MaaS e AI: come l'intelligenza artificiale cambia i trasporti?

Immagina di aprire un'app e vedere tutte le opzioni per muoverti in città — bus, treni, bici in sharing, monopattini — integrate in un unico biglietto digitale. È la promessa della Mobility as a Service (MaaS): non possedere l'auto, ma comprare la mobilità come un servizio. Una nuova revisione sistematica, pubblicata su *Future Transportation*, ha analizzato oltre 100 studi dal 2020 al 2024 per capire dove siamo arrivati.

I ricercatori hanno diviso l'integrazione dell'intelligenza artificiale in quattro livelli. Quello base usa machine learning e ottimizzazione classica per gestire orari e percorsi. Salendo di livello, entrano in gioco blockchain e big data per sicurezza e gestione massiccia di informazioni. Il deep learning, invece, è trasversale: sta ovunque, ma brilla soprattutto allo stadio avanzato per offrire soluzioni personalizzate in tempo reale, tipo "esci ora, prendi il bus 5 e arrivi in 20 minuti".

C'è un però: la maggior parte dei test avviene nei paesi ricchi. Il potenziale per i mercati emergenti è enorme, ma servono regole chiare, inclusività per chi non ha smartphone o connessione veloce, e una protezione ferrea dei dati sensibili. La strada verso una mobilità equa, intelligente e verde è tracciata: ora tocca a ingegneri, legislatori e cittadini percorrerla insieme.

La revisione segue le linee guida PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) su database Scopus e Web of Science. La tassonomia a quattro livelli (Base, Intermedio, Avanzato, Piena Integrazione) mappa la complessità architetturale: dal semplice journey planning algoritmico (livello 1) all'orchestrazione multi-modale in tempo reale con contratti intelligenti su blockchain (livello 4).

A livello base predominano algoritmi di regressione, clustering (k-means, DBSCAN) e programmazione lineare/intera per ottimizzazione flotta e demand forecasting. Il livello intermedio introduce sistemi raccomandazione ibridi (collaborative + content-based) e reinforcement learning per dynamic pricing. Lo stadio avanzato vede l'esplosione di deep learning: LSTM/Transformer per previsione domanda a breve termine, GNN (Graph Neural Networks) per modellazione rete trasporto complessa, e federated learning per addestramento modelli su dati sensibili decentralizzati (GDPR-compliance). La blockchain (Hyperledger Fabric, Ethereum) garantisce audit trail transazioni, identity management e revenue sharing tra operatori MaaS senza trusted third party.

Gap critici emersi: bias algoritmici su dati storici (es. zone a basso reddito sotto-servite), mancanza di standard di interoperabilità (API aperte, GTFS-Realtime, NeTEx), e resilienza avversaria (attacchi adversarial su modelli di routing). Futuri lavori: MaaS "human-in-the-loop", digital twin città per simulazione policy, e framework etici AI per mobilità inclusiva.