Le infrastrutture di mobilità urbana stanno attraversando una profonda trasformazione strutturale, guidata dalla necessità di rispondere a sfide ecologiche pressanti e a una domanda di trasporto sempre più complessa e frammentata. In questo scenario, le reti di trasporto cittadine si stanno evolvendo da sistemi statici e puramente reattivi a ecosistemi intelligenti e proattivi [1].
Il fulcro di questa transizione è rappresentato dai dati: la Pubblica Amministrazione e le agenzie di mobilità si trovano oggi a gestire volumi massivi di informazioni, generati sia dalla sensoristica dei veicoli in movimento sia dai dispositivi degli utenti stessi.
Tuttavia, il mero accumulo del dato non è sufficiente a generare valore pubblico aggiunto: risulta indispensabile un’infrastruttura capace di standardizzare queste informazioni e, soprattutto, di estrarne modelli predittivi. L’intersezione tra i formati aperti di condivisione, universalmente consolidati nello standard GTFS [2], e i moderni algoritmi di IA, costituisce l’orizzonte tecnologico su cui si sta ridisegnando la smart city contemporanea. L’obiettivo di questo articolo è esplorare nel dettaglio questa convergenza, analizzando lo stato del TPL in Italia, il ruolo nevralgico dei flussi GTFS, le metodologie di machine learning adoperate per la loro elaborazione e le sperimentazioni attualmente in corso sul territorio nazionale.
Indice degli argomenti
IA e trasporto pubblico locale: la sfida della digitalizzazione
Il Trasporto Pubblico Locale in Italia rappresenta un comparto nevralgico non solo per la transizione ecologica, ma anche per la tenuta economica e sociale del Paese. Il settore impiega circa 124.000 addetti, genera un fatturato annuo stimato in 12 miliardi di euro e garantisce la mobilità quotidiana di oltre 15 milioni di passeggeri [3]. Tuttavia, a fronte di questi volumi imponenti, il sistema italiano sconta ritardi cronici legati all’obsolescenza delle flotte, a inefficienze strutturali e a un divario tecnologico marcato tra i grandi poli metropolitani e le aree interne o a domanda debole.
La digitalizzazione del TPL si inserisce organicamente in questo contesto come direttrice strategica nazionale. Il Piano Triennale per l’Informatica nella Pubblica Amministrazione (2024-2026), varato dall’Agenzia per l’Italia Digitale (AgID), individua proprio nell’interoperabilità dei sistemi, nel paradigma cloud e nell’impiego dell’IA i pilastri per l’ammodernamento dei servizi [4]. In questa cornice normativa, la modernizzazione della mobilità si traduce operativamente nella smaterializzazione dei titoli di viaggio (e-ticketing), nell’installazione di sistemi di monitoraggio della flotta (AVM – Automatic Vehicle Monitoring) e, fattore abilitante per eccellenza, nell’utilizzo di open data standardizzati.
Sul fronte dei dati, tuttavia, l’adozione delle policy di condivisione risulta ancora profondamente disomogenea. Ostacoli di natura culturale, carenza di competenze tecniche specializzate nelle amministrazioni locali e ritardi nell’aggiornamento dei contratti di servizio hanno generato uno scenario a due velocità. Questa frammentazione impedisce lo sviluppo organico di soluzioni basate sull’IA su scala nazionale, confinando l’innovazione a singole isole metropolitane e frenando, di fatto, la nascita di un maturo mercato dei servizi digitali per la mobilità.
Standard GTFS: il linguaggio universale della mobilità
Affinché gli algoritmi di IA possano addestrarsi ed elaborare previsioni accurate, necessitano di una base dati semanticamente uniforme. In ambito trasportistico, questo ruolo è assolto dal GTFS. Sviluppato all’inizio degli anni duemila, il GTFS si è rapidamente imposto come standard de facto globale per la pubblicazione delle informazioni sui servizi di trasporto pubblico [5].
La sua forza risiede nella semplicità relazionale e nell’adozione di un formato tabellare facilmente elaborabile. La componente statica (GTFS Static) definisce l’infrastruttura topologica del servizio: modella l’esatta posizione spaziale delle fermate, i percorsi viari (le shape delle linee), le aziende di trasporto che erogano il servizio, i calendari e gli orari pianificati.
Tuttavia, l’ecosistema urbano è intrinsecamente stocastico. Incidenti, congestioni del traffico, perturbazioni meteorologiche e fluttuazioni repentine della domanda rendono le tabelle di marcia teoriche rapidamente obsolete. Per superare questo limite strutturale, è stata introdotta l’estensione dinamica GTFS-Realtime (GTFS-RT). Questo protocollo fornisce tre flussi di dati in tempo reale: gli aggiornamenti di viaggio (Trip Updates, ovvero ritardi, anticipi o cancellazioni), le posizioni dei veicoli (Vehicle Positions, le coordinate GPS puntuali) e gli avvisi di servizio (Service Alerts) [6].
L’esposizione continua dei flussi GTFS-RT è la conditio sine qua non per alimentare i motori predittivi basati sul machine learning. L’Italia, in questo ambito, sconta un forte ritardo: sebbene il dato GTFS statico sia ormai ampiamente diffuso, i feed GTFS-RT aperti e interrogabili sono appannaggio di poche realtà virtuose, come Torino e Roma [7]. Proprio nella Capitale, Roma Servizi per la Mobilità garantisce aggiornamenti posizionali dell’intera flotta di superficie con frequenze di pochi secondi [8]. Un’operazione di grande valore per l’open data, benché la transizione dai vecchi protocolli proprietari al formato standard abbia sollevato complesse sfide architetturali: per sfruttare concretamente questi dati nell’addestramento, risulta infatti cruciale risolvere l’interoperabilità degli identificativi di rete e costruire logiche di parsing in grado di allineare la topologia statica allo scorrimento temporale, gestendo l’estrazione massiva di migliaia di file grezzi.
IA e TPL: l’elaborazione dei dati GTFS
L’accesso a repository continui e strutturati di dati GTFS ha aperto la strada all’applicazione di tecniche avanzate di machine learning e deep learning. Il problema cardine che l’IA è chiamata a risolvere nel TPL è la stima esatta dei tempi di arrivo alla fermata (ETA – Estimated Time of Arrival) e la previsione olistica della congestione sull’intera rete urbana. I modelli statistici tradizionali (come ARIMA o l’uso di semplici medie storiche) falliscono nel cogliere le complesse correlazioni spaziali e temporali tipiche del traffico urbano [9].
La frontiera della ricerca in questo dominio è oggi dominata dalle architetture spazio-temporali, specificamente progettate per trattare i dati di mobilità modellandoli come grafi non euclidei. In un modello basato su GTFS, le fermate degli autobus rappresentano i nodi del grafo, mentre i segmenti stradali che le collegano costituiscono gli archi. Le Graph Neural Networks (GNN) eccellono proprio in questo contesto [10]: attraverso il meccanismo di message passing, le GNN riescono ad aggregare lo stato di traffico di una fermata analizzando simultaneamente i livelli di congestione dei nodi adiacenti. Questo approccio permette al modello di catturare la dinamica di propagazione spaziale: un ritardo accumulato al nodo A influenzerà lo stato dei nodi B e C nei minuti successivi [11].
Graph Neural Networks e modelli predittivi
Per gestire la dimensione temporale, le GNN vengono utilizzate anche con reti neurali ricorrenti, quali le Long Short-Term Memory (LSTM). Le LSTM, in particolare, sono progettate per conservare la memoria degli eventi passati e modellare le dipendenze sequenziali di lungo periodo, rivelandosi fondamentali per processare le serie storiche derivate dai feed GTFS-RT. Studi empirici consolidati dimostrano che le architetture ibride, in specifici contesti, garantiscono un abbattimento degli errori di previsione nell’ordine del 30-40% rispetto alle baseline statistiche, risultando essenziali per le strategie di controllo delle flotte nelle metropoli [12].
Accanto ai modelli predittivi puri, l’innovazione si sta estendendo rapidamente al campo dell’IA Generativa e dei Large Language Models (LLM). La ricerca accademica e i progetti sperimentali stanno esplorando framework innovativi come TransitGPT, sistemi progettati per consentire a decisori politici, pianificatori e utenti finali di interrogare enormi database GTFS utilizzando query in linguaggio naturale [13]. Questi modelli agiscono da intermediari, traducendo le richieste discorsive in codice eseguibile o in complesse query sui log di transito, offrendo insight immediati sui colli di bottiglia della rete senza richiedere competenze di programmazione.
MaaS4Italy e dati: i progetti sperimentali in Italia
Tutte queste elaborazioni algoritmiche trovano la loro sintesi operativa nel paradigma della Mobility as a Service (MaaS). Il modello MaaS ambisce a integrare l’intero ventaglio dell’offerta di trasporto, sia pubblica che privata (autobus, ferrovie metropolitane, car sharing, e-bike, taxi), all’interno di un unico ecosistema digitale accessibile da smartphone.
In Italia, il volano di questa trasformazione è rappresentato dal programma governativo MaaS4Italy, incardinato nel PNRR con una dotazione iniziale di 40 milioni di euro, a cui si sono sommati ulteriori 16,9 milioni derivanti dal Fondo Complementare. Il progetto presenta un’architettura scalabile: la prima fase ha visto la selezione di tre città pilota ad altissima complessità urbana (Milano, Roma e Napoli), destinate a ospitare laboratori sperimentali (Living Labs) orientati alla digitalizzazione dei trasporti e alla guida connessa e cooperativa (CCAM). Successivamente, l’iniziativa è stata ampliata inglobando ulteriori poli metropolitani (Bari, Firenze, Torino) e sette macro-territori regionali (tra cui Piemonte, Emilia-Romagna, Veneto, Puglia e Campania), con l’obiettivo di testare piattaforme unificate entro la scadenza europea fissata per l’estate del 2026 [14].
Un pilastro tecnologico ineludibile di MaaS4Italy è la creazione del Data Sharing and Service Repository Facilities (DS&SRF). Questa infrastruttura opera come un marketplace logico che centralizza l’interoperabilità dei dati di tutti gli operatori di mobilità, dialogando con il National Access Point (NAP) e basandosi sulle specifiche GTFS.
Infine, le amministrazioni locali stanno implementando strategie di incentivazione della domanda: nei test condotti a Napoli e in Campania, ad esempio, sono stati previsti dei Welcome Bonus erogati come credito di viaggio per gli utenti volontari che integrano i propri percorsi e le preferenze intermodali nelle app abilitate [15].
Etica, trasparenza e governance algoritmica nella mobilità urbana
L’integrazione dell’IA nell’ecosistema della mobilità urbana non rappresenta unicamente una sfida ingegneristica, ma solleva profondi interrogativi di natura politica, etica e normativa. Gli algoritmi di ottimizzazione delle flotte, se addestrati rincorrendo la pura massimizzazione dell’efficienza economica o basandosi esclusivamente sulla densità storica dei dati, rischiano di replicare e amplificare le disuguaglianze preesistenti. Modelli non adeguatamente governati potrebbero marginalizzare progressivamente le aree periferiche o a domanda debole, compromettendo per intere fasce della popolazione il diritto universale alla mobilità.
È in questo perimetro critico che si inseriscono le tutele introdotte dall’AI Act europeo e il dibattito promosso da istituti di ricerca come l’Osservatorio Agenda Digitale del Politecnico di Milano [16]. Diviene imperativo per la Pubblica Amministrazione sviluppare competenze interne capaci di governare l’innovazione, imponendo rigorosi principi di algorithmic accountability. Come ribadito dalle direttive nazionali, i sistemi adottati dovranno garantire trasparenza, sorveglianza umana (human-in-the-loop) e resilienza cibernetica, tutelando contestualmente i diritti fondamentali dei cittadini.
L’infrastruttura decisionale del trasporto pubblico non può ridursi a una black box. Gli enti concedenti dovranno esigere dagli operatori e dai provider tecnologici garanzie verificabili sull’assenza di bias discriminatori nei modelli di demand prediction. In questa prospettiva, lo standard GTFS esprime appieno il suo potenziale democratico: imponendo l’esposizione aperta e machine-readable dell’offerta di trasporto, abilita ricercatori e istituzioni indipendenti a sviluppare modelli di validazione concorrenti, assicurando un monitoraggio civico e diffuso sulle inefficienze e sulla qualità reale del servizio.
Il futuro del trasporto pubblico locale tra IA, GTFS e PNRR
L’ibridazione tra gli standard aperti della mobilità, come il GTFS, e le potenti architetture predittive abilitate dall’IA, definisce l’orizzonte per il trasporto urbano del futuro. L’impiego delle Graph Neural Networks integrate a moduli temporali offre tassi di accuratezza inediti nella stima dei tempi di percorrenza, consentendo alle aziende di trasporto locale di ottimizzare l’allocazione delle risorse, i consumi energetici e la manutenzione preventiva delle flotte.
Al contempo, le iniziative avviate in Italia tramite i fondi del PNRR – capeggiate dal paradigma MaaS4Italy – offrono un campo di implementazione concreto, in cui le tecnologie digitali trovano un banco di prova su decine di migliaia di cittadini e molteplici poli territoriali. L’orizzonte temporale del 2026 non costituisce, in quest’ottica, una mera scadenza amministrativa per la rendicontazione dei fondi, ma rappresenta il momento critico in cui i prototipi tecnologici dovranno trasformarsi in standard operativi quotidiani, capaci di processare continuativamente flussi massivi di dati reali.
Per centrare questo traguardo strategico, l’impegno istituzionale dovrà focalizzarsi su due direttrici: da un lato, esigere e completare l’esposizione pubblica dei flussi GTFS su scala nazionale, colmando il divario strutturale tra Nord e Sud, tra grandi capoluoghi e province; dall’altro, investire in modo sistemico nel capacity building all’interno della Pubblica Amministrazione, formando figure professionali in grado di interfacciarsi criticamente con l’innovazione algoritmica. Solo attraverso una governance etica, competente e trasparente, l’IA potrà mantenere la promessa di rendere le nostre città ecosistemi più vivibili, sostenibili e realmente connessi.
Bibliografia
[1] Commissione Europea, «Strategia per la mobilità». Disponibile su: https://transport.ec.europa.eu/transport-themes/mobility-strategy_en
[2] «General Transit Feed Specification». Disponibile su: https://gtfs.org/
[3] Roma Servizi per la Mobilità, «Mezzi nuovi e intelligenza artificiale nei trasporti al centro del convegno Asstra». Disponibile su: https://romamobilita.it/primo-piano/mezzi-nuovi-intelligenza-artificiale-nei-trasporti-centro-convegno-asstra/
[4] AGID, «Piano Triennale per l’informatica nella PA | Agid». Disponibile su: https://www.agid.gov.it/it/agenzia/piano-triennale
[5] S. Ying, Z. Li, e M. Yu, «Beyond words: evaluating large language models in transportation planning», Geo-spatial Information Science, vol. 29, fasc. 1, pp. 451–473, gen. 2026, doi: 10.1080/10095020.2025.2493073.
[6] Google Transit, «Specifica ufficiale». Disponibile su: https://developers.google.com/transit/site-map?hl=it
[7] datamobilityadmin, «Come l’AI cambierà la mobilità delle persone: dai dati alla MaaS», Data Mobility. Disponibile su: https://datamobility.it/magazine/come-ai-cambiera-la-mobilita-delle-persone-parte1-i-dati/
[8] Roma Servizi per la Mobilità, «Open data e controllo satellitare del trasporto pubblico (AVM)». Disponibile su: https://romamobilita.it/sistemi-e-tecnologie/open-data/
[9] A. N. Rai, «Graph Neural Networks for Real-Time Traffic Flow Prediction: Applications in Urban Road Networks», International Journal of Science, Engineering and Technology. Disponibile su: https://www.ijset.in/graph-neural-networks-real-time-traffic-flow-prediction-applications-urban-road-networks/
[10] J. Liu e S. Xu, «Advancements of Graph Neural Networks in Urban Traffic Prediction», presentato al International Conference on Engineering Management, Information Technology and Intelligence, SCITEPRESS, giu. 2024, pp. 62–66. doi: 10.5220/0012902200004508.
[11] H. Li et al., «Graph Neural Networks in Intelligent Transportation Systems: Advances, Applications and Trends», 2024, doi: 10.48550/ARXIV.2401.00713.
[12] Z. Lu, W. Lv, Y. Cao, X. Zhipu, H. Peng, e B. Du, «LSTM Variants Meet Graph Neural Networks for Road Speed Prediction», Neurocomputing, vol. 400, mar. 2020, doi: 10.1016/j.neucom.2020.03.031.
[13] S. Devunuri e L. Lehe, «TransitGPT: a generative AI-based framework for interacting with GTFS data using large language models», Public Transport, vol. 17, pp. 319–345, giu. 2025, doi: 10.1007/s12469-025-00395-w.
[14] «Mobility as a Service for Italy», Dipartimento per la trasformazione digitale. Disponibile su: https://innovazione.gov.it/progetti/mobility-as-a-service-for-italy/
[15] «Viaggia subito smart con MaaS! | MaaS for Campania». Disponibile su: https://maas.regione.campania.it/partecipa
[16] Campania DIH, «Ital-IA tra dati pubblici e algoritmi: il ruolo dell’intelligenza artificiale nella trasformazione della PA». Disponibile su: https://www.campaniadih.it/2025/09/11/ital-ia-tra-dati-pubblici-e-algoritmi-il-ruolo-dellintelligenza-artificiale-nella-trasformazione-della-pa/
