Toward Smart Cites from data: Transportation and Smart Mobility

Presentazione sul tema: "Toward Smart Cites from data: Transportation and Smart Mobility"— Transcript della presentazione:

1 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

2 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

3 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

4 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

5 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