Toward Smart Cites from data: Transportation and Smart Mobility Marco Mellia, Elena Baralis, Luca Cagliero, Silvia Chiusano, Michele Cocca, Paolo Garza, Danilo Giordano, Luca Vassio

Idee Rivoluzione nel sistema di trasporti grazie alle tecnologie IT La mobilità è vista come un servizio (MaaS: Mobility as a Service) Noleggio di automobili a breve termine o di biciclette Veicoli sempre più «smart» che producono un enorme quantità di dati Raccolta dati da piattaforme di car sharing [1] da piattaforme di bike sharing A bordo di veicoli da cantiere tramite il CAN Bus … Per Minimizzare il numero di paline di ricarica ed disagio dell'utente in un sistema di car sharing elettrico [2] Pianificazione del riposizionamento periodico delle biciclette e della manutenzione delle stazioni [3] Predizione l’efficienza del veicolo pianificazioni rifornimenti [4], la manutenzione [5] [1] Ciociola, A.; Cocca, M.; Giordano, D.; Mellia, M.; Morichetta; A., Putina, A.; Salutari, F., UMAP: Urban mobility analysis platform to harvest car sharing data, In: IEEE SCI 2017 [2]Cocca, M.; Giordano, D.; Mellia, M.; Vassio, L., Free floating electric car sharing design: Data driven optimisation, In: Elsevier Pervasive and Mobile Computing 2018 [3] Cagliero, L.; Cerquitelli, T.; Chiusano, S.; Garza, P.; Xiao, X., Predicting critical conditions in bicycle sharing systems, In: Computing, 2017. [4] Markudova, D.; Cagliero, L.; Vassio, L.; Baralis, E.; Mellia, M.; Amparore, E.; Loti, R.; Salvatori, L., Heterogeneous industrial vehicle usage predictions: A real case, In: DARLI-AP 2019 [5] Giobergia, F.; Baralis, E.; Camuglia, M.; Cerquitelli, T.; Mellia, M.; Neri, A.; Tuninetti, A., Mining Sensor Data for Predictive Maintenance in the Automotive Industry, In: IEEE DSAA 2018

Tecniche di IA Utilizzate Acquisizione dati tramite Crawling Web attivi [1,2,3] Collaborazioni industriali [4,5] Caratterizzazione dei dati Studiando le abitudini degli utenti Individuando possibili soluzioni Tecniche di Machine Learning ed AI Validazione tramite simulazione di eventi [2] Algoritmi evolutivi come algoritmi genetici e locali per ottimizzazione le soluzioni trovate [2] Supervised Machine Learning (regressione, classificazione e modelli spazio temporali) per: predizione della domanda [3], pianificare rifornimenti [4] e manutenzione predittiva [3,4,5] Unsupervised Machine learning (clustering, rule mining) per aggregare veicoli con comportamento simile [4] Caratterizzazione DB ML & AI Collaborazioni

Risultati ed impatto Bike sharing Electric Car sharing < 60 paline (15 zone) di ricariche per un car sharing con 350 veicoli a Torino (370 zone) Minimo disagio per l’utente: solamente 1 volta su 9 l’auto deve essere ricaricata Bike sharing Identificate aree critiche con forti sbilanciamenti in specifiche fasce orarie Supporto alla manutenzione delle stazioni Per i veicoli da cantiere Predire con margine di errore limitato il numero di ore di utilizzo Identificazione automatica stati del veicolo

Criticità per il settore e Visione per il futuro Unificazione di più servizi per offrire la mobilità come un servizio Standardidazzione dei database Sviluppi futuri Analisi Big Data con dati da smart cities e dai veicoli connessi Autonomous driving