Dalla mobilità osservata alla mobilità prevista

Per anni la ciclabilità è stata misurata quasi sempre “a posteriori”: conteggi di passaggio, questionari, rilievi sul campo, dati di noleggio o analisi dei flussi già avvenuti.

Oggi il paradigma sta cambiando. Grazie all’intelligenza artificiale e ai modelli predittivi, non ci si limita più a chiedere quante persone hanno usato la bici, ma si prova a stimare dove, quando e con quali condizioni la useranno in futuro.

È una svolta importante, perché permette a città, operatori di bike sharing, mobility manager e territori turistici di prendere decisioni più rapide e più fondate sui dati.

La domanda centrale diventa quindi:

possiamo prevedere la domanda ciclabile prima che si manifesti?

Le ricerche più recenti indicano di sì, soprattutto nei sistemi di bike sharing, dove i dati sono più strutturati e continui.

Il paper di riferimento: Machine Learning Models for Bike-Sharing Demand Forecasting

Uno studio molto utile per inquadrare il tema è “Machine Learning Models for Bike-Sharing Demand Forecasting”, pubblicato nel 2026 su Future Transportation. Il paper propone una metodologia di previsione della domanda bike sharing a breve termine, aggregando le stazioni in cluster geografici e confrontando tre modelli: regressione lineare, modello time series e random forest.

Il lavoro utilizza dati storici di utilizzo, variabili temporali, condizioni meteo e configurazione della rete, con l’obiettivo di prevedere arrivi e partenze in aree urbane omogenee. I risultati mostrano che i modelli time series e random forest superano la regressione lineare, con valori fino all’80% e RMSE più basso nei cluster analizzati, soprattutto nelle aree centrali più variabili.

Il punto più interessante non è solo tecnico. Lo studio dimostra che la previsione della domanda ciclabile può diventare uno strumento operativo: non serve solo a “capire” la mobilità, ma a gestire meglio disponibilità delle bici, redistribuzione, aree di surplus e aree di deficit.

Perché prevedere la domanda bici è così importante

Nei sistemi di bike sharing il problema è evidente: alcune stazioni si svuotano nelle ore di punta, altre accumulano troppe biciclette. Questo crea inefficienze, peggiora l’esperienza dell’utente e aumenta i costi di redistribuzione.

Ma il tema va oltre il bike sharing. Prevedere la domanda ciclabile significa anche poter rispondere a domande molto concrete:

• quali quartieri avranno più richiesta di mobilità in bici?
• quali fasce orarie generano picchi di utilizzo?
• quali condizioni meteo riducono o aumentano la domanda?
• quali infrastrutture attivano più spostamenti?
• dove conviene potenziare servizi, parcheggi, stazioni o collegamenti?

In altre parole, l’AI può aiutare a passare da una ciclabilità “reattiva” a una ciclabilità programmata, adattiva e data-driven.

I dati che alimentano i modelli predittivi

I modelli di machine learning per la domanda ciclabile utilizzano diversi tipi di dati. Nei paper più recenti ricorrono soprattutto:

Lo studio del 2026 su Future Transportation, ad esempio, incorpora fattori esogeni come temperatura ed eventi meteo, oltre a dati orari di arrivi e partenze nelle aree clusterizzate.

Dal machine learning al deep learning: la domanda ciclabile diventa spaziale

Una seconda linea di ricerca, ancora più avanzata, utilizza modelli di deep learning e reti neurali grafiche.

Nel 2025, il paper “Bike-sharing systems for sustainable cities: Demand prediction using graph neural networks and spatial aggregation”, pubblicato su Sustainable Cities and Society, ha analizzato il sistema di bike sharing di Varsavia, aggregando i dati delle stazioni in una griglia chilometrica e utilizzando modelli basati su Graph Neural Networks. Lo studio dichiara valori di R² superiori a 0,91 e MAE inferiore a 0,37, indicando una capacità predittiva molto elevata.

Il valore di questo approccio è evidente: la città non viene più letta come un insieme di punti isolati, ma come una rete di relazioni spaziali. Le stazioni, i quartieri, le condizioni meteo, l’ambiente urbano e i pattern temporali diventano parti di un sistema interconnesso.

Questo è particolarmente importante per la ciclabilità, perché la domanda bici non dipende solo da “quante persone abitano in un luogo”, ma anche da come quel luogo è connesso, quanto è accessibile, quanto è sicuro e quanto è integrato con il resto della città.

Prevedere check-in e check-out: il problema non è solo quante bici servono

Un altro studio recente, “Predicting short-Term bike-Sharing demand at station level: A multi-Task dynamic graph-based spatiotemporal approach”, pubblicato su Knowledge-Based Systems, introduce un modello chiamato MTDG, pensato per prevedere la domanda oraria di bike sharing a livello di stazione.

La particolarità è che il modello non si limita a prevedere i prelievi, ma considera insieme check-in e check-out, trattandoli come fenomeni collegati. Questo è fondamentale, perché in una rete reale non basta sapere dove le persone prendono una bici: bisogna sapere anche dove la lasciano.

Lo studio utilizza dati dei sistemi di bike sharing di Montréal e New York City e integra anche variabili globali come i dati meteorologici. Secondo gli autori, il modello supera diversi metodi di riferimento, inclusi modelli graph-based adattivi e approcci di forecasting basati su Large Language Models.

AI e domanda ciclabile: non solo previsione, ma spiegazione

Un limite dei modelli predittivi è che spesso sanno prevedere bene, ma spiegano poco. Per una città o un territorio, però, non basta sapere che la domanda aumenterà: bisogna capire perché.

Per questo è interessante lo studio “Integrating Ensemble Machine Learning and Structural Equation Modeling to Predict and Explain Biking Demand in Kigali”, pubblicato nel 2026 su The Open Transportation Journal. Il paper combina modelli ensemble di machine learning con Structural Equation Modeling, provando a unire capacità predittiva e interpretabilità.

Il dataset include 6.386 osservazioni e integra dati di survey con variabili meteo e qualità dell’aria. I risultati indicano che i modelli ensemble hanno prestazioni molto superiori rispetto ai modelli tradizionali: regressione logistica al 42%, SVM all’82%, random forest al 98%, XGBoost al 99% e stacking classifier al 94%.

Lo stesso studio evidenzia che l’accessibilità spaziale è il fattore latente più influente sulla frequenza d’uso della bici, con un coefficiente β = 0,878 e significatività statistica p < 0,001. In pratica: la domanda ciclabile non dipende solo dall’interesse individuale, ma dalle condizioni concrete di accesso e infrastruttura.

Cosa ci dicono davvero questi studi

Se si leggono insieme, i paper 2025–2026 indicano una direzione molto chiara: la domanda di bici può essere prevista con livelli di precisione sempre più alti, ma solo quando i modelli integrano tre dimensioni:

1. tempo: ora, giorno, stagione, ricorrenze;
2. spazio: stazioni, quartieri, reti, prossimità;
3. contesto: meteo, ambiente urbano, accessibilità, infrastrutture.

La bici non è più trattata come un comportamento generico. Diventa un fenomeno modellizzabile, con pattern ricorrenti, condizioni abilitanti e segnali predittivi.

Questo è il salto culturale: la ciclabilità non è solo “promozione”, ma intelligenza territoriale.

Perché interessa anche a territori e cicloturismo

A prima vista questi studi sembrano riguardare soprattutto il bike sharing urbano. In realtà il loro valore è molto più ampio.

Le stesse logiche possono essere trasferite, con cautela, anche a:

• pianificazione di reti cicloturistiche;
• previsione dei flussi lungo percorsi;
• gestione dei servizi bike-friendly;
• individuazione delle aree a maggiore domanda potenziale;
• sviluppo di heatmap territoriali;
• programmazione di eventi e stagionalità;
• posizionamento di bike parking, rental, officine e punti ristoro.

Per il cicloturismo, il tema è ancora più interessante perché la domanda non è solo urbana e quotidiana, ma anche stagionale, territoriale e legata all’esperienza.

Un sistema predittivo potrebbe aiutare a capire:

• quali tratte vengono percorse di più in certi periodi;
• dove mancano servizi lungo un itinerario;
• quali borghi intercettano flussi cicloturistici;
• dove conviene attivare nuovi Bike Places;
• quali aree hanno potenziale ma poca offerta strutturata.

Dal dato alla decisione: cosa può cambiare per amministrazioni e operatori

I modelli predittivi possono aiutare almeno quattro categorie di soggetti.

1. Comuni e città

Possono capire dove investire in infrastrutture ciclabili, parcheggi, moderazione del traffico e collegamenti intermodali.

2. Operatori bike-friendly

Possono prevedere stagionalità, domanda potenziale e bisogni dei ciclisti lungo specifiche aree.

3. Destination manager

Possono leggere i flussi cicloturistici non solo come presenze turistiche, ma come movimenti distribuiti nello spazio.

4. Piattaforme digitali

Possono passare dalla semplice mappa alla raccomandazione intelligente: percorsi, servizi, soste e punti di interesse suggeriti in base al comportamento reale.

Attenzione: previsione non significa sorveglianza

Quando si parla di AI e mobilità, il tema privacy è centrale.

La previsione della domanda ciclabile non deve tradursi in tracciamento invasivo dei singoli utenti. I modelli più utili per città e territori possono lavorare su dati aggregati, anonimizzati e privacy-safe.

L’obiettivo non è sapere cosa fa una singola persona, ma capire pattern collettivi:

• quali zone generano più domanda;
• quali tratte sono più usate;
• quali orari sono più intensi;
• quali condizioni meteo cambiano i comportamenti;
• quali servizi risultano più rilevanti.

Questo approccio è particolarmente importante per piattaforme territoriali che vogliono costruire fiducia con utenti, operatori e istituzioni.

Italia: perché siamo ancora indietro

In Italia il problema non è solo tecnologico. È soprattutto legato alla frammentazione dei dati.

Spesso mancano:

• conteggi ciclabili continui;
• dati standardizzati sui percorsi;
• integrazione tra mobilità urbana e cicloturismo;
• dataset aperti e interoperabili;
• strumenti per misurare la domanda potenziale;
• collegamento tra infrastrutture e servizi.

Il risultato è che molte decisioni vengono prese ancora con dati incompleti, percezioni locali o singoli rilievi occasionali.

I modelli predittivi non eliminano la necessità di visione politica, ma possono ridurre l’incertezza. Aiutano a capire dove c’è domanda reale, dove c’è domanda latente e dove l’infrastruttura può attivare nuovi comportamenti.

Il futuro della ciclabilità sarà predittivo

Gli studi più recenti sulla domanda ciclabile mostrano che l’intelligenza artificiale può diventare uno strumento concreto per migliorare la mobilità in bici.

Non si tratta di sostituire la pianificazione urbana con algoritmi, ma di affiancarla con dati migliori.

La direzione è chiara:

• meno decisioni basate su intuizioni;
• più analisi dei comportamenti reali;
• più capacità di prevedere domanda e criticità;
• più servizi dove servono davvero;
• più integrazione tra mobilità quotidiana e cicloturismo.

La ciclabilità del futuro non sarà solo più infrastrutturata. Sarà anche più intelligente, misurabile e adattiva.

Per città, territori e piattaforme digitali, la vera sfida sarà trasformare i dati in decisioni utili.