Nell’evoluzione delle Smart City, il Federated Learning rappresenta una soluzione innovativa per conciliare la crescente necessità di elaborazione dei dati con i requisiti di privacy e decentralizzazione.
Questa tecnologia consente di addestrare modelli di intelligenza artificiale direttamente sui dispositivi locali, evitando la trasmissione dei dati sensibili verso server centrali.
Un approccio che si dimostra particolarmente adatto agli ecosistemi urbani intelligenti, dove le informazioni sono prodotte da una moltitudine di fonti distribuite.
Indice degli argomenti
Centralizzazione dei dati e limiti del cloud computing
In genere, quando si vogliono addestrare modelli di Intelligenza Artificiale (IA), che comprendono modelli di Machine Learning e di Deep Learning, si assume che i dati risiedano in un unico luogo centralizzato. Questo approccio permette di addestrare modelli e reti neurali su grandi quantità di dati, sfruttandone appieno il potenziale informativo per ottenere delle prestazioni elevate nei più svariati compiti: classificazione, regressione, riconoscimento di oggetti o previsione di eventi futuri.
In generale, i modelli si basano sulla disponibilità di grandi quantità di dati: maggiore è il volume di dati a disposizione, maggiore sarà l’informazione utile per l’addestramento. Questo permette al modello di apprendere e di fare predizioni accurate su dati mai visti in precedenza.
Nell’approccio tradizionale basato su Cloud Computing, i dati raccolti dai dispositivi periferici (sensori, smartphone, droni) vengono inviati a server remoti per l’elaborazione e l’addestramento dei modelli IA. Sebbene questa soluzione consenta di sfruttare grandi capacità computazionali, presenta svantaggi in termini di latenza, uso della banda di rete e rischi per la privacy. Inoltre, l’ipotesi che i dati risiedano nello stesso luogo è spesso irrealistica. Nella realtà i dati sono raccolti in scenari distribuiti e appartengono a diversi utenti e organizzazioni, e spesso hanno distribuzioni non-IID (non-independently and identically distributed). Inviare tali dati in un unico luogo metterebbe a rischio la privacy delle informazioni contenute, sia durante la comunicazione sia per via della loro localizzazione centralizzata.
Con l’Edge Computing, parte dell’elaborazione avviene direttamente vicino alla fonte dei dati, sui dispositivi o su server locali. Il Federated Learning (FL) [1] si integra perfettamente in questo scenario consentendo ai dispositivi edge di addestrare i modelli in modo decentralizzato e collaborativo, senza dover trasferire i dati sensibili verso il cloud (Figura 1).
Questo approccio è particolarmente utile in ambiti in cui la privacy dei dati è di fondamentale importanza, ad esempio dati medici e sanitari per la tutela dei pazienti o dati industriali per evitare la diffusione di informazioni riservate e segreti commerciali. Il FL consente quindi di seguire protocolli per la tutela dei dati, come il GDPR (General Data Protection Regulation).
Inoltre, eliminando la necessità di trasferire i dati in un unico server centrale, il FL permette di ridurre i costi di trasmissione sia in termini energetici che temporali, ottenendo risultati in tempi più brevi. Negli ultimi anni il FL ha trovato applicazione in numerosi settori: sanitario, industriale, agricolo, urbano, ovvero in tutti quei contesti in cui la privacy dei dati e la loro localizzazione non consentono un addestramento centralizzato dei modelli di IA.
Figura 1. Addestramento centralizzato e Federated Learning. Nell’allenamento centralizzato i dispositivi inviano i propri dati ad un server centrale, dove avviene l’addestramento del modello. Questo compromette la privacy dei dati. Nel FL i dati restano sui dispositivi e vengono scambiati con i server solo gli aggiornamenti del modello, mantenendo la riservatezza dei dati.
Vantaggi e criticità del federated learning
Il FL è un framework che consente l’addestramento di un modello di IA in modo collaborativo e decentralizzato, superando la necessità di raccogliere i dati in un unico luogo. L’architettura più comune prevede un server centrale che gestisce la comunicazione con vari utenti, detti client, per l’addestramento collaborativo di un unico modello globale, che risiede sul server. In questo caso si parla di FL centralizzato. I client possono essere grandi istituzioni come ospedali, banche e industrie oppure dispositivi IoT (Internet of Things) come smartphone, smartwatch, elettrodomestici, assistenti virtuali, auto, sensori di sicurezza, videocamere. Nel caso in cui ci siano poche istituzioni con importanti capacità computazionali e che gestiscono una grande quantità di dati (ad esempio ospedali) si parla di cross-silo FL, invece se vengono utilizzati molti dispositivi ma con capacità computazionali limitate (ad esempio smartphone) si parla di cross-device FL.
Il processo funziona nel seguente modo: il server invia una copia del modello iniziale ai client, che lo addestrano utilizzando i propri dati e rinviano al server soltanto gli aggiornamenti del modello. Il server aggrega le informazioni ricevute dai client e aggiorna il modello globale. Questo processo può essere ripetuto per più iterazioni fino a raggiungere la convergenza del modello o il numero massimo di iterazioni. In questo modo il modello globale viene addestrato sfruttando i dati e la conoscenza di ogni partecipante. Questa architettura riduce i costi di comunicazione e di trasferimento dei dati, dal momento che solo gli aggiornamenti viaggiano in rete, non l’intero set di dati. Una criticità nel FL è gestire possibili attacchi esterni che potrebbero ricostruire i dati analizzando gli aggiornamenti inviati. Per evitare ciò, nel FL possono essere integrate tecniche di sicurezza avanzate, come la differential privacy e la crittografia omomorfica, per proteggere ulteriormente i dati e gli aggiornamenti trasmessi. Oltre alla privacy, un’altra criticità è l’eterogeneità dei client, sia in termini di dati e capacità computazionali, che di rete. Spesso, i dati sono non-IID, cioè i dati di ciascun client possono avere distribuzioni statistiche diverse. La scelta della giusta tecnica di aggregazione sul server consente di gestire meglio questi casi. Inoltre i dispositivi potrebbero avere diverse quantità di dati da elaborare, portando ad addestramenti più o meno lunghi. Quando i dispositivi devono inviare grandi quantità di informazioni può verificarsi un overhead di comunicazione. Inoltre i dispositivi potrebbero sfruttare tipologie diverse di rete per effettuare gli aggiornamenti, comportando problemi di latenza da parte dei dispositivi più rapidi nelle comunicazioni. Le architetture di FL decentralizzato evitano l’utilizzo di un server centrale, e favoriscono una comunicazione peer-to-peer o gerarchica, in cui i dati vengono elaborati prima a livello locale (edge), poi aggregati a un nodo intermedio, prima di arrivare al server centrale. Questo tipo di architettura è utile quando i dispositivi sono eterogenei o geograficamente distribuiti in modo disomogeneo, come nel caso delle città metropolitane.
Usando un FL decentralizzato nella comunicazione dei vari utenti si fronteggiano possibili attacchi malevoli che, andando ad attaccare il server, intaccherebbero l’intera struttura. Infatti usando una comunicazione peer-to-peer o gerarchica gli attacchi esterni intaccherebbero solo una parte dell’architettura e non l’intero sistema. L’allenamento di un modello con il FL va quindi opportunamente gestito, in base ai dati, alla rete di comunicazione e ai dispositivi a disposizione.
Come funzionano le smart cities e perché usano il federated learning
Le Smart Cities (città intelligenti) sono centri urbani in cui i servizi sono resi più efficienti tramite l’utilizzo di tecnologie avanzate, come l’IA, i dispositivi IoT per la raccolta dei dati in tempo reale (traffico, qualità dell’aria, consumi energetici, dati clinici, ambientali e sociali”), reti come Wi-Fi, Bluetooth e quelle di ultima generazione (5G e 6G) per la comunicazione tra i dispositivi. Queste tecnologie consentono, ad esempio, di regolare il traffico stradale grazie a semafori intelligenti che si adattano automaticamente ai flussi veicolari, riducendo così congestioni ed emissioni inquinanti. L’illuminazione pubblica può accendersi o modulare l’intensità della luce solo quando necessario, in risposta alla presenza di persone o veicoli, contribuendo al risparmio energetico e alla sicurezza urbana. Analogamente, i sistemi di raccolta dei rifiuti possono monitorare il riempimento dei cassonetti e pianificare percorsi di svuotamento ottimizzati, evitando sprechi di tempo e risorse.
Le Smart Cities puntano anche a migliorare la qualità della vita dei cittadini attraverso il monitoraggio costante di parametri ambientali come la qualità dell’aria, il livello di rumore o l’inquinamento delle acque, attivando interventi rapidi in caso di anomalie. Sistemi avanzati di previsione e allerta possono segnalare in anticipo condizioni di rischio come alluvioni, incendi o altre emergenze, consentendo alle autorità di adottare misure tempestive e coordinate. In una Smart City, ogni elemento dell’ambiente urbano diventa parte di un sistema capace di raccogliere, elaborare e condividere dati in tempo reale.
L’utilizzo di dispositivi edge consente di analizzare i dati direttamente nel luogo in cui vengono raccolti, senza doverli inviare a un server centrale, riducendo i consumi energetici e la latenza nella risposta, in modo da essere più efficienti in tutte quelle situazioni che richiedono risposte in tempo reale (gestione del traffico, delle industrie, dei disastri) e tutelando la privacy dei dati dei cittadini. Le Smart Cities si fondano non solo sull’aspetto tecnologico, ma anche sulla partecipazione attiva dei cittadini, che possono interagire con i servizi pubblici tramite app mobili, piattaforme digitali o dispositivi domestici connessi. In questo modo, i residenti possono ricevere informazioni personalizzate, come orari aggiornati dei trasporti pubblici, disponibilità di parcheggi o allerte meteo, e contribuire alla gestione urbana segnalando problemi, anomalie o disservizi (Figura 2).
In sintesi, alla base del funzionamento delle Smart Cities ci sono 3 elementi:
- la raccolta dei dati in tempo reale tramite dispositivi e sensori IoT (Internet of Things) installati nelle città
- la trasmissione dei dati a centri di elaborazione dati o server, tramite reti di comunicazione veloci e affidabili. Nei casi più avanzati si usa l’edge computing, cioè i dati vengono analizzati direttamente dai dispositivi locali (senza inviarli a un server centrale) per avere risposte più veloci e proteggere la privacy.
- l’elaborazione dei dati tramite IA.
Figura 2. Nelle Smart Cities si possono utilizzare dati provenienti da vari device IoT.
Le sei dimensioni fondamentali delle smart cities moderne
Le Smart Cities si dividono principalmente in 6 categorie fondamentali (Figura 3) [2,3]:
- Smart Economy: riguarda la capacità di sviluppare un’economia innovativa, competitiva e dinamica, in grado di attrarre investimenti e favorire la crescita di imprese ad alto contenuto tecnologico. Tra i possibili settori di applicazione ci sono le industrie smart, l’agricoltura smart, il turismo smart, ovvero tutti quegli ambiti in cui vengono implementate soluzioni innovative per la crescita economica e l’efficienza produttiva.
- Smart Mobility: riguarda la gestione dei trasporti urbani, orientata verso sistemi sostenibili, efficienti e sicuri. Le Smart Cities adottano soluzioni come mobilità condivisa, i veicoli elettrici, la diffusione di piste ciclabili e reti di trasporto pubblico ottimizzate, incoraggiando forme di spostamento collettivo e a basso impatto ambientale. Inoltre, semafori intelligenti, sensori di traffico e applicazioni di infomobilità contribuiscono a migliorare i flussi veicolari, evitare congestioni e fornire agli utenti indicazioni in tempo reale su percorsi alternativi, parcheggi disponibili o mezzi pubblici in arrivo.
- Smart Environment: riguarda l’uso sostenibile delle risorse naturali e la salvaguardia dell’ambiente urbano. Include il monitoraggio costante della qualità dell’aria, dell’acqua e del suolo, l’uso di sensori IoT distribuiti per il controllo di parametri ambientali e il consumo responsabile delle risorse naturali. Le città intelligenti promuovono l’efficienza energetica negli edifici, le fonti rinnovabili (solare, eolico, geotermico), la mobilità elettrica e la gestione intelligente dei rifiuti. Lo sviluppo di reti di energia intelligenti (smart grid) consente di bilanciare domanda e offerta energetica in tempo reale, riducendo sprechi e costi.
- Smart People: questa dimensione pone l’accento sul ruolo attivo dei cittadini nella vita della città intelligente. Gli abitanti delle Smart Cities sono chiamati a partecipare in modo consapevole ai processi decisionali e di governance, utilizzando piattaforme digitali, app per la segnalazione di problemi urbani o strumenti per esprimere opinioni e preferenze. L’educazione continua, le competenze digitali e l’apertura all’innovazione sono elementi essenziali per formare cittadini flessibili, creativi e capaci di adattarsi ai cambiamenti.
- Smart Government: si occupa delle modalità con cui le istituzioni pubbliche, le imprese e i cittadini interagiscono nella gestione della città. Questa dimensione punta all’adozione di tecnologie digitali per semplificare i processi burocratici, alla digitalizzazione della pubblica amministrazione, attraverso l’offerta di servizi pubblici online, procedure trasparenti, accessibili e semplici da utilizzare. Lo smart government riceve un feedback dai cittadini sulle decisioni prese tramite sondaggi pubblici o forum online.
- Smart Living: mira a migliorare la qualità della vita dei cittadini, garantendo elevati standard di sicurezza, sanità, istruzione, inclusione sociale, accesso a servizi digitali e offerta culturale e ricreativa. Offrendo soluzioni personalizzate che tengano conto dei bisogni dei singoli cittadini e delle comunità, l’obiettivo è rendere gli spazi urbani più vivibili creando ambienti più sani, sicuri, partecipativi e attrattivi anche dal punto di vista turistico e culturale.
E’ importante sottolineare che le città non sempre sviluppano tutte queste dimensioni in modo uniforme: alcune puntano in modo prioritario sulla mobilità sostenibile o sull’efficienza energetica, altre concentrano gli investimenti sulla governance digitale o sul miglioramento della qualità della vita. Pertanto, il livello di “intelligenza” di una città dipende dalla combinazione e dal grado di integrazione di queste sei componenti, adattate alle specifiche esigenze del contesto territoriale, sociale ed economico in cui essa si inserisce. Inoltre, l’uso delle Smart Cities è strettamente collegato a quello dei Digital Twin (gemelli digitali) che permettono di creare una copia virtuale di oggetti, in questo caso città, e di utilizzare i dati collezionati in tempo reale per simulare e monitorare il loro comportamento.
Figura 3. Le sei categorie fondamentali in cui si dividono le Smart Cities
Il panorama italiano delle smart cities: crescita e opportunità
In Italia il mercato delle Smart Cities è in costante crescita e sempre più città stanno integrando l’uso di queste nuove tecnologie [4]. Nel PNRR (Piano Nazionale di Ripresa e Resilienza), tre missioni riguardano progetti per Smart Cities:
- Missione 1: Digitalizzazione che promuove progetti di Mobility as a Service (MaaS),
- Missione 2: Rivoluzione Verde e Transizione Ecologica, con diverse soluzioni ascrivibili nella rete di interventi abilitati dalle Smart Cities
- Missione 5: Inclusione e Coesione con investimenti in Rigenerazione Urbana, tra cui la riforma dei Piani Urbani Integrati
a conferma del crescente interesse per le Smart Cities.
L’International Institute for Management Development (IMD) pubblica ogni anno lo Smart City Index (SCI), che valuta gli aspetti economici e tecnologici delle città intelligenti da un lato, e delle “dimensioni umane” delle città intelligenti (qualità della vita, ambiente e inclusione) dall’altro [5].
Nel report IMD del 2025 le uniche città italiane incluse (Bologna, Roma e Milano) si sono classificate rispettivamente al 83°, 97° e 139° posto [6] su 146 città valutate in tutto il mondo, mostrando che le città italiane sono ancora lontane dai vertici mondiali. EY offre una panoramica più ampia sulla situazione italiana, includendo nel report nazionale italiano 109 capoluoghi di provincia.
Tali città sono valutate tramite l’SCI, composto da un totale di 323 indicatori, che coprono tutti gli aspetti relativi alle Smart Cities, suddivisi in due macro-categorie: Readiness (le iniziative e gli investimenti pubblici e privati degli stakeholder, al fine di rendere disponibili infrastrutture e servizi) e Comportamenti dei cittadini [7]. Bologna, Milano e Torino si trovano ai primi tre posti di questa classifica, seguite da molte delle città metropolitane analizzate.
Subito dopo nella classifica le città medie e poi quelle piccole (con meno di 80000 abitanti). In generale, le città metropolitane si distinguono soprattutto per la loro preparazione alla Transizione Digitale, grazie a ultrabroadband, IoT, servizi on-line. Le città medie hanno invece il loro punto di forza nella componente di readiness della Transizione Ecologica, grazie a colonnine elettriche, piste ciclabili, bike-sharing. Le città piccole hanno il loro punto di forza nella componente di comportamenti della Transizione Ecologica, mostrando come i cittadini rispondano in modo attivo alla componente di offerta. In Italia il programma strategico Smarter Italy prevede la definizione e il lancio di gare d’appalto innovative con lo scopo di accelerare la crescita del Paese e soddisfare le esigenze espresse dalle comunità, città e borghi. Tra le aree d’intervento si trova anche la smart mobility, per permettere alle persone delle aree urbane di muoversi in modo più veloce, agile e sostenibile grazie all’uso della tecnologia e dell’innovazione [8].
La ricerca universitaria gioca un ruolo fondamentale nell’integrazione del FL nelle Smart Cities. L’Università di Torino è partner del progetto FLaaS (Federated Learning as a Service) per creare una piattaforma innovativa per l’addestramento di modelli FL distribuiti e che tutelano la privacy. Il mercato delle Smart Cities è in crescita, sia in Italia che nel resto del mondo, evidenziando quanto sia di supporto la gestione delle città tramite l’intelligenza artificiale.
Federated learning nelle smart cities: privacy e collaborazione
L’utilizzo delle Smart Cities per il miglioramento della vita e degli aspetti economici e tecnologici associati porta con sé uno dei rischi su cui si pone più attenzione al giorno d’oggi: la privacy. Infatti, i dati utilizzati per i modelli sono spesso dati sensibili. La condivisione dei dati tra varie città o tra vari dispositivi all’interno della stessa città può compromettere la riservatezza dei dati collezionati e dei cittadini. In quest’ottica, l’utilizzo di metodologie che consentano di preservare la riservatezza dei dati lavorando in modo decentralizzato è di cruciale importanza. Il FL rappresenta una soluzione ottimale, permettendo di utilizzare collaborativamente i dati provenienti da più fonti per addestrare un modello globale. Nelle Smart Cities i client possono essere dispositivi IoT, come telecamere di videosorveglianza, smartphone e smartwatch dei cittadini, sensori di inquinamento, veicoli, ecc. (Figura 4) che forniscono grandi quantità di dati da elaborare. I dispositivi possono addestrare localmente il modello e inviare i parametri aggiornati al server in modo sicuro, contribuendo alla creazione di un modello urbano sempre più preciso ed efficace [9]. Spesso i dati raccolti in situazioni reali, come quelle delle Smart Cities, seguono distribuzioni non-IID, complicando l’addestramento del modello globale.
Il FL può essere integrato in uno o più settori nelle Smart Cities. Ad esempio, nel settore dei trasporti, il framework FLPTM (Federated Learning-based Predictive Traffic Management) [10] esplora un sistema di gestione predittiva del traffico basato sull’apprendimento federato, progettato per veicoli autonomi. Il sistema sfrutta l’apprendimento federato per ottimizzare l’accesso ai servizi e affrontare le sfide legate ai costi di comunicazione e agli attacchi avversari. L’obiettivo è creare un sistema di trasporto intelligente scalabile, efficiente e sicuro per la gestione del traffico in tempo reale, con particolare attenzione al mantenimento della riservatezza dei dati degli utenti. I dati utilizzati provengono da 130 auto su un’autostrada. I risultati sperimentali mostrano una riduzione dei costi di comunicazione del 23,29%, una diminuzione dell’impatto degli attacchi avversari del 16,1% e una contrazione dei tempi di risposta del 18,95%.
Figura 4. Differenze nei workflow di addestramento centralizzato e FL.
Il framework PLFL (Personalized Lightweight Federated Learning) [11], invece, affronta le sfide legate alla previsione del flusso di traffico, quali la scarsità e la bassa qualità dei dati disponibili, le problematiche legate alla privacy e alla complessità computazionale dei modelli avanzati. Lo studio ha convalidato sperimentalmente PLFL utilizzando dati reali raccolti nella città di Changsha, ottenuti tramite dispositivi di monitoraggio installati nella rete stradale urbana, nel periodo dal 1° settembre al 30 settembre 2019. I dati contengono 8 campi: numero di targa (identificatore unico del veicolo), tipo di targa (riflette la distribuzione dei tipi di veicoli), ora di passaggio (momento esatto del passaggio), numero e nome del punto di raccolta (posizione geografica del punto di monitoraggio), numero dell’attrezzatura (identificatore del dispositivo), numero della direzione e numero della corsia (direzione di guida e posizione nella corsia). Gli esperimenti sono stati condotti in setting non-IID e prevedevano metodi di personalizzazione dei modelli per i client partecipanti.
Un ulteriore esempio è rappresentato dal framework FedTPS (Federated Traffic Prediction with Synthetic data augmentation) [12], applicato alla previsione del traffico urbano. Questo approccio utilizza dati sintetici generati tramite FL per arricchire i dataset locali dei client, riducendo così l’eterogeneità tra i dati dei partecipanti e migliorando l’efficacia dell’addestramento locale. Le sperimentazioni condotte utilizzando datasets di car sharing delle città di Chengdu e Xi’an, suddivisi per simulare diverse organizzazioni che raccolgono dati in modo indipendente, hanno dimostrato l’efficacia di FedTPS nel migliorare la previsione del traffico.
Sempre in ambito trasporti, è importante per prevedere efficacemente il numero di persone a bordo, in entrata o in uscita da una metropolitana o da un autobus, in una determinata fermata/stazione, il cosiddetto problema del “Passengers Flow”. FedFlow [13] è un framework per la predizione del flusso dei passeggeri che sfrutta il FL e che è stato testato su dati reali relativi a una città italiana, comprendenti 139 linee di autobus. I dati sono stati divisi in 5 aree seguendo la divisione geografica delle corse e assegnate a differenti client. I risultati dimostrano che il FL è in grado di migliorare le performance del modello rispetto al caso centralizzato, creando dei modelli personalizzati per ogni client.
In ambito sanitario, a seguito della pandemia di Covid-19, Capgemini ha sviluppato una piattaforma basata sul FL per permettere la collaborazione di tre ospedali spagnoli (due a Madrid e uno a Barcellona) [14] per l’allenamento di un modello globale diagnostico utilizzando immagini radiografiche del torace. Tali immagini, ampiamente prodotte durante la pandemia, hanno permesso di aumentare l’accuratezza della diagnosi di Covid-19 rispetto ai modelli costruiti esclusivamente su dati locali di singoli ospedali.
Per affrontare la sfida della previsione della domanda netta di energia all’interno di comunità energetiche, composte da edifici residenziali e commerciali dotati di impianti di generazione rinnovabile è essenziale prevedere con precisione il bilancio tra produzione e consumo di energia per ottimizzare l’uso delle risorse e facilitare strategie di scambio energetico e flessibilità. In [15] è stato adottato un approccio di FL che permette ai diversi edifici di collaborare alla costruzione di modelli predittivi senza dover condividere dati sensibili, come i profili di consumo o produzione individuali. I dati utilizzati derivano dalla banca dati sviluppata dal National Renewable Energy Laboratory (NREL), che comprende profili di carico e produzione energetica simulati per circa 900.000 edifici, con una risoluzione temporale di 15 minuti lungo un intero anno (2018). Da questo vasto insieme sono stati selezionati 200 edifici residenziali appartenenti alla stessa area climatica e geografica, al fine di simulare una comunità energetica omogenea, rappresentativa di un quartiere in una Smart City. Nel complesso, l’uso di dati realistici e dettagliati ha consentito di verificare l’efficacia della metodologia proposta in scenari che riflettono le complessità operative delle comunità energetiche urbane reali, con l’obiettivo di migliorare la gestione dell’energia in modo sostenibile ed efficiente. Sebbene il FL risulti ancora poco diffuso nelle implementazioni concrete delle Smart Cities, gli studi analizzati (Tabella 1) dimostrano come questa tecnologia possa essere efficacemente integrata per migliorare la vivibilità urbana e supportare la creazione di modelli predittivi e decisionali sempre più avanzati. Il FL rappresenta una soluzione promettente per affrontare le sfide legate alla privacy, alla sicurezza e alla gestione decentralizzata dei dati nelle città intelligenti del futuro.
| Studio | Settore | Obiettivo Principale | Dati Utilizzati | Risultati |
| FLPTM (Federated Learning-based Predictive Traffic Management) [10] | Trasporti / Traffico | Gestione predittiva del traffico per veicoli autonomi, riduzione costi e attacchi avversari | Dati provenienti da veicoli su un’autostrada | Riduzione costi di comunicazione (23,29%), riduzione impatto attacchi avversari (16,1%), riduzione tempi di risposta (18,95%) |
| PLFL (Personalized Lightweight Federated Learning) [11] | Trasporti / Traffico | Previsione personalizzata del flusso di traffico in scenari con dati scarsi/non-IID | Dati di transito reali di veicoli a Changsha (targa, tipo veicolo, ora passaggio, posizione, corsia, direzione) | Migliore adattamento ai dati locali, riduzione problemi non-IID, modelli personalizzati più accurati |
| FedTPS (Federated Traffic Prediction with Synthetic Data Augmentation) [12] | Trasporti / Traffico | Miglioramento predizione traffico urbano con dati sintetici generati localmente | Dati car sharing reali (Chengdu, Xi’an) con simulazione di raccolta distribuita | Aumento efficacia addestramento locale, riduzione eterogeneità tra i dataset dei client |
| FedFlow [13] | Trasporti / Flusso di passeggeri | Previsione del numero di passeggeri a bordo o in ingresso/uscita dai mezzi di trasporto | Dati di 139 linee di autobbus | Aumento performance dei modelli personalizzati rispetto al caso centralizzato |
| Piattaforma FL Capgemini [14] | Sanità | Diagnosi migliorata di Covid-19 tramite radiografie toraciche in ospedali diversi | Immagini radiografiche torace raccolte in 3 ospedali spagnoli | Aumento accuratezza diagnostica rispetto a modelli addestrati su dati locali singoli |
| FL per Comunità Energetiche [15] | Energie rinnovabili | Previsione domanda e produzione netta di energia in edifici residenziali | Profili di carico e produzione simulati (200 edifici, risoluzione 15 minuti) | Migliore bilanciamento produzione/consumo energetico locale, protezione profili di consumo individuali |
Tabella 1. Sintesi dei lavori proposti che sfruttano il FL per affrontare problematiche legate alle Smart Cities.
Il federated learning per città intelligenti sicure e sostenibili
In un mondo sempre più interconnesso, il FL offre una risposta concreta alla necessità di costruire città realmente intelligenti, capaci di apprendere, adattarsi e ottimizzarsi continuamente senza compromettere la riservatezza dei dati personali o la sicurezza delle infrastrutture digitali. Considerando normative europee come il GDPR e l’AI Act, e dei nuovi standard di governance dei dati, tecnologie come il FL si configurano come strumenti chiave per la realizzazione di Smart Cities etiche, sicure e sostenibili.
L’Italia, con le sue specificità urbane, le numerose città storiche e la crescente attenzione verso l’innovazione tecnologica e la tutela della privacy, può assumere un ruolo strategico nella definizione e sperimentazione di soluzioni europee affidabili e interoperabili. Sebbene il FL non sia ancora pienamente implementato nelle Smart Cities italiane, l’interesse della comunità scientifica e industriale verso questa metodologia è in rapida crescita. Il suo impiego, insieme a strumenti come i Digital Twin, che permettono una rappresentazione virtuale di un oggetto fisico, un processo o un sistema, aggiornata in tempo reale con dati provenienti da sensori e altri sistemi, potrà contribuire significativamente non solo al rispetto delle normative europee, ma anche alla creazione di modelli di IA sempre più sofisticati, efficienti e rispettosi dei diritti fondamentali dei cittadini.
Ringraziamenti
Si ringraziano i membri, collaboratori ed amici del gruppo di ricerca M.O.D.A.L. (Mathematical MOdelling and Data AnaLisys) del Dipartimento di Matematica e Applicazioni “Renato Caccioppoli” – Università degli Studi di Napoli Federico II per le stimolanti discussioni sull’argomento trattato.
Si ringrazia il progetto FAIR – Future AI Research (PE00000013), Spoke 3, under the NRRP MUR program funded by the NextGenerationEU.
Si ringrazia il progetto G.A.N.D.A.L.F. – Gan Approaches for Non-iiD Aiding Learning in Federations, CUP: E53D23008290006, PNRR – Missione 4 “Istruzione e Ricerca” – Componente C2 Investimento 1.1 “Fondo per il Programma Nazionale di Ricerca e Progetti di Rilevante Interesse Nazionale (PRIN)”.
Note
[1] Konečný, J., McMahan, B., & Ramage, D. (2015). Federated optimization: Distributed optimization beyond the datacenter. arXiv preprint arXiv:1511.03575.
[2] Giffinger, R., & Gudrun, H. (2010). Smart cities ranking: an effective instrument for the positioning of the cities?. ACE: architecture, city and environment, 4(12), 7-26.,
[3] Attaran, H., Kheibari, N., & Bahrepour, D. (2022). Toward integrated smart city: A new model for implementation and design challenges. GeoJournal, 87(Suppl 4), 511-526.
[4] https://forbes.it/2025/05/14/il-mercato-delle-smart-city-in-italia-vale-oltre-1-miliardo-di-euro
[5] https://www.imd.org/smart-city-observatory/home/
[6] https://imd.widen.net/s/psdrsvpbk7/imd_smart_city_2025_report
[8] https://innovazione.gov.it/progetti/smarter-italy/
[9] Pandya, S., Srivastava, G., Jhaveri, R., Babu, M. R., Bhattacharya, S., Maddikunta, P. K. R., … & Gadekallu, T. R. (2023). Federated learning for smart cities: A comprehensive survey. Sustainable Energy Technologies and Assessments, 55, 102987.
[10] Alqubaysi, T., Asmari, A. F. A., Alanazi, F., Almutairi, A., & Armghan, A. (2025). Federated Learning-Based Predictive Traffic Management Using a Contained Privacy-Preserving Scheme for Autonomous Vehicles. Sensors, 25(4), 1116. https://doi.org/10.3390/s25041116
[11] Dai, G., & Tang, J. (2025). A Short-Term Traffic Flow Prediction Method Based on Personalized Lightweight Federated Learning. Sensors, 25(3), 967. https://doi.org/10.3390/s25030967
[12] Orozco, F., de Gusmão, P. P. B., Wen, H., Wahlström, J., & Luo, M. (2024). Federated Learning for Traffic Flow Prediction with Synthetic Data Augmentation. arXiv preprint arXiv:2412.08460.
[13] Rocco di Torrepadula, F., Fisichella, M., Di Martino, S. et al. Fedflow: a personalized federated learning framework for passenger flow prediction. Mach Learn 114, 166 (2025). https://doi.org/10.1007/s10994-025-06795-0
[15] Mendes, N., Moura, P., Mendes, J., Antunes, C. H., & Mohammadi, J. (2023, September). Federated Learning Optimization for Energy Communities in Smart Cities. In 2023 IEEE International Smart Cities Conference (ISC2) (pp. 01-07). IEEE.
