Machine learning for urban intelligence: Building predictive smart cities [Apprendimento automatico per l’intelligenza urbana: Costruire città intelligenti predittive]

Negli ultimi anni, la rapida diffusione di reti di sensori, dispositivi IoT e infrastrutture connesse ha trasformato le città in ecosistemi complessi e ricchi di dati. Questa crescita esponenziale nella generazione di informazioni ha posto le basi per il concetto di smart city, un ambiente interconnesso e intelligente in cui infrastrutture fisiche, tecnologie digitali e cittadini interagiscono costantemente per migliorare la qualità della vita, la sostenibilità e l’efficienza operativa. Le smart cities sono nate come risposta alle sfide dell’urbanizzazione, dei limiti delle risorse e della necessità di uno sviluppo sostenibile. Oggi rappresentano veri e propri sistemi ciber-fisici, in cui fenomeni reali vengono rilevati, elaborati e gestiti in tempo reale grazie all’integrazione di tecnologie come IoT, edge computing e 5G. Tali tecnologie supportano applicazioni che spaziano dall’ottimizzazione del traffico al monitoraggio ambientale, dalla gestione energetica alla sicurezza pubblica. In questo contesto, l’Intelligenza Artificiale (AI) e il Machine Learning (ML) svolgono un ruolo trasformativo, permettendo di passare da una gestione reattiva a una gestione predittiva delle città. Grazie all’analisi di dati storici e in tempo reale, i modelli di ML consentono di prevedere comportamenti dei sistemi urbani e di intervenire in modo proattivo. Questi approcci trovano applicazione in numerosi ambiti, tra cui la gestione predittiva del traffico, la previsione dell’inquinamento atmosferico, il rilevamento di guasti nelle reti idriche e l’allocazione efficiente delle risorse. Il passaggio da una gestione statica a una gestione predittiva è fondamentale per affrontare la crescente complessità dei sistemi urbani. I modelli di AI, addestrati su flussi di dati eterogenei — come dati da sensori, condizioni meteorologiche, tracciamenti di mobilità e input dai social media — consentono non solo reazioni in tempo reale, ma anche pianificazioni preventive. Tuttavia, la realizzazione di un’intelligenza predittiva urbana presenta sfide significative legate all’eterogeneità, alla qualità e alla privacy dei dati, oltre che alla necessità di garantire interoperabilità tra sistemi e piattaforme differenti. L’obiettivo di questa ricerca è esplorare come modelli predittivi basati su machine learning possano essere applicati efficacemente in diversi domini delle smart cities — tra cui trasporti, monitoraggio ambientale, gestione idrica e rilevamento di anomalie — per affrontare le sfide quotidiane delle aree urbane. La tesi mira a contribuire allo sviluppo di città intelligenti non solo connesse e guidate dai dati, ma anche resilienti, predittive e orientate al benessere dei cittadini.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2025

Author dc:creator

• BERLOTTI, MARIAELENA

Contributors dc:contributor

• CAVALIERI, Salvatore

• Smart Citie
• Machine Learning
• Artificial Intelligence
• Predictive Modelling
• IoT
• Data-Driven System
• Urban Sustainability
• Anomaly Detection
• Environmental Monitoring
• Traffic Management
• Water Network Management
• Città Intelligenti
• Apprendimento Automatico
• Intelligenza Artificiale
• Modellazione predittiva
• Sistemi basati sui dati
• Sostenibilità Urbana
• Rilevamento di anomalie
• Monitoraggio Ambientale
• Gestione del Traffico
• Gestione delle reti idriche

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/705011

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/705011