L’applicazione dell’intelligenza artificiale (AI) alla gestione dinamica e di precisione della mobilità può essere un utile strumento per il raggiungimento di obiettivi di efficienza e sostenibilità.
L’AI, elaborando in tempi molto brevi big data da fonti eterogenee, può aiutare nella diagnosi in tempo reale del sistema di mobilità e, confrontando fenomeni da un data set di contesti simili, individuare configurazioni di rete e di servizio e misure di gestione della domanda che consentano di raggiungere gli obiettivi tipici di un decisore pubblico nell’interesse collettivo. Esaminiamo allora scenari e framework IT basati su tecnologie emergenti e intelligenza artificiale per supportare una mobilità digitale sostenibile e cooperativa.
L’impatto del cambio di paradigma dell’AI sui trasporti
La mobilità sta vivendo un profondo cambiamento assicurato dall’innovazione digitale. Le tecnologie emergenti applicate al settore dei trasporti possono consentire una gestione personalizzata e dinamica della mobilità e garantire un nuovo equilibrio tra efficienza e sostenibilità nelle nostre città.
L’intelligenza artificiale può rappresentare una delle leve fondamentali per un riadeguamento dinamico e continuo dell’offerta di trasporto per una domanda di mobilità sempre più flessibile e fluida, attraverso una nuova generazione di ecosistemi di piattaforme digitali per la gestione della mobilità e C-ITS (Cooperative Intelligent Transport Systems). Inoltre, l’AI combinata con l’acquisizione di big data e flussi di traffico da sistemi di campo e sistemi di analisi video, sia a livello periferico (edge) che centrale, può essere utilmente utilizzata per calibrare modelli di simulazione della domanda e interpretare i fenomeni non solo in condizioni ordinarie ma anche durante eventi eccezionali.
Le applicazioni di intelligenza artificiale nel campo dei sistemi di trasporto sono state finora utilizzate principalmente nel campo della manutenzione predittiva delle infrastrutture fisiche e della guida autonoma. Tuttavia, l’AI può essere applicata con grande efficacia sia in fase di pianificazione che in quella operativa, per l’attuazione di politiche di gestione della domanda e di offerta di servizi di trasporto adattivo e intermodale, secondo l’ormai noto approccio MaaS (Mobility as a Service).
L’AI fornisce nuove soluzioni per l’analisi delle informazioni, finora sconosciute, abilitando un efficace supporto alle decisioni che, unito alle logiche dell’automazione dei processi e della gestione remota degli ITS, consente un cambiamento radicale delle dinamiche di gestione della mobilità. Questo produce da un lato la riduzione dei costi e degli errori e dall’altro la personalizzazione dei servizi di mobilità porta a porta.
L’AI, elaborando big data da fonti eterogenee in brevissimo tempo, può aiutare nella diagnosi in tempo reale del sistema di mobilità, e confrontando fenomeni in contesti simili, identificare configurazioni di rete e di servizio, e misure per la gestione della domanda di spostamento che permettano di raggiungere gli obiettivi tipici di un decisore pubblico nell’interesse collettivo -system optimum- (riduzione dei costi e delle esternalità per la collettività, minimizzazione del livello di congestione, massimizzazione della soddisfazione degli utenti, miglioramento della sicurezza, riduzione delle emissioni di gas serra e inquinanti atmosferici…).
L’AI per una mobilità dinamica e personalizzata
La domanda di mobilità è in continua evoluzione. Nell’ultimo decennio il complesso rapporto tra città e mobilità ha assunto un ruolo centrale nelle strategie nazionali ed europee dove l’obiettivo dichiarato e riconfermato è affrontare le sfide ambientali e innalzare la qualità della vita. Le tecnologie abilitano e perfezionano le dimensioni fondamentali per diventare città intelligenti. La mobilità è forse l’ambito su cui le innovazioni tecnologiche avranno il maggiore impatto e da cui deriveranno gli esiti più rilevanti per i cittadini di domani.
Le innovazioni che cambieranno le città
Già nel prossimo decennio, il modo in cui ci muoviamo e viviamo le città potrebbe cambiare in modo significativo grazie a innovazioni legate a:
- la raccolta e gestione di dati e informazioni (IoT – Internet of Things, dispositivi mobili, dispositivi wereable);
- la sempre maggiore capacità e velocità di analisi (HPC – High performance computing), simulazione e interpretazione dei fenomeni (Big Data Analytics, Machine/Deep Learning);
- la digitalizzazione e automazione dei processi (AI – Artificial Intelligence, Digital Twin, IoE – Internet of Everything, AR – Augmented Reality);
- i sempre più diffusi sistemi di pagamento elettronico e di gestione di smart contract (e-ticketing, EMV, Blockchain);
- la diffusione dinamica delle informazioni in mobilità (anche attraverso le emergenti tecnologie di comunicazione veicolo-veicolo – V2V e la diffusione di servizi C-ITS transfrontalieri interoperabili per gli utenti della strada, i cosiddetti “Day 1 – C-ITS services”).
Tali tecnologie emergenti se opportunamente governate, renderanno il sistema della mobilità sempre più incentrato sull’utente e adattivo. Analogamente, la movimentazione delle merci si baserà su una catena logistica sempre più digitale e su una distribuzione urbana intelligente e sostenibile (Logistics as a Service – LaaS, urban distribution center – UDC, e-van sharing, micromobility e last-mile logistics, delivery drone).
L’uso dell’intelligenza artificiale contribuisce e accelera l’implementazione di soluzioni sia per monitorare il comportamento di scelta degli utenti e le prestazioni dei servizi di trasporto sia per creare sistemi di automazione e supporto alle decisioni che agevolano una gestione dinamica e personalizzata della mobilità [1, 2, 3, 4]. Esempi di metodi di intelligenza artificiale applicati con successo nel campo della gestione dei trasporti includono Fuzzy Logic Model (FLM) [4, 5], Artificial Neural Networks (ANNs), Genetic Algorithms (GAs) [6], Simulated Annealing (SA), Artificial Immune System (AIS), the Ant Colony Optimizer (ACO), and the Bee Colony Optimization (BCO) [2]. Questi algoritmi di intelligenza artificiale sono stati sperimentati in diverse applicazioni per il veicolo, l’infrastruttura, il conducente o l’utente del trasporto e, in particolare, per migliorare l’interazione dinamica tra di loro per fornire servizi di trasporto che promuovono l’empowerment dell’utente e supportano le interazioni uomo-macchina [2, 7, 8].
I vantaggi sono indubbi sia dal punto di vista dell’utente che del business. Ma i rischi di un’innovazione troppo rapida e non orientata sono dietro l’angolo. Tutte queste innovazioni già in atto, senza un governo intelligente basato su un approccio di sistema e una pianificazione basata sul monitoraggio dei dati di una domanda (sia passeggeri che merci) così elastica, potrebbero però portare a un nuovo stato di equilibrio del sistema della mobilità urbana ancora una volta lontano dagli obiettivi di efficienza e sostenibilità.
L’AI per la pianificazione della mobilità urbana sostenibile
La pianificazione svolge un ruolo chiave nella capacità delle città di governare il processo di innovazione della mobilità urbana senza subirla. Per invertire le tendenze e colmare il gap di innovazione, una sfida significativa per le città che mirano a sostenere l’efficienza energetica e, in generale, il miglioramento della qualità della vita dei cittadini, è saper attuare un cambio di paradigma nel processo di pianificazione.
L’interpretazione dei rapidi cambiamenti della domanda diventa cruciale così come la valutazione continua delle misure per l’evoluzione del sistema di offerta. L’attuazione di una corretta politica di intervento, gestione e pianificazione del trasporto urbano si è scontrata in passato con una conoscenza spesso frammentaria e incompleta del sistema della mobilità nelle aree urbane (alto costo e laboriosità delle rilevazioni della domanda di mobilità, difficoltà a dare continuità nel tempo e copertura territoriale del monitoraggio, limiti di calcolo rispetto al volume dei dati, ecc.).
L’evoluzione delle città in Smart City in era digitale, facendo leva su innovazione ed intelligenza artificiale, oltre che nella gestione, è in grado di rivoluzionare il modo di fare pianificazione, superando difficoltà e limiti del passato. La fase di pianificazione può avvalersi della disponibilità di big data e informazioni utili per simulare il comportamento e le abitudini dei viaggiatori nelle aree urbane e metropolitane, ed un quadro dello scenario di partenza come base per definire sia gli obiettivi da perseguire sia gli indicatori più idonei a fornire una verifica quantitativa dell’efficacia delle misure messe in atto per il raggiungimento degli obiettivi stessi.
Il Piano Urbano della Mobilità Sostenibile – PUMS è un’occasione per le città per avviare una profonda riflessione. In questo contesto di difficile transizione occorre una nuova prospettiva per orientare risorse, energie e intelligenze. La progettazione integrata e l’approccio di sistema assumono una chiave di volta indispensabile per la promozione di una mobilità sostenibile e di un governo efficiente del territorio.
L’AI non è solo utile nella fase operativa dei trasporti, ma può supportare lo sviluppo e il monitoraggio del PUMS, in conformità con l’11° Sustainable Development Goal (SDG) (Città e comunità sostenibili) dell’Agenda 2030. L’AI può infatti contribuire a costruire una visione globale della città in termini di mobilità efficace e sostenibile, aiutando la comprensione dei fenomeni di mobilità urbana, accedendo a dati provenienti da fonti eterogenee e sparse che vengono automaticamente raccolti e integrati, elaborando i big data per prevedere l’impatto derivante da misure applicate o pianificate e tradurre l’impatto delle misure in indicatori di mobilità, salute e qualità della vita [9].
Per favorire questo processo positivo è fondamentale utilizzare tutte le innovazioni possibili per la trasformazione digitale della mobilità dei contesti urbani e metropolitani. Una nuova governance della mobilità supportata da strumenti efficaci, evoluti nel tempo e il più possibile aperti e dialoganti in un ecosistema sempre più digitale, dinamico, interconnesso e intermodale è d’obbligo. Indirizzare la creazione di soluzioni flessibili, aperte e incentrate sull’utente, che partano dai dati per creare valore e consentano una gestione intelligente delle informazioni ai responsabili della governance della mobilità in contesti urbani ed extraurbani.
AI-Based Digital Platform per la mobilità urbana
La vera differenza la gioca l’evoluzione degli ITS classici avuta negli ultimi anni, divenuti sistemi cooperativi e piattaforme digitali integrate per supportare la mobilità in ottica Smart City.
Queste piattaforme digitali, per le caratteristiche avanzate di acquisizione dei dati dal territorio e dal sistema dei trasporti, e per la grande capacità di elaborazione e rapidità di interpretazione dei fenomeni, sono un supporto sostanziale alle decisioni per la gestione del sistema dei trasporti nelle aree urbane, un orientamento all’intermodalità, alla multicanalità dell’informazione. Il loro uso aggiunge valore agli investimenti in digitalizzazione e ITS e promuove un’offerta efficace e sostenibile di servizi end-2-end. In tal senso, dotarsi di una piattaforma digitale per il governo del sistema dei trasporti intelligente, integrato ed orizzontale, oltre a supportare la gestione operativa della mobilità, al contempo è una soluzione per la misurazione ex ante ed ex post di politiche adattive e dinamiche per l’ottimizzazione e la sostenibilità degli spostamenti urbani.
Per attuare un ecosistema digitale, la tendenza delle moderne città metropolitane è quella di creare una Centrale di Controllo della Mobilità e Piattaforme digitali basate sull’utilizzo dell’AI, come cornice per la messa a fattor comune di tutto il patrimonio informativo, la centralizzazione dei dati e il controllo remoto dei sistemi di campo per la gestione, la regolazione e il controllo della mobilità urbana, per integrare sistemi combinabili ed elementi cooperativi. Queste soluzioni tipicamente integrano le seguenti componenti (vedasi Figura 1):
A livello di campo
• IoT – Internet of Things e sensori di traffico, rilevatori di traffico, videocamere, Floating Car Data, dati telco, dati acquisiti con i droni per riconoscere flussi di traffico e pedoni, eventi critici o disservizi in aree urbane sia per infrastrutture lineari che per i terminal hub (es. stazioni ferroviarie, porti, terminal bus, aeroporti);
• ITS e C-ITS come sistemi di monitoraggio e il controllo del traffico (TMS – Traffic Management Systems); sistemi di gestione di semaforici intelligenti, aree a traffico limitato, sistemi di videosorveglianza, soluzioni V2X e C-ITS, sistemi Smart Parking, sistemi informativi utente evoluti e multicanale, ecc.;
A livello centrale
• Soluzioni Big Data per acquisire grandi moli di dati eterogenei utili alla conoscenza storica e dinamica del sistema dei trasporti e anche alla calibrazione dei modelli (evidence based);
• Software per la Simulazione e Previsione del Traffico basato su modelli dinamici per rappresentare il sistema della domanda e dell’offerta e la loro interazione, con metodologie e tecniche dell’ingegneria dei trasporti;
• Intelligenza Artificiale e algoritmi basati su modelli di trasporto per interpretare i fenomeni e supportare le scelte (DSS-Decision Support System) sia in tempo reale nella gestione operativa del sistema di mobilità che off-line per la pianificazione del servizio di trasporto;
A livello distribuito
• Piattaforme MaaS che non possono che integrarsi con le Piattaforme centrali basate su AI per sfruttarne i dati e le logiche di business (in un’ottica di ottimo di sistema) e veicolare agli utenti finali l’offerta dinamica dei servizi, “migliori” per gli obiettivi collettivi di sostenibilità, consentendo la scelta dei segmenti che compongono il viaggio multi-intermodale, la prenotazione, il pagamento e l’utilizzo di informazioni avanzate personalizzate relative all’evoluzione del viaggio e alle condizioni in tempo reale circostanti (eventuali disservizi o modifiche della rete).
Fig. 1 – Elementi principali di una AI-Based Digital Platform per la mobilità urbana
Gli esempi di soluzioni AI per la mobilità urbana
Nel contesto di AI-Based Digital Platform descritto, l’intelligenza artificiale consente di automatizzare e/o supportare diverse attività che gli operatori delle centrali di controllo della mobilità svolgono solitamente manualmente o senza l’ausilio di informazioni e suggerimenti intelligenti. La tabella seguente evidenzia le tecniche di AI che svolgono e svolgeranno un ruolo cruciale per rendere queste soluzioni sempre più capaci di prendere decisioni rapide e agili e automatizzare l’implementazione di scenari e politiche di precisione della mobilità evidence based. Già molte applicazioni sono state rilasciate e coadiuvano il lavoro degli operatori che si occupano del governo della mobilità in ambito urbano con l’ausilio di AI-Based Digital Platform. Nella tabella seguente si riportano soltanto alcune delle soluzioni di AI già implementate o sperimentate in diverse realtà del mondo [1-10] caratterizzandole per funzionalità tipiche delle centrali di controllo della mobilità.
| Supervisione dello stato della viabilità | |
| Monitoraggio dei flussi di traffico | Per il monitoraggio dei flussi sono utilizzate soluzioni di video analisi e algoritmi AI per: 1) il conteggio e tracciamento dei flussi pedonali (la loro adozione permette il conteggio di persone/oggetti che attraversano un’area virtuale, conteggio e densità in un’area virtuale, anti-accodamento e distanziamento, calcolo flusso passeggeri, realizzazione di heat map); 2) il monitoraggio dei veicoli stradali (oltre alla categorizzazione dei veicoli e del colore, è possibile rilevare: coda, retromarcia, inversione di marcia, presenza di veicoli in aree vietate) |
| Simulazione e previsione del traffico privato | La Tecnologia Digital Twin (DT) combinata con la disponibilità di dati sul traffico in tempo reale e la AI (focalizzata sulla gestione end-to-end e sul funzionamento dei dati globali) consentono di prevedere le informazioni sul traffico. Il DT fornisce le basi per integrare approcci di simulazione microscopica (offline) con dati reali per creare una rappresentazione digitale dinamica dettagliata del traffico fisico. La tecnologia DT supporta la costruzione di informazioni urbane e modelli di reti di trasporto, tra cui informazioni geografiche, nuove viste stradali, scene tridimensionali reali e ITS presenti sulla rete di trasporto. I simulatori microscopici del traffico vengono utilizzati per modellare e simulare repliche digitali del traffico reale sincronizzate on the fly sfruttando i flussi di dati sul traffico effettivo a grana fine dai sensori di traffico presenti sulla rete stradale come input per il DT. Le funzioni di calibrazione dei simulatori microscopici consentono la calibrazione continua (dinamica) degli scenari di simulazione in esecuzione. In questo modo, i dati sul traffico effettivo vengono fusi direttamente nel modello virtuale in esecuzione in modo che il DT venga continuamente calibrato man mano che l’equivalente fisico cambia. Di conseguenza, DT e AI consentono l’ottimizzazione del controllo basata sulla simulazione durante il runtime del sistema che prima era impossibile. Esse, quindi, costituiscono la base per un’ulteriore evoluzione dell’analisi predittiva in tempo reale come supporto per decisioni critiche per la sicurezza nella gestione del traffico. Uno studio recente ha anche esplorato i metodi di previsione del flusso di traffico utilizzando tecniche ML/DL nei veicoli autonomi e ha confrontato questi modelli rispetto alla loro applicabilità nei moderni sistemi di trasporto intelligenti. |
| Monitoraggio del trasporto pubblico | Recentemente è stata esplorata la possibilità di raccogliere dati anonimi sul livello di servizio del trasporto pubblico, utilizzando tecnologie wireless, big data e filtri statistici. Gli algoritmi AI/ML vengono utilizzati per rilevare, localizzare, creare una mappa e registrare la presenza dei viaggiatori a bordo veicolo e alle fermate del trasporto pubblico, insieme ai normali dati sul traffico. La soluzione funge anche da sistema di back-up per localizzare i veicoli sul loro percorso. Un’altra soluzione utilizza i dati raccolti da AVL (Automatic vehicle location) per prevedere la domanda futura dei passeggeri su fermate e percorsi degli autobus utilizzando tecniche di apprendimento automatico supervisionato. Il sistema può inoltre fornire un’accurata previsione della domanda dei passeggeri alle fermate. |
| Monitoraggio e controllo di reti e ITS | |
| Sistemi semaforici intelligenti | Controllo degli impianti semaforici vision-based: i sistemi di intelligenza artificiale leggono i filmati delle videocamere in streaming e adattano a livello di campo i piani semaforici per compensare eventuali difficoltà nella circolazione all’intersezione, aiutando a gestire i flussi di traffico e riducendo la congestione. Il sistema utilizza tecniche di ML/DL, che determina se un piano semaforico non produce effetti positivi sul traffico (lunghe code ai semafori) e prova una linea d’azione diversa o continua a migliorare quando fa progressi. Inoltre, l’algoritmo genetico e i metodi fuzzy possono essere utilizzati per controllare automaticamente i sistemi semaforici agli incroci per regolare il tempo di attesa, di conseguenza il tempo medio di attesa per i veicoli può essere significativamente ridotto. |
| ZTL e Sistemi di Enforcement | La gestione delle zone a traffico limitato basata sul rilevamento e la classificazione dei veicoli è una delle principali aree di ricerca nel campo ITS. L’AI rappresenta una delle migliori tecniche utilizzate per la classificazione ed un importante argomento di studio grazie alla sua utilità in diverse applicazioni per il controllo e la sorveglianza del traffico, sistemi di Law Enforcement in contesti a traffico intenso, sistemi di sicurezza e avoidance. Finora sono stati proposti e implementati a livello globale numerosi algoritmi e tecniche per classificare i veicoli che imitano l’intelligenza umana. Alcune soluzioni combinano le migliori capacità di imaging, identificazione automatica, comunicazioni radio e tecnologie di intelligenza artificiale per identificare non solo veicoli con identità anomale ma anche comportamenti anomali. |
| Gestione Pannelli a Messaggio Variabile | I Pannelli a Messaggio Variabile (PMV) rappresentano un meccanismo economico per diffondere informazioni agli automobilisti non attrezzati per ricevere informazioni personalizzate. Possono essere utilizzati in caso di incidenti per deviare il traffico verso aree meno congestionate della rete per aggirare lunghe code, utilizzare meglio la capacità della rete e migliorare le prestazioni del sistema. Alcuni algoritmi di controllo dei PMV cercano la migliore deviazione da suggerire agli utenti per gestire le condizioni del traffico in tempo reale, garantendo la coerenza con il comportamento di risposta alla deviazione del conducente, rispondendo alle mutevoli condizioni del traffico, consentendo la trattabilità computazionale attraverso una stage-based on-line implementation e garantendo la coerenza spaziale e temporale dei messaggi che vengono visualizzati. Altri algoritmi di intelligenza artificiale vengono utilizzati per individuare con dei modelli di ottimizzazione le direttrici stradali migliori su cui collocare i PMV in reti di trasporto urbane reali. Un recente studio ha proposto un prototipo di un sistema di lettura PMV utilizzando tecniche di apprendimento automatico, per un ADAS (Advanced Driver Assistance System), che percepisce l’ambiente e fornisce assistenza al conducente per migliorare il suo comfort o la sua sicurezza. L’assistente si compone di due parti: una prima che riconosce la segnaletica stradale e i PMV e un’altra che estrae il testo dei messaggi visualizzati sui PMV e lo trasforma in messaggio vocale da erogare a bordo veicolo. |
| Sistemi di Smart Parking | Il sistema Smart Parking può utilizzare l’elaborazione delle immagini e l’intelligenza artificiale: telecamere e sensori distribuiti in posizioni adatte a riconoscere i numeri di targa, garantiscono un parcheggio ticketless. L’analisi dei big data e la rete neurale inclusi nell’algoritmo forniscono informazioni sui parcheggi correlati e raccomandazioni per gli utenti. L’intelligenza artificiale può anche aiutare a prevedere le situazioni di parcheggio: ad esempio, se c’è un concerto o un altro evento attrattore in città, l’intelligenza artificiale può identificare le aree che hanno maggiori probabilità di essere congestionate e consigliare i parcheggi in anticipo. Ciò aiuta i conducenti a evitare gli ingorghi e a risparmiare tempo. |
| DSS – Decision Support System | |
| Analisi What If e scenari automatizzati | Le tecnologie AI sono utilizzate negli ITS per monitorare e gestire le reti di trasporto. Ciò include il rilevamento degli incidenti in tempo reale, l’instradamento dinamico, il controllo adattivo dei semafori e la fornitura di informazioni ai viaggiatori per migliorare la sicurezza e l’efficienza. L’AI può essere utilizzata per automatizzare la gestione degli scenari e alcune azioni da remoto sugli ITS nel caso in cui non sia richiesta la decisione umana. Ad esempio, quando sono già stati predefiniti scenari a basso impatto che si attivano al superamento delle soglie prefissate di alcune variabili. In caso di fenomeni di coda su percorsi congestionati oltre un certo livello, vengono diffuse informazioni agli utenti impattati per modificare il proprio comportamento alla guida, oppure modificati in real-time i piani semaforici e l’accesso alle ZTL, al fine di mitigare i disagi sulla rete di trasporto. O per gestire la domanda quando sulla rete si verificano eventi programmati come manifestazioni o presenza di cantieri. |
| Trasporti Demand-Responsive | Le soluzioni di trasporto pubblico demand responsive utilizzano anche l’intelligenza artificiale per ottimizzare i servizi di trasporto pubblico su richiesta che operano con orari e percorsi flessibili sia per il conducente che per il passeggero. Molti esempi di questi servizi innovativi sono operativi in diverse aree metropolitane. In particolare, un sistema avanzato di trasporto pubblico chiamato local initiative for neighborhood circulation (LINC) applica uno schema di algoritmo genetico al problema di ottimizzazione del servizio dial-a-ride. |
| Gestione operativa e manutenzione | |
| Alarms Supervision | La tecnologia mista AI e Big Data può fornisce analisi storiche, indicatori statistici e KPI riguardo gli allarmi registrati durante l’operatività (malfunzionamenti di sensoristica e componenti ITS). Attraverso strumenti di apprendimento automatico è possibile identificare e dare priorità automaticamente agli allarmi, visualizzando anche gli indicatori di prestazione relativi alla reattività nel riconoscere e risolvere gli allarmi segnalati. I dati sono correlati con dati contestuali (ovvero dati di traffico e meteorologici) che possono influenzare il verificarsi degli eventi. Ciò aumenta la capacità predittiva e di risposta a problemi e criticità. |
| Previsione, KPI e analisi | |
| Info Data Visualization Tool & Dashboarding | L’intelligenza artificiale unita agli strumenti Big Data e Info Data Visualization supporta l’analisi ex post degli indicatori chiave di prestazione del servizio offerto (load factor, tempi di percorrenza e velocità commerciali, soddisfazione degli utenti, consumi energetici, sharing performance di mobilità, ecc.) per la realizzazione di dashboard digitali tematiche dinamiche a disposizione dei vari livelli di governance della mobilità. Diversi studi analizzano la capacità delle tecniche di visualizzazione dei dati utilizzando l’intelligenza artificiale per scenari di trasporto urbano intelligente confrontando l’analisi dell’accuratezza di diversi modelli di visualizzazione. |
| Mobile Edge Analytics | Il vero potenziale degli ITS richiede una latenza estremamente bassa e soluzioni di analisi dei dati affidabili che combinino, in tempo reale, un mix eterogeneo di dati provenienti dalla rete ITS e dal suo ambiente. Tali capacità di analisi dei dati non possono essere fornite dalle tradizionali tecniche di elaborazione dei dati incentrate sul cloud, la cui latenza di comunicazione e calcolo può essere elevata. Invece, devono essere sviluppate soluzioni edge-centriche personalizzate per l’ambiente ITS unico. Recentemente è stata introdotta un’architettura di edge analytics per gli ITS in cui i dati vengono elaborati a livello di veicolo o di sensore intelligente lungo la strada per superare le sfide di latenza e affidabilità degli ITS. Con una maggiore capacità dei dispositivi mobili dei passeggeri e dei processori all’interno del veicolo, tale architettura di edge computing distribuita sfrutta le tecniche di deep learning per un rilevamento mobile affidabile negli ITS. In questo contesto, sono state studiate le soluzioni di deep learning e le capacità di analisi edge mobile ITS relative a dati eterogenei, controllo autonomo, controllo del platooning dei veicoli e cybersecurity. |
| Asset Management | Nelle digital platform i dati sono raccolti da più fonti che vanno da sensori lungo la strada, dispositivi connessi, ITS integrati, ecc. Queste fonti possono essere gestite da remoto tramite strumenti di intelligenza artificiale e sistemi di gestione delle risorse (Device Management Systems). Tali strumenti e sistemi, utilizzando anche framework edge-based, consentono la configurazione massiva di sensori e dispositivi, rilevano allarmi o superamenti di soglia, e supportano gli operatori nella manutenzione predittiva basata su IoT, riducendo i tempi di risoluzione dei disservizi. |
| Funzionalità per il cittadino | |
| Infomobility | Nel campo dell’Infomobilità sono da evidenziare le potenzialità di ChatGPT per facilitare le interazioni con gli utenti e fornire raccomandazioni personalizzate e dinamiche. ChatGPT, sviluppato da OpenAI, è un sistema di elaborazione del linguaggio naturale (NLP) in grado di comprendere e generare conversazioni basate su testo, rendendo più semplice il modo in cui le aziende di trasporto interagiscono con i clienti e il modo in cui possono accedere ai dati. ChatGPT può suggerire i percorsi più efficienti ed ecologici, offrire consigli sui trasporti pubblici e altre forme di mobilità, tra cui la micro mobilità, i percorsi pedonali e ciclabili. ChatGPT può anche essere utilizzato per promuovere l’educazione pubblica e la consapevolezza fornendo agli utenti informazioni dettagliate sui vantaggi del trasporto e della mobilità sostenibili, nonché suggerimenti per ridurre la loro carbon footprint. |
| MaaS – Mobility as a Service | MaaS è un concetto di trasporto molto recente con applicazioni limitate e al momento di implementazione parziale, offre pacchetti digitali di mobilità personalizzata che hanno l’obiettivo di ottimizzare l’uso e la combinazione di diverse alternative di mobilità. La MaaS può massimizzare il suo potenziale se si integra a centrali di controllo e piattaforme digitali basate su AI che incorporano tutte le fonti di dati, le informazioni rilevanti di un distretto urbano intelligente per proporre agli utenti alternative di mobilità che ottimizzino la rete di trasporto in modo olistico. MaaS sarà abilitato da potenti algoritmi di intelligenza artificiale che forniranno pianificazione end-2-end dei viaggi, prenotazione e biglietteria e servizi di informazione in tempo reale personalizzati e su misura per le esigenze di ciascun consumatore. A tal fine, la tecnologia ChatGPT può essere utilizzata per rispondere alle domande comuni degli utenti, come quelle riguardanti la disponibilità dei servizi di trasporto, i migliori percorsi e il costo del viaggio, i parcheggi meno congestionati, e guidarli verso opzioni di trasporto e mobilità intermodale più sostenibili. È progettato per fornire consigli su misura agli utenti, in base alle loro preferenze e al contesto attuale. |
Conclusioni
Ogni cambiamento comporta dei costi, il cui confronto con i benefici ci presenta un saldo per la collettività in forma aggregata, che nel caso delle smart city e della mobilità urbana intelligente, tendenzialmente è positivo. Tali costi non sono necessariamente equamente distribuiti tra coloro che godono dei benefici del cambiamento; pertanto, molte sfide devono essere ancora affrontate, e soluzioni implementate. Solo un approccio olistico e globale alla digitalizzazione del trasporto urbano può tradursi in una gestione della mobilità efficace e sostenibile nelle città, riducendo il rischio di decisioni e conseguenti azioni e politiche frammentate e non risolutive.
Le amministrazioni locali dovrebbero adottare i PUMS e, in coerenza con i relativi obiettivi, investire nella realizzazione di piattaforme digitali basate sull’AI, dotandosi di inquadramenti tecnologici abilitanti e di personale operativo con competenze di dominio e trasversali. I servizi basati su AI dovrebbero essere progettati e realizzati per semplificare e ottimizzare sia la fase di pianificazione dei servizi di trasporto che la loro gestione dinamica, cogliendo anche l’opportunità di rivedere processi organizzativi non performanti e antieconomici. Questi servizi dovrebbero essere implementati senza mai trascurare le indicazioni normative e di sicurezza (ad es. il regolamento sull’intelligenza artificiale – “AI Act”, approvato dal Parlamento europeo, e che sarà attuato in Italia nel 2024) per garantire un sistema di mobilità ancora più equo e inclusivo.
La sfida della transizione digitale del trasporto urbano e l’applicazione dell’intelligenza artificiale possono consentire un cambio di paradigma necessario per la qualità della vita delle nostre città. Tuttavia, sono necessari un quadro di pianificazione chiaro, centrali di controllo della mobilità integrate con servizi basati sull’intelligenza artificiale e piattaforme MaaS, e capitale umano specializzato per una mobility governance efficiente ed efficace.
Bibliografia
- Cugurullo, F. (2020) Urban artificial intelligence: From automation to autonomy in the smart city. Frontiers in Sustainable Cities, 2, 38.
- Nikitas, A., Michalakopoulou, K, Njoya, E.T., Karampatzakis, D. (2020) Artificial Intelligence, Transport and the Smart City: Definitions and Dimensions of a New Mobility Era. Sustainability 2020, 12, 2789. https://doi.org/10.3390/su12072789
- Shiraz A., Muhammad A., Davy J., Geert W. (2020) A personalized mobility based intervention to promote pro-environmental travel behavior. Sustainable Cities and Society, Volume 62, 2020, 102397, ISSN 2210-6707, https://doi.org/10.1016/j.scs.2020.102397.
- Abduljabbar, R.; Dia, H.; Liyanage, S.; Bagloee, S.A. (2019) Applications of artificial intelligence in transport: An overview. Sustainability 2019, 11, 189.
- Quattrone, A., Vitetta, A. (2011) Random and fuzzy utility models for road route choice, Transportation Research Part E: Logistics and Transportation Review, V. 47, Issue 6, 2011, Pages 1126-1139, ISSN 1366-5545, https://doi.org/10.1016/j.tre.2011.04.007.
- Vitetta, A., Quattrone, A., Polimeni, A. (2008) Safety of users in road evacuation: algorithms for path design of emergency vehicles. In Urban Transport XIV. Brebbia C.A. (ed.). WIT Press, pp. 727-738, ISBN 978-1-84564-123-8.
- Miles, J.C., Walker, A.J. (2006) The potential application of artificial intelligence in transport. IEEE Proc. Intell. Transp. Syst. 2006, 153, 183–198. https://digital-library.theiet.org/content/journals/10.1049/ip-its_20060014
- Cirianni, F., Leonardi, G. (2015) Artificial neural network for traffic noise modelling, ARPN Journal of Engineering and Applied Sciences, V 10, Issue 22, 2015, Pages 10413-10419, ISSN: 18196608
- Cirianni, F., Monterosso, C., Panuccio, P., Rindone, C. (2018) A Review Methodology of Sustainable Urban Mobility Plans: Objectives and Actions to Promote Cycling and Pedestrian Mobility. In: Bisello, A., Vettorato, D., Laconte, P., Costa, S. (eds) Smart and Sustainable Planning for Cities and Regions. SSPCR 2017. Green Energy and Technology. Springer, Cham. https://doi.org/10.1007/978-3-319-75774-2_46
- Cirianni, F., Leonardi, G., Iannò, D. (2021) Operating and Integration of Services in Local Public Transport. In: Bevilacqua, C., Calabrò, F., Della Spina, L. (eds) New Metropolitan Perspectives. NMP 2020. Smart Innovation, Systems and Technologies, vol 178. Springer, Cham. https://doi.org/10.1007/978-3-030-48279-4_142
