Generative AI for Scalable Multivariate Traffic Scenario Modelling in Urban Mobility Systems

La crescente complessità dei sistemi di mobilità urbana richiede strumenti in grado di rappresentare l’incertezza basandosi sui dati raccolti. In questo contesto, la generazione di scenari di traffico realistici è diventata un elemento chiave per numerose applicazioni, tra cui simulazione, previsione e ottimizzazione in condizioni di incertezza. Tuttavia, gli approcci statistici tradizionali per la generazione di scenari faticano a scalare su reti stradali reali e di grandi dimensioni: la necessità di catturare dipendenze spaziali e alta dimensionalità comporta una crescita computazionale significativa che ne limita l’applicabilità. Questa tesi affronta tali limitazioni proponendo una serie di modelli basati su tecniche di Generative AI, come Variational Autoencoders e Generative Adversarial Networks, ciascuno caratterizzato dalla propria architettura e dalla capacità di catturare strutture complesse nei dati. Le varianti proposte includono estensioni con Graph Convolutional Networks per modellare in modo esplicito le correlazioni spaziali tra segmenti stradali adiacenti, oltre a livelli basati su Transformer per rappresentare in modo più efficace le dipendenze a lungo raggio. Per valutare il realismo degli scenari generati, la tesi introduce un framework di valutazione che combina metriche statistiche complementari, visualizzazioni a bassa dimensionalità e integra anche misure di efficienza computazionale, fornendo una valutazione multilivello delle prestazioni generative. Gli esperimenti condotti su dati di traffico reali mostrano che i modelli proposti riproducono le principali proprietà statistiche osservate nei dati, mantenendo al contempo un’elevata scalabilità su reti di grandi dimensioni, un contesto in cui gli approcci statistici tradizionali diventano computazionalmente inapplicabili. Nel complesso, i risultati evidenziano il potenziale dei modelli generativi per la generazione di scenari di traffico realistici e ad ampia scala.

The growing complexity of urban mobility systems requires tools capable of representing uncertainty directly from data. In this context, the generation of realistic traffic scenarios has become a key component for a wide range of applications, including simulation, forecasting, and optimization under uncertainty. However, traditional statistical approaches for scenario generation struggle to scale to real, large‑scale road networks: capturing spatial dependencies and high dimensionality leads to significant computational growth that limits their applicability. This thesis addresses these limitations by proposing a set of models based on Generative AI architectures, such as Variational Autoencoders and Generative Adversarial Networks, each characterized by its architectural design and its ability to capture complex structures in the data. The proposed variants include extensions with Graph Convolutional Networks to model spatial correlations between adjacent road segments, as well as Transformer layers to more effectively represent long‑range dependencies. To assess the realism of the generated scenarios, the thesis introduces an evaluation framework that combines complementary statistical metrics, low‑dimensional visualizations, and computational efficiency measures, providing a multi‑level assessment of generative performance. Experiments conducted on real traffic data highlight that the proposed models reproduce the main statistical properties observed in the data while scaling reliably to large‑scale networks, a setting in which traditional statistical approaches are no longer applicable. Overall, these results highlight the potential of VAE‑based generative models as a scalable solution for producing realistic traffic scenarios that can support simulation and optimization processes in transportation systems.