Intelligent Management of Processes, Ethics and Technology for Urban Safety


An interconnected city grid of sensors, such as of cameras or environmental sensors, offers a wealth of actionable Big Data. In addition to better managing traffic and public transit, as well as controlling pollution, they can be used for enhanced policing, crowd control, and even public sentiment monitoring. However, such smart systems increase the risk of unethical use of personal data, and increase the attack surface of a city as multiple interconnected IT systems control key infrastructures such as transport, energy, water distribution, etc.

To address the growing security and ethical threats on smart cities, the project will develop an integrated toolkit that covers the complete physical and cybersecurity value chain (detection, simulation & analysis, intervention).

The project will enhance the resilience of cities in the face of security events in public spaces, by addressing three main aspects of urban security in smart cities:

  • Technologies: integrating and developing the tools and processes underlying the capacity of cities to manage both physical security and cyber security, leveraging the power of IoT, Artificial Intelligence and Big Data analysis
  • Ethics: ensuring smart city capabilities are developed for the benefit of society, balancing potentially conflicting needs to collect, transform and share large amounts of data with the protection of data privacy
  • Processes: delivering a solution to support the cognitive processes of sensemaking, decision making and coordination as well as work organisation underlying security operations, fully aligned with the needs of the multiple city stakeholders (e.g. police, first responders, cities) and complemented by deployment guidelines

Partners: The consortium includes 17 partners from 11 different EU Member States and Associated Countries, including 2 local government authorities (City of Padova and City of Oslo) that will lead the field trial implementations. The project will also be supported by a Community of Safe and Secure Cities (COSSEC) gathering other cities willing to provide feedback on the solution developed in this project.

Project details: The project has a duration of 2 years and a requested EC contribution of €8M. This project receives funding from the European Union’s Horizon 2020 research and
innovation programme under grant agreement No 883286.

Person in charge: Michelangelo Ceci

Official website:

Press release: Click here to download



Integrazione dei Sistemi Aeromobili a Pilotaggio Remoto nello spazio aereo non segregato per servizi

Description (In Italian):

Il progetto RPASinAir si pone come obiettivo la abilitazione di un servizio innovativo di monitoraggio e controllo del territorio che impieghi i dati raccolti dai Sistemi Aeromobili a Pilotaggio Remoto (SAPR) operanti nello spazio aereo non segregato, in modo da individuare elementi di rischio e sollecitare le procedure di prevenzione e mitigazione. I principali obiettivi sono:

  • Progettazione e sviluppo di un laboratorio per la simulazione di operazioni aree che permetta di studiare, progettare, sperimentare e validare nuove regole, procedure e standard di controllo del traffico e progettare, validare e pianificare operazioni aeree e missioni con velivoli senza pilota a bordo.
  • Sviluppo di funzionalità avanzate di applicazioni di controllo del traffico (ATC) per la gestione integrata del traffico aereo composto da velivoli con e senza pilota a bordo.
  • Realizzazione di un centro di raccolta, gestione e processamento dei dati di Osservazione della Terra in logica integrata con altre fonti di dati (satelliti, …) in grado di processare i dati acquisiti dal SAPR in real-time o quasi real-time ed erogare servizi di monitoraggio del territorio, risk prevention e emergency management.
  • Sviluppo di nuovi sensori atti a rilevare fonti di rischio per il territorio: rischio idrogeologico, rischio criosferico e rischio legato alla presenza di polveri (vulcaniche o provenienti da incendi) nell’atmosfera.
  • Sperimentazione e dimostrazione dei sistemi sviluppati nel progetto (SE, ATM, applicazioni, sensori) in ambienti laboratoriali e reali con l’esecuzione diverse missioni con SAPR per dimostrare il raggiungimento delle performance attese.

Partenariato: Distretto Tecnologico Aerospaziale, ENAV, Telespazio, Università di Bari Aldo moro, Vitrociset, Aeroporti di Puglia, Università Kore di Enna, Istituto nazionale di fisica nucleare, Leonardo, Centro nazionale delle ricerche, ENEA, Planetek, Enginsoft, Politecnico di Bari.

Project details (In Italian): Programma PON Ricerca e Innovazione 2014-2020

Person in charge: Annalisa Appice

Official website:

Rassegna stampa:



CLOSE to the Earth

Description (In Italian): Il progetto CLOSE si pone come obiettivo testare piccoli satelliti da utilizzare anche per interventi di protezione civile e un nuovo veicolo spaziale di classe small (entro i 500 kilogrammi di peso) da utilizzare a bassa quota. Nello specifico il progetto ha l’obiettivo di studiare un nuovo sistema di propulsione, attualmente inesistente, per consentire ai satelliti di operare a una distanza dalla Terra inferiore a 250 km (VLEO, Very Low Earth Orbit).

Partenariato: Distretto Tecnologico Aerospaziale, CNR, ENEA, Università (Università di Bari, Università del Salento, Politecnico di Bari, Sitael, Planetek, Enginsoft, GAP, IMT, Blackshape.

Project details (In Italian): Programma PON Ricerca e Innovazione 2014-2020

Person in charge: Annalisa Appice

Official website: (To be announced)

Rassegna stampa



Community Energy Storage: Aggregate Management of Accumulation Systems of the Energy in Power Cloud

Description: A real revolution is underway in the electricity sector. This is due to nanogrids or “energy islands”, i.e. areas of small and medium size, capable of producing, accumulating and distributing energy locally, with the help of both the most recent renewable energy production technologies and new storage technologies. If necessary, these reduced extension electric networks can operate in isolation, especially in remote areas. However, in most cases they are designed to operate independently but in connection with the main electricity grid, thus ensuring higher reliability of energy supply even in the event of blackouts.
The main problems to be addressed are, from one side, the high intermittent renewable energy sources that depend on uncontrollable factors, such as weather conditions, and from the other side the inadequacy of the distribution network structure, originally designed for the model power (fossil) plant-consumer. This needs to solve several challenges, because it is necessary to be able to forecast the energy production in advance and implement appropriate actions for infrastructure restructuring.
These challenges were gathered by the KDDE research group – Knowledge Discovery and Data Engineering – of the Computer Science Department of the University of Bari Aldo Moro, as part of the ComESto project (“Community Energy Storage: Aggregate Management of Accumulation Systems of the Energy in Power Cloud “), funded by the Ministry of Education, University and Research (MIUR).
The research activity of the group, coordinated by professors Michelangelo Ceci, consists precisely in the development of predictive techniques for the planning and optimization of distribution networks. These techniques are based on machine learning algorithms and Artificial Intelligence techniques. They will also improve the integration of energy in the network, load balancing and optimized planning of structural interventions. In fact, any intervention on the distribution network, be it maintenance or evolutionary, must take into account not only the needs in the short term, possibly resulting from an increase in the load, but also in the medium-long term, due to significant changes in the technologies used. A striking example is the spread of charging stations for electric cars, which in a few years will cause a considerable increase in energy demand, difficult to support by the current distribution networks.
In this research, the KDDE group will use the skills developed in the MAESTRA project (Learning from Massive, Incompletely annotated, and Structured Data) funded by the European Commission, and will collaborate with e-distribuzione SpA, leader of the project ComESto. Among other things, intelligent optimization and planning methods will be studied, able to evaluate numerous evolutionary scenarios of the network and to predict efficiency, in order to suggest optimal interventions on the network, not only in the short term but also in the medium to long term. Anomaly detection techniques developed by the KDDE, appropriately specialized in the energy context, will also allow to detect and predict possible malfunctions or decreases in network efficiency, allowing to carry out preventive interventions aimed at the general increase in service quality. All this will be done with big data analytics techniques, capable of processing the large volume of data produced by the sensors present in the production plants and in the distribution infrastructure.

Project details (In Italian): PON R&I 2017-2020 ARS01_01259 Prot. n. 1735 del 13/07/2017 emanato dal MIUR (Ministero dell’Istruzione, dell’Università e della Ricerca)

Person in charge: Michelangelo Ceci

Official website: (To be announced)



Tecnologie di Assistenza personALizzata per il Miglioramento della quAlità della vitA

Description (in italian): Il progetto TALIsMAn si pone come obiettivo la ricerca e la definizione di nuovi modelli e tecnologie a supporto dei soggetti fragili, del volontariato/associazionismo, degli operatori dei servizi socio-sanitari (medici, infermieri, strutture socio-sanitarie). Il progetto mira a realizzare un’infrastruttura tecnologica, basata su un modello informativo ispirato ai principi del Population Health Management (PHM) e composta dai seguenti elementi:

  • un framework, basato su intelligenza artificiale, per Big Data Cognitive Environment per la classificazione, correlazione, confronto, rappresentazione, ricerca interattiva dei dati, al fine di realizzare un cruscotto applicativo per strutture e operatori socio-sanitari;
  • un framework per la cooperazione e interfacce (API) orientate all’interoperabilità tra diversi dispositivi
  • intelligenti, anche indossabili, per l’assistenza domiciliare (ADI);
  • un framework per servizi di telemedicina, telemonitoraggio, teleassistenza, telecooperazione, teleriabilitazione per realizzare corner sanitari anche secondo il paradigma quantified self;
  • un framework per la conservazione digitale sicura del dato basato su blockchain;
  • una piattaforma a supporto della community denominata HealthLand, che sia interattiva e che abiliti il social networking al fine di migliorare l’inclusione sociale.

Partenariato: Dinets, Unisalento, Arancia ICT, UniCT, UniME Policlinico, A-thon, Solco Coop, Creasys, Dedalus, Ecubit, Infotel, Maticmind, Aress, DHITECH SCARL, PoliBa, UniBa, Unilink, Federsanità, Techinnova

Project details (in Italian): Progetto ARS01_01116, bando PON R&I 2017-2020 – Prot. n. 1735 del 13/07/2017 emanato dal MIUR (Ministero dell’Istruzione, dell’Università e della Ricerca).

Persons in charge:  Donato Malerba, Michelangelo CeciCorrado Loglisci

Official website: (To be announced)



environmentAl POLLutiOn aNalyzer

Description (in italian): APOLLON mira a implementare e sperimentare dei metodi e degli strumenti innovativi per il monitoraggio della qualità ambientale in contesti urbani con specifico riferimento all’inquinamento atmosferico, acustico e alla radiazione ultravioletta (raggi UV). La rete di monitoraggio sarà strutturata in una piattaforma software in grado di correlare il flusso di informazioni raccolte dai sensori, con altre fonti  informative attraverso l’utilizzo di tecnologie semantiche e strumenti di gestione e analisi di dati georeferanziati. L’obiettivo finale consiste, in prima istanza, nell’individuazione in continuum delle correlazioni tra livelli di inquinanti in atmosfera, cause antropiche (riscaldamento domestico, scarichi industriali, traffico veicolare, etc.), condizioni meteorologiche (temperatura dell’aria, energia solare, etc.), caratteristiche stazionali (stagione, latitudine, orario, etc.) e nell’implementare modelli previsionali locali, a breve termine, di qualità dell’aria e di inquinamento atmosferico. In relazione agli scenari delineati, l’amministrazione competente disporrà degli strumenti conoscitivi per poter intervenire, sia in modo emergenziale per le situazioni più critiche che di normalità, con i provvedimenti più opportuni orientati al miglioramento della qualità ambientale in ambiti urbani. Al tempo stesso, la conoscenza di una situazione critica persistente contribuirà a innescare dei comportamenti virtuosi da parte dei cittadini stessi. Il gruppo KDDE partecipa attraverso la afferenza al Laboratorio CINI Big Data, partner del progetto.

Partenariato: CORVALLIS SPA, ALBA PROJECT S.r.l., HESPLORA S.r.l.,AMIGO CLIMATE S.r.l., POLITECNICO DI BARI –Dipartimento di Ingegneria Elettrica e dell’Informazione (DEI), CINI – Consorzio Interuniversitario Nazionale per l’Informatica, CMCC – Centro Euro-Mediterraneo sui Cambiamenti Climatici.

Project details (in Italian): Finanziato dalla Regione Puglia. INNONETWORK – Sostegno alle attività di R&S per lo sviluppo di nuove tecnologie sostenibili, di nuovi prodotti e servizi”.

Persons in charge: Donato Malerba, Corrado Loglisci

Official website:



A network for Gravitational Waves, Geophysics and Machine Learning

Description: The breakthrough discovery of Gravitational Waves (GW) on September 14, 2015 was made possible through synergy of techniques drawing from expertise in physics, mathematics, information science and computing. This Cost Action aims at creating a broad network of scientists from four different areas of expertise, namely GW physics, Geophysics, Computing Science and Robotics, with a common goal of tackling challenges in Data Science. Such a network will put forward a collaborative infrastructure which will provide the necessary common-ground conditions and language that will allow to tackle from different perspectives and approaches the challenging issues encountered in GW-related research. Specifically, the Working Group on “ML for GW astronomy” will investigate ML classification schemes for GW glitches. ML pattern-recognition techniques will be designed, in order to identify non-stationary spectral lines and non-stationary noise sources. Possible pipelines for online glitch classification will be analyzed and the classification of candidates form continuous GW searches will be investigated.

Project details: COST  Action 048/18 – European Cooperation in Science and Technology, Working Group 1 — Machine Learning (ML)  for Gravitational Wave (GW) astronomy.

Person in charge: Annalisa Appice

Official website:|Name:overview



Knowledge Community for Efficient Training through Virtual Technologies

Description: The Kometa projects is aimed at the synthesis of advanced process mining techniques, in order to mine data collected in event logs and produced by tracking the training activities of a group  of technicians involved in the aqueduct maintenance. The goal is the discovery of the hidden process models behind the training sessions. Discovered models can be employed to improve the plan of the training activities, as well as to check the conformance of new training sessions.

Project details (in Italian): Azione 1.4 “Promozione di nuovi mercati per l’innovazione” – Avviso pubblico INNOLABS- approvato con A.D. n. 13 del 08/02/2017, A.D. n. 37 del 28/03/2017 e A.D. n. 43 del 10/04/2017, tipologia “Knowledge Community”.

Person in charge: Annalisa Appice

Official website:



TrustwOrthy model-awaRE Analytics Data platform

Description: The TOREADOR project is aimed at overcoming some major hurdles that until now have prevented many European companies from reaping the full benefits of Big Data Analytics (BDA). Many companies and organisations in Europe have become aware of the potential competitive advantage they could get by timely and accurate Big Data analytics, but lack the IT expertise and budget to fully exploit BDA. To overcome this hurdle, TOREADOR takes a model-based BDA-as-a-service (MBDAaaS) approach, providing models of the entire Big Data analysis process and of its artefacts. TOREADOR open, suitablefor-standardisation models will support substantial automation and commoditisation of Big Data analytics, while enabling it to be easily tailored to domain-specific customer requirements. Besides models for representing all aspects of BDA, TOREADOR will deliver an architectural framework and a set of components for model-driven set-up and management of Big Data analytics processes. Once TOREADOR MBDAaaS will become widespread, price competition on Big Data services will ensue, driving costs of Big Data analytics well within reach of EU organizations (including SMEs) that do not have either in-house Big Data expertise or budget for expensive data consultancy.

Project details: European project H2020 Grant number 988797

Person in charge: Donato Malerba

Official website:



Un Ambiente Virtuale di Collective Intelligence Abilitante lo Sviluppo di Ecosistemi per l’imprenditorialità Tecnologica Sostenibile

Description (in Italian): Il progresso scientifico e l’innovazione tecnologica rappresentano i principali motori della crescita socio-economica di un territorio. La creazione di una massa critica di capitale umano dotato di cultura scientifico-tecnologica e di un mindset ed attitudini imprenditoriali diventa cruciale per stimolare lo sviluppo e la competitività delle Regioni della Convergenza In tale scenario, il progetto di ricerca VINCENTE mira a concepire, realizzare e sperimentare una piattaforma metodologica, tecnologica e di servizi per la creazione di ecosistemi per l’imprenditorialità sostenibile, ossia che ottimizzano l’uso delle risorse, valorizzano la conoscenza, rispettano l’ambiente e i valori etici ed assicurano l’inclusione sociale. Il progetto definisce e sperimenta un nuovo approccio alla imprenditorialità tecnologica facendo leva su rilevanti filoni scientifici quali Open Innovation, Collective Intelligence, Enterprise Social Software. L’obiettivo progettuale è in linea con quanto discusso in sede di UE, WEF, World Bank e Fondazione Kauffman sull’importanza che riveste lo sviluppo di cultura e competenze imprenditoriali (in particolare quelle legate ai settoritechnology-intensive) per creare nuovo valore socio-economico e rispondere efficacemente alle sfide del XXI secolo. Tali dinamiche sono particolarmente rilevanti per la generazione dei “nativi digitali”, immersi nei processi di globalizzazione, nelle tecnologie e nella Rete, per i quali i tradizionali modelli e strumenti di comunicazione, apprendimento e collaborazione si rivelano inadeguati, e l’intelligenza collettiva esistente nei loro network sociali diventa una risorsa abituale. Il progetto intende pertanto studiare e sviluppare metodologie, tecniche, strumenti e servizi per supportare e stimolare implicitamente) presente nelle reti sociali (sia interne che nel Web) per promuovere l’innovazione e migliorare il problem solving ed il decision-making. Pertanto la “saggezza della folla” e l’intelligenza collettiva emergenti dalla collaborazione di molteplici attori diventano strumenti per ideare e porre in essere idee d’impresa, che bilancino opportunità tecnologiche e di business con accettabilità sociale e rischio di mercato. Gli elementi di innovazione tecnologica del progetto sono inseriti nel contesto del Future Internet, al fine di realizzare: i) strumenti per la creazione e scambio di contenuti multimediali; ii) ambienti collaborativi flessibili, modulari e personalizzabili; iii) ambienti di crowdsourcing e crowdcasting per la definizione e attuazione di idee; iv) servizi web immersivi, accessibili anche da dispositivi mobili.Gli elementi di innovazione organizzativa sono legati all’utilizzo delle comunità virtuali e degli Enterprise Social Software come spazi per l’innovazione e l’apprendimento collaborativo, mediante l’impiego di strategie di Action Learning e di sviluppo delle abilità creative. La piattaforma di servizi risultante sarà distribuita su un’infrastruttura cloud per l’ottimizzazione “trasparente” delle risorse computazionali ed energetiche. La metodologia di ricerca del progetto si basa sul modello del Living Lab. Saranno messi a punto Living Lab “ibridi”, concepiti come ambienti prevalentemente virtuali caratterizzati da processi, attori, relazioni, servizi e contenuti per “incubare” talenti e iniziative imprenditoriali su specifici domini tecnologici. La ricerca si focalizzerà inizialmente sui domini di attività del DHITECH: i) nanotecnologie molecolari per l’innovazione nel settore energetico; ii) ICT per l’innovazione nel design dei prodotti e dei servizi; iii) biotecnologieper l’innovazione nell’ingegneria tissutale. Nel corso del progetto, si esplorerà l’estendibilità dell’approccio ai paesi del Mediterraneo extra-UE, valutandone illivello di replicabilità ed applicazione rispetto alle specifiche dinamiche socio-economiche e culturali.

Project details: PON02_00563_3470993

Person in charge: Donato Malerba

Official website:



Learning from massive, incompletely annotated, and structured data.

Description: The need for machine learning (ML) and data mining (DM) is ever growing due to the increased pervasiveness of data analysis tasks in almost every area of life, including business, science and technology. Not only is the pervasiveness of data analysis tasks increasing, but so is their complexity. We are increasingly often facing predictive modelling tasks involving one or several of the following complexity aspects: (a) structured data as input or output of the prediction process, (b) very large/massive datasets, with many examples and/or many input/output dimensions, where data may be streaming at high rates, (c) incompletely/partially labelled data, and (d) data placed in a spatio-temporal or network context. Each of these is a major challenge to current ML/DM approaches and is the central topic of active research in areas such as structured-output prediction, mining data streams, semi-supervised learning, and mining network data. The simultaneous presence of several of them is a much harder, currently insurmountable, challenge and severely limits the applicability of ML/DM approaches.

The proposed project will develop predictive modelling methods capable of simultaneously addressing several (ultimately all) of the above complexity aspects. In the most complex case, the methods would be able to address massive sets of network data incompletely labelled with structured outputs. We will develop the foundations (basic concepts and notions) for and the methodology (design and implementation of algorithms) of such approaches. We will demonstrate the potential and utility of the methods on showcase problems from a diverse set of application areas (molecular biology, sensor networks, multimedia, and social networks). Some of these applications, such as relating the composition of microbiota to human health and the design of social media aggregators, have the potential of transformation impact on important aspects of society, such as personalized medicine and social media.

Project details: FET OPEN Grant number ICT-2013-61294

Person in charge: Michelangelo Ceci

Official website:



Virtual Power Operation Center

Description (in Italian): Il progetto Vi-POC prevede la realizzazione di un sistema prototipale di gestione della produzione dell’energia elettrica da fonti rinnovabili, distribuite sul territorio nazionale. Vi-POC implementerà un sistema innovativo di previsione “istantanea” della produzione di energia, utilizzando le più avanzate tecnologie in materia di elaborazione dei dati da fonti eterogenee (fotovoltaico, eolico, geotermico, motori Sterling, idrico fluente ecc.). In generale, non ci sarà dipendenza tra il tipo di fonte energetica e il modello rendendo il sistema flessibile e scalabile. Data la grossa mole eterogenea dei dati prevista, Vi-POC utilizzerà opportunamente la tecnologia dei BIG Data per la gestione di dati che avranno dimensioni non facilmente trattabili con le tecniche classiche. Vi-POC nasce per rendere più efficiente, efficace ed affidabile il sistema previsionale messo a disposizione dal GSE offrendo una previsione estremamente precisa e continuamente aggiornata. Questo consentirà da una parte di avere effetti positivi sull’offerta in borsa dell’energia e dall’altra di migliorare la previsione di acquisto di energia. Il prototipo che si vuole sviluppare dovrebbe essere proposto ai grandi player, i distributori di energia elettrica ma anche ad entità più piccole, che nella catena del valore si collocano tra la domanda e l’offerta di energia (i trailer), che lo utilizzerebbero per una migliore pianificazione degli acquisti per i propri clienti. Inoltre, si coadiuveranno i più moderni impianti per la produzione di energia rinnovabile con le più avanzate tecnologie per la memorizzazione e l’analisi dei dati, al fine di offrire un monitoraggio continuo delle produzioni. In particolare, si studieranno modelli di acquisizione e memorizzazione di flussi di dati relativi alla produzione degli impianti nel tempo, con l’obiettivo di consentirne sia una analisi in tempo reale, che una analisi a posteriori, finalizzata a estrarre informazioni strategiche utili.

Project details: Startup Project Vi-POC – PON Ricerca e Competitività 2007-2013. Bando MIUR – Piano di Azione e Coesione – Big Data

Person in charge: Michelangelo Ceci

Official website: