Machine Learning for computational sustainability: predictive models for energy, urban mobility, and healthcare [Machine Learning per la sostenibilità computazionale: modelli predittivi nei settori dell’energia, della mobilità urbana e della sanità]

Sustainability is one of the most pressing global challenges of the 21st century and demands decision-support tools capable of modelling and managing complex systems through data-driven approaches. This thesis examines the role of Machine Learning (ML) as an enabling technology for computational sustainability, applying it to three critical domains: energy, urban mobility, and healthcare. In the energy sector, ML forecasting models were developed to predict energy consumption, water demand and hydropower production within water distribution systems. These models support energy optimisation by improving operational efficiency, facilitating renewable integration, and informing medium- and long-term planning strategies. In the urban mobility domain, predictive models were designed for traffic flow forecasting and cyclist risk assessment, demonstrating how heterogeneous data sources can enable proactive traffic management and enhance road safety. In healthcare, a low-cost ML-based framework for postural analysis was introduced, providing accessible support for musculoskeletal screening and preventive intervention. Results, validated on real-world datasets and disseminated through peer-reviewed publications, show that ML can effectively contribute to sustainability-oriented system optimisation, while helping to narrow the gap between academic research and operational decision-making.

La sostenibilità rappresenta una delle sfide globali più urgenti del XXI secolo e richiede strumenti di supporto decisionale in grado di modellare e gestire sistemi complessi attraverso approcci basati sui dati. Questa tesi analizza il ruolo del Machine Learning (ML) come tecnologia abilitante per la computational sustainability, applicandolo a tre domini critici: energia, mobilità urbana e sanità. Nel settore energetico, sono stati sviluppati modelli previsionali basati su ML per stimare il consumo energetico, la domanda idrica e la produzione idroelettrica all’interno dei sistemi di distribuzione idrica. Questi modelli supportano l’ottimizzazione energetica migliorando l’efficienza operativa, facilitando l’integrazione delle fonti rinnovabili e contribuendo alla pianificazione strategica nel medio e lungo periodo. Nel dominio della mobilità urbana, sono stati progettati modelli predittivi per la previsione del traffico veicolare e la valutazione del rischio ciclistico, dimostrando come dati eterogenei possano abilitare una gestione proattiva del traffico e migliorare la sicurezza stradale. In ambito sanitario, è stato introdotto un framework a basso costo basato su ML per l’analisi posturale, offrendo uno strumento accessibile per lo screening muscoloscheletrico e la prevenzione. I risultati, validati su dataset reali e diffusi tramite pubblicazioni scientifiche peer-reviewed, mostrano come il ML possa contribuire in modo efficace all’ottimizzazione di sistemi orientati alla sostenibilità, favorendo al contempo la riduzione del divario tra ricerca accademica e applicazioni operative.