Listening to the City: Artificial Intelligence meets Smart Mobility

Cities are constantly evolving due to the changes and interactions with their citizens. They are complex systems made up of individuals, vehicles, and infrastructures that form the heart of modern life and social development. A key factor driving this growth is the advancement of mobility towards a more intelligent and technological scenario, also known as Smart Mobility. This concept involves moving from a traditional transportation system to a more advanced one, where an intelligent infrastructure fabric connects stakeholders and entities to provide efficient, smart, and sustainable solutions. Researchers in this field place a strong emphasis on understanding and identifying individuals' displacement patterns, in order to enhance the services and, more in general, the livability of cities. The advent of Data Science has revealed the importance of developing and applying Artificial Intelligence techniques in the creation of automated and intelligent city systems. Although AI is increasingly used in Smart Mobility, there are still many challenges to be addressed. For this reason, in this thesis, AI and Transportation Science are combined to develop solutions to mobility-related problems by extracting knowledge from mobility data and developing sophisticated algorithms. We show, through extensive experimentation, that the proposed solutions effectively improve the understanding and application of Artificial Intelligence in mobility problems. In particular, we initially focus on data processing and knowledge extraction. In order to explain the adoption of shared mobility vehicles, we propose the use of geographic (distance from center, walkability, concentration of places) and demographic features (education index). Additionally, we present a multi-objective optimization algorithm to identify behavioral communities, taking into account shared mobility usage patterns, distance between areas, and structural information (via Map Embeddings). We also explore the theoretical and architectural definition of Deep Learning techniques for solving real-world mobility problems. We propose two Deep Learning architectures, 3D-CLoST and STREED-Net, which use innovative solutions to better extract spatio-temporal patterns from mobility data, and enable us to improve the state of the art in the short-term flow prediction problem. Furthermore, to extend the applicability of spectral-based Graph Convolutional Networks (GCNs) to mobility problems defined by means of directed weighted graphs, we introduce SigMaNet, which can handle both undirected and directed graphs with weights of any sign or magnitude. The cornerstone of SigMaNet is the new \textit{Sign-Magnetic Laplacian} matrix. Finally, we address on-street parking prediction by assessing the performance of various methods, including statistical models, GCNs, and Convolutional Neural Networks (CNNs), on two indicators, the average parking time and the average number of vehicles parked simultaneously.

Le città sono in continua evoluzione a causa dei cambiamenti e delle interazioni con i loro cittadini. Sono sistemi complessi composti da individui, veicoli e infrastrutture che costituiscono il cuore della vita moderna e dello sviluppo sociale. Un fattore chiave che guida questa crescita è l'avanzamento della mobilità verso uno scenario più intelligente e tecnologico, noto anche come Smart Mobility. Questo concetto implica il passaggio da un sistema di trasporto tradizionale a uno più innovativo, in cui un tessuto infrastrutturale intelligente collega le parti interessate e le entità per fornire soluzioni efficienti e sostenibili. I ricercatori in questo campo pongono una forte enfasi sulla comprensione e sull'identificazione dei modelli di spostamento degli individui, al fine di migliorare i servizi e, più in generale, la vivibilità delle città. L'avvento della Data Science ha rivelato l'importanza dello sviluppo e dell'applicazione di tecniche di Intelligenza Artificiale nella creazione di sistemi urbani automatizzati e intelligenti. Sebbene l'IA sia sempre più utilizzata nella Smart Mobility, ci sono ancora molte sfide da affrontare. Per questo motivo, in questa tesi, l'IA e la Scienza dei Trasporti vengono combinate per risolvere problemi di mobilità attraverso l'estrazione di informazioni dai dati di mobilità e lo sviluppo di algoritmi sofisticati. Tramite un'ampia sperimentazione, dimostriamo che le soluzioni proposte migliorano effettivamente la comprensione e l'applicazione dell'intelligenza artificiale ai problemi di mobilità. In particolare, ci concentriamo inizialmente sull'elaborazione dei dati e sull'estrazione della conoscenza da essi. Per spiegare l'adozione di veicoli per la mobilità condivisa, proponiamo l'uso di caratteristiche geografiche (distanza dal centro, walkability, concentrazione di punti di interesse) e demografiche (indice di istruzione). Inoltre, presentiamo un algoritmo di ottimizzazione multi-obiettivo per identificare le comunità in base al loro comportamento, tenendo conto dei modelli di utilizzo della mobilità condivisa, della distanza tra le aree e delle informazioni strutturali (tramite Map Embeddings). Esploriamo anche la definizione teorica e architetturale delle tecniche di Deep Learning per la risoluzione di problemi di mobilità del mondo reale. Proponiamo due architetture di Deep Learning, 3D-CLoST e STREED-Net, che utilizzano soluzioni innovative per estrarre meglio le relazioni spazio-temporali presenti nei dati di mobilità. Queste soluzioni ci permettono di migliorare lo stato dell'arte nella risoluzione del problema di previsione dei flussi a breve termine. Inoltre, per estendere l'applicabilità delle reti convoluzionali spettrali a grafo a problemi di mobilità definiti mediante grafi diretti ponderati, introduciamo SigMaNet, che è in grado di gestire sia grafi non diretti che diretti con pesi di qualsiasi segno o grandezza. La peculiarità di SigMaNet è la nuova matrice Sign-Magnetic Laplacian. Infine, ci occupiamo della previsione dei parcheggi su strada valutando le prestazioni di vari metodi, tra cui modelli statistici, reti convoluzionali a grafo e reti neurali convoluzionali, su due indicatori, il tempo medio in sosta e il numero di veicoli parcheggiati contemporaneamente.