Criteri di scelta

Si può, come per la scelta, riferirsi ai modelli Logit per la scelta degli attributi, fermo restando il fatto che lo scopo della ricerca è anche quello di confrontare i risultati. Gli attributi sono quindi gli stessi specificati in precedenza, e sono riportati nella tabella 3.1 alla pagina seguente, mentre per la loro descrizione dettagliata si rimanda al paragrafo 1.4.4 del primo capitolo, facendo notare che in questo caso si opera in termini disaggregati, e pertanto gli attributi vanno considerati in questi termini. Inoltre, rispetto al impiego del CRSA è possibile aggiungere quelli che sono gli attributi individuali dell’utente:

BUS vs NON B US AUT O vs NON AUT O MC vs NONM C

ATTRIBUTI DI LIVELLO DI SERVIZIO

Tempo di viaggio in BUS − + +

Tempo di viaggio in AUTO + − +

Tempo di viaggio in MOTOCICLO + + −

Costo di viaggio in BUS − + +

Costo di viaggio in AUTO + − +

Costo di viaggio in MOTOCICLO + + −

Intertempi − + +

Trasbordo − + +

Stalli di sosta AUTO − + −

Stalli di sosta MOTOCICLO − − +

ATTRIBUTI SOCIO-ECONOMICI DELL’AREA DI STUDIO

Adiacenza − + +

Penalizzazione zone interne + − +

Penalizzazione zone esterne + + −

Coefficiente di occupazione − + −

Istruzione − − +

ATTRIBUTI SOCIO-ECONOMICI INDIVIDIALI

Impiego / / /

Sesso / / /

Età / / /

N° di auto possedute della famiglia − + −

N° di motocicli posseduti della famiglia − − +

+ : relazione d'ordine positiva per la scelta; - : relazione d'ordine negativa per la scelta; / : relazione d’ordine indifferente

In particolare, la tabella riporta gli attributi e il loro impiego nei diversi set di classificazione, indicando separatamente gli attributi di livello di servizio, tipici del sistema dei trasporti, quelli socio economici dell’area di studio, e quelli socio-economici individuali. E’ inoltre riportata, come detto in precedenza, la distinzione di utilizzo, rispetto alla loro relazione d’ordine, in funzione della diversa classificazione. Appare ovvio, infatti, come un criterio, ad esempio il tempo di viaggio in autobus, sia da considerarsi come negativo ai fini della scelta di tale mezzo di trasporto, mentre è positivo nei riguardi della scelta degli altri mezzi: tanto più sarà alto questo criterio, tanto meno sarà preferita al scelta del modo, e quindi più alta la sua “non-scelta”. Stesso dicasi per gli altri mezzi e criteri. Nel caso invece delle variabili indifferenti, introdotte come “dummies” nei modelli Logit, sono lasciate prive di relazioni d’ordine, e saranno trattate come attributi condizionali nel CRSA, anche perché nella scelta di un modo, sarà determinante l’essere parte o meno di una classe, ad esempio di lavoratori, nella scelta o meno di un’alternativa. Caso particolare è quello delle età che viene introdotta come priva di relazione d’ordine,

ma viene discretizzata in 5 classi di età di 20 anni ciascuna. Questo come visto nella parte teorica precedente genererà un caso particolare per il quale nelle regole generate, il limite superiore e inferiore imposto ad un attributo sarà uguale, rendendo la condizione una partizione della decision table nelle regole che considerano questo tipo di criteri. Questo

rappresenta un grosso vantaggio rispetto ai modelli classici, poiché consente di lavorare direttamente su attributi individuali non quantificabili, e che pertanto dovrebbero esser “numerizzati” per la loro introduzione in un modello tipo Logit. Infatti, per considerare il tipo d’impiego dell’utente in un modello classico, si sarebbe costretti o a inserirlo sottoforma di reddito, con una forzatura perché reddito e tipologia d’impiego non sono sempre collineari, oppure, come è stato fatto, come variabile “dummie” in una o alcune alternative.

Evidentemente è mantenuta inalterata la suddivisione in zone come le coppie O/D che si generano. Per approfondimenti sui dettagli riguardo alla zonizzazione si rimanda al relativo paragrafo 1.4.3 del primo capitolo. Anche quantitativamente, il valore specificato degli attributi è stato mantenuto tale. Una volta selezionati e valutati gli attributi, si ottiene quindi una decision table ripartita in tre parti, uguali per la definizione e quantificazione

dei criteri ma diverse per la classificazione e quindi il tipo di scelta operato. Nelle tre tabelle 3.2, 3.3 e 3.4 alla pagina seguente si possono vedere tre brevi stralci di queste

Tab. 3.2 – Estratto della decision table BUS vs NONBUS

3.5. E

E’ il procedimento con cui partendo dalle approssimazioni delle classi sono ricavate le regole, a partire dalla decision table, ed è assimilabile, volendo, alla fase di calibrazione

dei modelli Logit. Per quest’elaborazione sarà impegato il software JAMM, specificatamente sviluppato dal professor Roman Słowiński presso il Laboratory of Intelligent Decision Support System (IDSS) dell’University of Technology di Poznàn (PL).

Fig. 3.2 – Screenshot del programma JAMM

L’applicazione del programma permette di calcolare tutti gli elementi concernenti il DRSA, come gli atomi della decision table, i reducts, il core ed infine l’estrazione delle

3.5.1. Procedura di estrazione delle regole

E’ necessario scegliere una via da perseguire rispetto alle diverse strategie per l’estrazione delle regole dalla decision table (cfr § 3.3.6). Seguendo il procedimento

dell’approccio classico può essere opportuno ricavare un set minimo di regole che ricopra tutto il set di calibrazione, questo anche in considerazione del fatto che il numero di atomi, come si vedrà in seguito, è molto maggiore rispetto al caso del CRSA, e quindi c’è un proliferare di regole decisionali. In particolare, essendo il software sperimentale e in via di sviluppo si sono riscontrati problemi nell’estrazione del set completo di regole. Nello specifico, perché il programma è stato compilato a 32 bit, e quindi non in grado di gestire più di 2³² byte (4.096 Gbyte), e pertanto nel calcolo del set completo di regole veniva esaurita la memoria virtuale.

Un'altra scelta da effettuare, è il tipo di approccio Dominance-based, ovvero se applicare la relazione di dominanza in senso stretto oppure l’approccio a consistenza variabile. Per quanto detto in precedenza essendo il numero di atomi alto, allora sarà opportuno utilizzare l’approccio a consistenza variabile, per ridurre il numero di regole, per tenere in considerazione dei possibili errori di valutazione, nonché le fluttuazioni casuali nella scelta o i casi particolari registrati nel Data base. Il confidence level viene fissato al

valore 0.95, quindi le approssimazioni inferiori ammetteranno il 5% massimo di oggetti negativi che la supportino. Questo limite è fissato anche dal fatto che per il motociclo prendendo un valore minore si sarebbe ottenuto un'unica regola che per la non-scelta del motociclo.

Inoltre, come detto in precedenza, si hanno tre distinte decision table e quindi si

ottengono tre distinti set di regole, ognuno riferito alla scelta o non scelta di uno dei tre modi di trasporto considerati. Quindi il risultato finale sarà dato da un complesso di regole che ricopre tutti gli oggetti della decision table, formato da tre insiemi di regole riferiti alle

tre modalità considerate, e che fornisce le informazioni minime riguardo i dati del set di “calibrazione” dell’insieme di regole e di forma tale da consentire di lavorare agevolmente poi in fase di validazione. In via preliminare riguardo tale tipo di studio, si persegue solamente la via che si ritiene più adatta, lasciando a future ricerche o sviluppi l’analisi di tutte le possibilità disponibili.