del numero di viaggiatori.
5

Il sorgente relativo a questa sezione `e allinterno delle elaborazioni inerenti alle misure
di centralit`
a

16

Figure 16: Betweenness Centrality vs grado di connessione delle stazioni

Tale modello `e stato testato con una probabilit`a di discesa/salita pari a
0.01 (uguale alla probabilit`a di discesa del modello precedente), a 0.1 e 0.2.
La probabilit`a ptravel `e sempre pari a 1 pup pdown , o equivalentemente
1 2 pup/down nel caso in cui le due probabilit`a coincidano.
Le simulazioni sono state testate spostando un gruppo o due gruppi per
volta. Non si `e proseguito oltre col numero di gruppi spostati per evitare
uneccessiva depopolazione di nodi scarsamente popolati.
Si osserva che per quanto concerne le simulazioni con pup/down = 0.01, spostando uno o due gruppi per volta, non si registrano a livello di distribuzione
stazionaria significative differenze dal precedente modello (e quindi dalla distribuzione stazionaria teorica).
Per quanto riguarda le simulazioni con maggiore probabilit`a di cambio
popolazione, la run con pup/down = 0.1 con lo spostamento di un solo gruppo
per volta ha prodotto risultati analoghi, mentre laumento ulteriore di membri spostati o della pup/down produce distribuzioni stazionarie che, sebbene
similari a livello estetico con la teorica, non risultano compatibili entro un
intervallo di confidenza del 95% n`e con la distribuzione teorica n`e con quelle
ottenute in precedenza.
Si riportano nel seguito le distribuzioni stazionarie ottenute.

17

Figure 17: Distribuzione Stazionaria con p = 0.2, un gruppo spostato per

volta

Conclusioni
In questo lavoro abbiamo analizzato uno dei principali network di treni suburbani del mondo, andandone a studiare la topologia e eseguendo su di esso
una simulazione della diffusione dei passeggeri al suo interno.
La caratterizzazione topologica ha evidenziato una particolare distribuzione
del grado di connessione dei nodi del network, una log-normale, diversa da
quella predetta dai due principali modelli nulli, ErdosRenyi (che prevede
una distribuzione gaussiana dei gradi di connessione) e BarabasiAlbert (che
invece prevede una legge di potenza). Tuttavia, a causa della connessione
tra log-normale e distribuzione a legge di potenza, il risultato da noi ottenuto porta a pensare che la rete metropolitana di Londra, sebbene presenti alcune importanti differenze dal modello ad attaccamento preferenziale
di BarabasiAlbert, non ne sia poi cos` dissimile e che, qualora vi si aggiungessero nuovi nodi, possa tendere ad un network appartenente a siffatta
categoria.
La ricerca di Cliques ha evidenziato la scarsa ridondanza a carattere locale
dei collegamenti (11 cliques da 3 nodi cadauna), che tuttavia non pregiudica
la ridondanza a carattere globale del network stesso, evidenziando quindi
lelevata efficenza della rete.
Le misure di centralit`a hanno evidenziato come la rete in oggetto sia caratterizzata da una notevole resistenza ad attacchi casuali a causa dellelevato
numero di stazioni a bassa Betweenness Centrality, e che possegga una ridondanza molto bassa: il Coefficiente di Clustering medio `e pari a 0.0322
18

Figure 18: Distribuzione Stazionaria con p = 0.1, due gruppi spostati per
volta
0.0079, e la maggior parte dei nodi con CC non nullo presentano valori di
tale parametro molto bassi.
La simulazione ha evidenziato come la rete sia in grado di mantenere la
popolazione relativa delle stazioni sotto controllo, evitando fenomeni di assorbimento dei passeggeri in zone limitate della rete. Una cosa interessante
`e che il numero di persone che hanno usufruito della metropolitana nel corso
di ogni singola run, 2400000, risulta compatibile con le stime fornite dalla
societ`a di trasporto pubblico londinese, che afferma che il numero di passeggeri che usufruiscano del servizio in una singola giornata sono dellordine dei
due milioni - due milioni e mezzo.
Il confronto tra i risultati della simulazione e le misure di centralit`a effettuate in precedenza permette di affermare che la popolazione delle stazioni
`e direttamente proporzionale al loro grado di connessione, e, sebbene in
maniera meno precisa, esiste una relazione di tipo lineare positiva anche tra
la betweenness centrality del nodo e la rispettiva popolazione a fine giornata.
In particolare, il primo risultato era atteso in base al modello di mobilit`a
adottato nella simulazione: stazioni ad alta connettivit`a hanno maggior probabilit`a di avere elevata popolazione iniziale, hanno maggior probabilit`a di
avere viaggiatori in ingresso ed hanno mediamente un numero nuovi viaggiatori maggiore (si ricordi che il parametro della poissoniana di ripopolazione
del sistema `e proporzionale alla connettivit`a della stazione).
La duplice corrispondenza tra la popolazione e le diverse misure di centralit`a trova una risonanza nella correlazione identificata tra BC dei nodi
e loro grado di connessione, che ha evidenziato come, sebbene una misura
non possa sostituire laltra, nel network in oggetto a parit`a di grado di con19

Figure 19: Distribuzione Stazionaria con p = 0.1, un gruppo spostato per

volta
nessione la distribuzione delle BC corrispondenti abbia un valore medio
proporzionale alla connettivit`a stessa.
La natura Markoviana del processo `e stata verificata andando a confrontare le distribuzioni stazionarie ottenute usando due diversi set di popolazioni iniziali nelle stazioni (uno il permutato dellaltro). Il test statistico
impiegato non `e riuscito a rigettare lipotesi nulla di compatibilit`a tra le
due distribuzioni stazionarie ottenute. La verifica della compatibilit`a tra
la distribuzione ottenuta applicando la matrice di transizione al vettore di
popolazione per un elevato numero di volte e la distribuzione ottenuta con
la nostra simulazione `e un ulteriore conferma della natura Markoviana del
modello adottato.
Inoltre si `e andati a modificare il meccanismo di ripopolazione del sistema
in modo da ottenere un equilibrio dinamico tra agenti in ingresso ed agenti
in uscita. Variando la probabilit`a di cambio della popolazione si osserva
come allaumentare di questultima la distribuzione stazionaria si allontani
da quella teorica prevista. Stesso dicasi per il numero di agenti iniettati o
sottratti dal sistema: gi`a un semplice raddoppio degli attori coinvolti da tale
cambiamento con una probabilit`a pup/down pari al 10% si osserva una distribuzione stazionaria non compatibile con il termine di confronto analitico.
Un possibile miglioramento del modello qui adoperato potrebbe essere
linserimento di criteri per determinare la discesa dalla rete metropolitana
rendendo la probabilit`a di tale evento in funzione del nodo di discesa non
uniforme, in modo da accordarsi con il primo modello di salita adottato in
questo lavoro.
Per ottenere una simulazione pi`
u rappresentativa della situazione reale
20

Figure 20: Distribuzione Stazionaria con p = 0.01, un gruppo spostato per

volta
`e necessaria la modellizzazione di un criterio di mobilit`a dei passeggeri in
modo da ottenere una diffusione degli stessi di tipo forzato, ossia sottoposta a
vincoli verosimili, in modo da poter verificare la resa della rete sotto un carico
pi`
u similare al real use scenario. Tuttavia lo sviluppo di siffatto modello non
era tra gli obiettivi di questo lavoro, ma pu`o risultare uno spunto interessante
per eventuali prosecuzioni.

21