Un sistema basato su reti neurali per ottimizzare la circolazione su linee ad alta densità.
Le linee ferroviarie suburbane soffrono di ritardi a catena dovuti a una pianificazione statica. L’assenza di modelli dinamici impedisce di reagire in tempo reale a guasti o picchi di domanda, generando congestione e inefficienze.
Abbiamo sviluppato un algoritmo di deep learning addestrato su dati storici di transito, condizioni meteo e occupazione dei binari. Il modello prevede i colli di bottiglia con 30 minuti di anticipo, consentendo interventi preventivi.
Riduzione dei ritardi medi del 32% e aumento del 18% della capacità di carico sulle tratte critiche. Il sistema è ora in uso presso due hub regionali.
L’efficacia delle nostre soluzioni ingegneristiche è confermata dai risultati concreti ottenuti da chi collabora con noi.
“Grazie ai modelli di flusso sviluppati, abbiamo ridotto i tempi di attesa nei nodi critici del 23% in soli sei mesi.”
Marco Rinaldi
Direttore Tecnico, Mobilità Urbana S.p.A.
“L’analisi dei carichi sulle nostre infrastrutture ha permesso un risparmio del 18% sui costi di manutenzione annuali.”
Elena Sartori
Responsabile Pianificazione, Reti Stradali S.r.l.
“L’integrazione dei sensori digitali ha migliorato la fluidità del traffico ferroviario del 15% nel primo trimestre.”
Luca Ferri
CEO, Infrastrutture Avanzate Group