Come l'Intelligenza Artificiale sta prevedendo gli ingorghi stradali?

Le strade intasate costano al mondo circa il 2 % del PIL, un vero colpo al portafoglio di tutti. Negli ultimi quindici anni, ricercatori hanno iniziato a usare l'intelligenza artificiale per anticipare i momenti di congestione. Una revisione sistematica, basata sulle linee guida PRISMA 2020, ha analizzato 115 studi pubblicati tra il 2010 e il 2024. I risultati mostrano che quasi la metà delle ricerche (47 %) utilizza reti neurali profonde, mentre il 57 % adotta tecniche di apprendimento supervisionato. La maggior parte dei lavori (42 %) si concentra su compiti di classificazione, cioè distinguere se una strada sarà congestionata o no, soprattutto in scenari urbani con veicoli passeggeri.

Nonostante la crescita esponenziale – da pochi articoli nel 2010 a 18 nel 2022 – restano grandi vuoti: l'apprendimento per rinforzo è usato solo nell'8 % dei casi, le strade rurali sono quasi ignorate (2 %) e le collaborazioni tra università e imprese sono scarse (3 %). Gli esperti suggeriscono di puntare su sistemi multimodali, che integrino auto, bici e trasporto pubblico, e su modelli in tempo reale capaci di adattarsi al volo. Solo così le future Intelligent Transportation Systems potranno trasformare gli ingorghi in un ricordo del passato.

Le reti neurali profonde (Deep Neural Networks, DNN) dominano la letteratura perché sono in grado di catturare pattern non lineari complessi presenti nei flussi di traffico. Le architetture più comuni includono LSTM (Long Short‑Term Memory) per gestire sequenze temporali, e CNN (Convolutional Neural Networks) per estrarre caratteristiche spaziali da dati provenienti da sensori distribuiti. L’apprendimento supervisionato, con etichette di congestione basate su soglie di velocità o densità, resta la strategia più diffusa, ma presenta il limite di dipendere da dataset accuratamente annotati.

L’apprendimento per rinforzo (Reinforcement Learning, RL) offre un’alternativa promettente: gli agenti possono apprendere politiche di controllo del traffico ottimali interagendo con simulazioni realistiche, ad esempio tramite ambienti come SUMO o CityFlow. Tuttavia, la sua adozione è ostacolata da costi computazionali elevati e dalla difficoltà di trasferire politiche apprese in simulazione al mondo reale.

Le reti rurali sono sottorappresentate perché i dati di traffico sono più scarsi e meno omogenei rispetto alle aree metropolitane. Questo crea un bias nei modelli, che tendono a sovrastimare la capacità predittiva in contesti a bassa densità. Per colmare il divario, è necessario investire in infrastrutture di rilevamento (sensori IoT, telecamere) e in dataset open‑source che includano percorsi extra‑urbani.

Infine, la scarsa collaborazione tra accademia e industria limita la traduzione dei risultati in soluzioni operative. Progetti pilota con enti pubblici e aziende di mobilità possono accelerare l’integrazione di modelli AI nei sistemi di gestione del traffico, garantendo validazione sul campo, scalabilità e rispetto delle normative sulla privacy dei dati.