Redazione di GO-Mobility

L’AI al servizio del trasporto pubblico

Casi e applicazioni pratiche nel mondo

L’intelligenza artificiale sta già trasformando il trasporto pubblico. Secondo l’ultimo Knowledge Brief dell’UITP, le applicazioni AI nel settore sono sempre più concrete e misurabili, soprattutto grazie a tre tecnologie chiave: Large Language Models (LLM), video analytics e modellazione predittiva. Le applicazioni sono molteplici: dai sempre più diffusi chatbot per l’assistenza clienti all’elaborazione di avatar digitali per la traduzione nel linguaggio dei segni fino a sistemi di monitoraggio del comportamento alla guida e molto altro. Le implicazioni di questi strumenti hanno impatti di grande rilevanza sull’accessibilità, la sicurezza e la resilienza dei trasporti, ma non mancano criticità e limiti. Vediamoli insieme nell’articolo di questo mese dedicato a casi concreti di applicazione dell’AI nel TPL in Europa e nel mondo.

Comunicazione inclusiva e dinamica con gli LLM

Grazie agli LLM, i chatbot e i sistemi di assistenza virtuale hanno potenziato la capacità di rispondere in modo sempre più naturale, preciso e multilingue, contribuendo ad abbattere barriere linguistiche e sensoriali. Vediamo alcuni esempi di applicazione.

SBS Transit, a Singapore, ha co-sviluppato SiLViA, un avatar digitale in lingua dei segni basata su avanzati algoritmi di riconoscimento vocale che vengono utilizzati per tradurre istantaneamente parole pronunciate o scritte (es. annunci presso stazioni o a bordo dei mezzi) nella lingua dei segni. Sperimentazioni simili sono in corso anche nella stazione ferroviaria centrale di Belgrado e presso l’Autorità Portuale di New York e New Jersey.

PostBus, in Svizzera, fornisce ai propri passeggeri annunci acustici in tempo reale in più lingue, tra cui tedesco, francese, italiano e inglese. Si tratta di annunci automatici relativi ad informazioni e aggiornamenti regolari, ma anche ad eventi pianificati o improvvisi. Per farlo, ha implementato un framework composto da un backend in cloud e un sistema di bordo sui veicoli, sfruttando delle API che permettono di usare funzionalità di AI e machine learning in modo semplice e scalabile. Per garantire un servizio di alta qualità, il personale di PostBus effettua regolarmente audit su campioni di messaggi per valutarne l’accuratezza e la chiarezza.

La Chicago Transit Authority (CTA) ha invece lanciato un chatbot chiamato “Chat with CTA” per segnalare incidenti in tempo reale e raccogliere segnalazioni urgenti riguardanti temi come manutenzione, pulizia o presenza di passeggeri molesti. Lo sviluppo del chatbot si è basato su un prodotto di elaborazione del linguaggio naturale (NLP) di Google e attualmente è in grado di gestire il 79% delle richieste dei clienti. L’aggiornamento previsto integrerà la tecnologia RAG (retrieval-augmented generation) di Google per fornire risposte a domande frequenti e semplici sui servizi, consentendo all’agenzia di offrire risposte utili in almeno il 95% dei casi.

Visualizza questo post su Instagram

Un post condiviso da Chicago Transit Authority (@chicagocta)

UITP menziona anche un caso italiano: a gennaio Club Italia ha lanciato l’applicazione open-source Velvet, un chatbot in grado di offrire informazioni aggiornate in tempo reale, tra cui orari dei servizi ma anche consigli sull’abbigliamento più adatto in base alle condizioni meteo previste per il giorno del viaggio ☀️. La soluzione è attualmente in fase di test con diverse istituzioni partner, tra cui IntercentER (Agenzia Regionale per gli Acquisti Telematici dell’Emilia-Romagna), l’università online UniMarconi e la Regione Veneto. L’obiettivo è implementare Velvet nelle regioni del centro e del sud Italia, con un’attenzione particolare agli operatori di trasporto pubblico in Sicilia.

Interessante infine il caso di AC Transit, in California, che ha introdotto un chatbot conversazionale per fornire supporto informatico al personale di bordo. L’azienda si trovava infatti in difficoltà nel fornire supporto IT agli autisti, i cui turni — in particolare quelli notturni — sono spesso incompatibili con quelli dell’assistenza IT, generando difficoltà e inefficienze legate alla necessità di ricorrere a messaggi in segreteria o inoltri di richieste. Per affrontare il problema, ha introdotto “IT Aimee”, un chatbot basato su genAI che fornisce supporto diretto e consente di accedere a informazioni essenziali IT e organizzative. IT Aimee sfrutta risorse come gli articoli della knowledge base di Boss Desk e la documentazione per la risoluzione dei problemi. Progettato per fornire assistenza immediata 24/7, IT Aimee ha migliorato significativamente i tempi di risoluzione e l’accessibilità per gli operatori.

Sicurezza a bordo e contrasto all’evasione tariffaria con video analytics

L’uso dell’AI nel campo delle video analytics sta trasformando le telecamere in strumenti intelligenti capaci di monitorare flussi passeggeri, migliorare la sicurezza a bordo e nei pressi dei passaggi a livello, rilevare accessi non autorizzati e ottimizzare la manutenzione. Le sperimentazioni più recenti puntano a identificare comportamenti anomali, oggetti abbandonati pericolosi in tempo reale. Le prospettive future si concentrano sull’elaborazione dei dati in locale (edge computing), sull’integrazione con sensori IoT e sulla segnalazione immediata degli incidenti. Resta cruciale affrontare le criticità legate alla qualità delle immagini e all’adattabilità dei modelli AI a contesti in continuo mutamento. Vediamo alcuni casi.

L’Autorità per i Trasporti Pubblici di Singapore (PTA) ha affrontato criticità legate alla sicurezza e all’efficienza adottando sistemi avanzati di assistenza alla guida, monitoraggio della stanchezza del conducente, rilevamento degli angoli ciechi e un sistema di videosorveglianza ad alta capacità, sviluppati da Streamax e applicati a 5.500 autobus. Questo aggiornamento ha migliorato sensibilmente la sicurezza, elevando la qualità del servizio e rendendo più efficace il controllo delle corsie riservate agli autobus. Anche i passeggeri ne beneficiano, ad esempio grazie a display che mostrano in tempo reale la disponibilità di posti sul piano superiore.

Anche il contrasto all’evasione tariffaria si è evoluto con l’intelligenza artificiale. Dal 2015, FGC Barcellona ha adottato un sistema sviluppato da AWAAIT, installando telecamere intelligenti nelle stazioni urbane principali. Queste rilevano in tempo reale i passeggeri che oltrepassano i varchi senza convalidare e inviano notifiche a un’app utilizzata dagli ispettori per controlli mirati. Le telecamere si sono dimostrate un efficace deterrente, contribuendo a una netta riduzione dell’evasione (-70%).

A New York, invece, la Metropolitan Transportation Authority (MTA) sta testando sistemi di rilevamento in tempo reale per intrusioni nei tunnel ed evasione tariffaria su tutta la rete. È stato sviluppato un sistema AI capace di individuare casi di attraversamento abusivo dei binari, segnalare i trasgressori e generare videoclip per analisi approfondite. Questo strumento è basato sul riconoscimento di oggetti e sulla raccolta di dati su comportamenti ricorrenti a scopi di prevenzione.

A Sofia, il Centro per la Mobilità Urbana utilizza le immagini in tempo reale delle telecamere già presenti a bordo degli autobus per classificare l’occupazione dei veicoli in cinque livelli. Questo sistema, sviluppato da Theoremus, evita di dover contare salite e discese, un metodo soggetto a errori cumulativi e che spesso richiede sensori aggiuntivi. La soluzione si è dimostrata efficiente: sono bastate 50.000 immagini e un modello AI snello per ottenere risultati affidabili.

Si cita di nuovo AC Transit, che ha elaborato un sistema per il contrasto ai veicoli parcheggiati abusivamente alle fermate o nelle corsie riservate agli autobus, risaputamente un ostacolo al buon funzionamento del servizio e alla sicurezza dei passeggeri. Per farlo ha implementato su vasta scala la tecnologia di visione artificiale (computer vision) di Hayden AI, composta da telecamere frontali montate sugli autobus e dotate di elaborazione edge, per la rilevazione automatica delle infrazioni e la registrazione di brevi video con targa, orario e posizione del veicolo. Il sistema garantisce un tasso di rilevamento molto più elevato rispetto al controllo manuale, senza invadere la privacy (non registra l’interno del bus né utilizza riconoscimento facciale).

Infine Boston, dove nel 2024 è stata lanciata un’app mobile per aiutare le persone non vedenti a orientarsi verso le fermate dell’autobus, sfruttando l’assistenza di un sistema autonomo basato su intelligenza artificiale, sviluppato dallo Schepens Institute, che utilizza la fotocamera del telefono e un modello AI addestrato su un set di immagini delle fermate per guidare visivamente l’utente verso la fermata più vicina. Il risultato è una soluzione scalabile, accessibile e autonoma, che elimina la necessità di assistenza esterna e migliora significativamente l’indipendenza degli utenti con disabilità visiva.

Modellazione predittiva per anticipare eventi e adattare servizi data-driven

Infine la modellazione predittiva, basata su tecniche di machine learning, consente di prevedere eventi futuri o individuare pattern nascosti analizzando grandi quantità di dati storici. Nel contesto del trasporto pubblico, questa tecnologia sta rivoluzionando la pianificazione delle risorse — personale, mezzi, servizi e infrastrutture — migliorando efficienza, qualità del servizio e sicurezza. Nonostante i progressi tecnologici, restano sfide legate alla disponibilità e qualità dei dati, alla trasparenza dei modelli e alla fiducia degli utenti. Anche in questo caso vediamo gli esempi più eloquenti.

Alsa Morocco ha sviluppato un algoritmo di machine learning atto a promuovere uno stile di guida efficiente e su misura. L’algoritmo, basato sul clustering, è capace di correlare i dati telemetrici dei veicoli con informazioni esterne come traffico, carico passeggeri e condizioni meteo, tenendo conto delle differenze tra i percorsi e i diversi orari, per individuare comportamenti di guida adeguati a ciascun contesto. Per garantire valutazioni imparziali e stimolare il miglioramento, applica anche tecniche di gamification con incentivi e premi, e organizza sessioni formative mirate sulla base dei comportamenti scorretti ricorrenti. I risultati? Riduzione dei consumi di carburante tra il 4% e il 12% e un calo tra il 15% e il 40% dell’uso improprio dei mezzi, con effetti diretti sulla sicurezza, il comfort dei passeggeri e lo stato dei veicoli.

Arriva (Spagna) ha adottato la soluzione di ricarica intelligente basata su un modello AI sviluppato da Bia, addestrato su dati storici provenienti dai sistemi di telemetria dei caricabatterie e dalla gestione della flotta. La piattaforma ottimizza dinamicamente i cicli di ricarica, pianificandoli nei momenti di tariffe più basse e privilegiando velocità di ricarica più lente per prolungare la vita delle batterie, senza compromettere gli orari di partenza. I risultati parlano chiaro, con un calo del -25% di costi energetici nel pieno rispetto dei servizi programmati.

Ad Amburgo, un algoritmo di intelligenza artificiale sviluppato da PTV (azienda leader a livello mondiale nel settore dei software per la pianificazione, simulazione e gestione in tempo reale del traffico – largamente utilizzati da GO-Mobility) genera previsioni a breve termine (orizzonte 5-30 minuti) sull’impatto di eventi rilevanti combinando un modello basato sui comportamenti individuali di mobilità con dati in tempo reale. Un’interfaccia cartografica accessibile e centrata sull’utente mostra in tempo reale traffico, cantieri, incidenti e altri eventi rilevanti, offrendo ad operatori e autorità una visione condivisa e basata sui dati per prendere decisioni più efficaci nella risoluzione congiunta dei problemi di viabilità.

La National Transport Authority (NTA) irlandese ha implementato un modello per la previsione dinamica degli arrivi, migliorando l’accuratezza del 13%. La tecnologia Trapeze è dotata di un motore predittivo basato su machine learning che adatta dinamicamente il peso dei dati a breve termine e storici, integrando anche informazioni su traffico, meteo e carico passeggeri.

A Barcellona invece l’AI predittiva è stata utilizzata per il controllo della ventilazione in metropolitana. Un sistema di controllo predittivo, sviluppato da SENER, ottimizza in tempo reale la strategia di ventilazione, tenendo conto di variabili come meteo, qualità dell’aria interna ed esterna, consumi energetici, rendimento dei ventilatori e costi dell’energia. Oltre a contribuire al contenimento della diffusione del COVID-19 durante la pandemia, nel 2022 ha portato a un +20,9% nell’efficienza dei ventilatori, -25,1% di consumo energetico e un incremento del 10,7% nella soddisfazione dei passeggeri.

Lezioni imparate e prossimi step

In un contesto normativo in rapida evoluzione, è importante procedere con attenzione per l’adozione dell’intelligenza artificiale nel trasporto pubblico con attenzione, equilibrio e controllo pubblico. È notizia recente la pubblicazione dell’AI Safety Index Summer 2025, che valuta le pratiche di sicurezza di sette principali aziende AI, con risultati allarmanti sulle carenze nelle pratiche di sviluppo responsabile dell’AI e gestione della sicurezza dei loro sistemi.

In questo senso, regolamenti come l’AI Act e il GDPR in Europa, o il Blueprint for an AI Bill of Rights negli Stati Uniti, pongono l’accento su trasparenza, tutela della privacy e uso etico delle tecnologie. Parallelamente, la sostenibilità energetica dei modelli AI diventa un fattore chiave: soluzioni ibride che combinano modelli generali di grandi dimensioni con modelli più snelli e specifici permettono un’implementazione efficace e meno impattante. I progetti di successo si fondano su una forte collaborazione tra enti di trasporto e fornitori tecnologici, su team interni dedicati e sulla cura della qualità dei dati. L’AI offre già risultati concreti in ambiti come la previsione e la gestione operativa, ma il vero potenziale si sprigionerà con un approccio proattivo, competente e attento al contesto regolatorio e ambientale.