La fórmula, desenvolupada per un equip investigador de la URV, descriu amb precisió els patrons de moviment de les persones. Els resultats s’han publicat a la revista Nature Communications
Quantes persones viatjaran durant una setmana determinada entre dues ciutats concretes? Respondre aquesta pregunta és important per moltes raons. Per exemple, per dissenyar infraestructures de transport públic eficients. O, com va passar durant la pandèmia de la COVID-19, per entendre com els patrons de mobilitat van ser determinants per preveure la propagació i evolució del virus. Ara un nou model matemàtic creat pel grup de recerca SeesLab de la URV, conjuntament amb investigadors de la Northeastern University i de la Universitat de Pennsilvània, als Estats Units, fa un pas endavant i permet predir la mobilitat humana amb alta precisió i de forma més senzilla i eficient que els sistemes que s’utilitzen actualment. La revista científica Nature Communications ha publicat els resultats de l’estudi, que aporta una nova eina molt valuosa per entendre com es desplacen les persones en diferents contextos.
Els models de mobilitat humana existeixen des de fa dècades. Des de mitjans del segle XX, els anomenats models gravitacional s’han utilitzat per comprendre i predir la mobilitat de les persones. Aquests sistemes s’inspiren en la llei de la gravitació de Newton i per donar els resultats, tenen en compte dos paràmetres fonamentals: la mida de la població de les dues ciutats i la distància entre totes dues. Aquests models assumeixen que les poblacions més grans atreuen més moviment, mentre que les distàncies més grans actuen com a factor dissuasiu. Els models gravitacionals s’han utilitzat per planificar el transport, els estudis migratoris i l’epidemiologia, perquè permeten entendre els resultats de forma molt simple i predir les interaccions espacials i els patrons de flux. Per contra, aquesta simplicitat comporta que no siguin gaire precisos i només puguin predir els fluxos de mobilitat de forma aproximada.
Amb l’arribada de la intel·ligència artificial, en els darrers anys la comunitat investigadora ha començat a desenvolupar models d’aprenentatge automàtic de mobilitat molt més precisos. A diferència dels models gravitacionals originals, que prediuen els fluxos només a partir de la població i la distància, els nous utilitzen moltes més variables a banda de l’origen i la destinació, com ara la densitat de restaurants, escoles o la connectivitat viària, per exemple. Si bé les prediccions són molt més fiables, a diferència dels models gravitacionals, els resultats costen força d’interpretar i no ofereixen una visió clara dels mecanismes que expliquen les decisions de mobilitat de les persones.
En aquest projecte l’equip de recerca de la URV ha aconseguit obtenir el millor de cada sistema: la precisió dels models d’aprenentatge automàtic i la senzillesa dels sistemes gravitacionals. A partir de l’algoritme que ells anomenen “robot científic”, han desenvolupat un nou model matemàtic innovador que iguala i fins i tot millora la precisió dels models d’aprenentatge automàtic i que, a més, és interpretable i senzill com el model gravitacional. “Amb aquest nou algoritme podem identificar quins són els models més plausibles que expliquen les dades observades, en el nostre cas, els fluxos de mobilitat”, explica Marta Sales-Pardo, investigadora del grup de recerca SeesLab. El mètode combina tècniques d’aprenentatge automàtic, física estadística i estadística bayesiana per equilibrar de manera eficient la complexitat i la precisió del model. “Hem desenvolupat una eina molt poderosa per al descobriment científic i la modelització basada en dades”, afegeix Roger Guimerà, professor de recerca ICREA del mateix grup.
L’investigador predoctoral Oriol Cabanas, que també ha participat en l'estudi, destaca que una altra de les potencialitats d’aquest sistema és que és extrapolable a altres territoris geogràfics. “Com que únicament utilitza les variables de població i distància, només són necessaris uns mínims ajustos en els paràmetres per extrapolar les prediccions a altres entorns geogràfics”. Així, es pot utilitzar per analitzar desplaçaments tant en grans ciutats com en àrees menys urbanitzades sense haver de crear un algoritme nou, com seria el cas dels models d’aprenentatge automàtic, a causa dea la complexitat que té.
Comprendre la mobilitat humana és fonamental per a molts àmbits. En urbanisme i transport, aquest model pot ajudar a planificar infraestructures viàries i serveis de transport públic amb més eficiència, de manera que optimitzarà la distribució de recursos i reduirà la congestió, per exemple. També és útil en el camp de la salut pública, per contribuir a modelar la propagació de malalties infeccioses, ja que permet entendre com es mouen les persones, com poden transmetre virus i altres patògens d’una zona a una altra i així poder dissenyar estratègies de contenció en casos de pandèmia.
D’altra banda, la capacitat de predir la mobilitat humana també té implicacions per a la sostenibilitat, perquè pot ajudar a gestionar millor el consum d’energia i reduir les emissions de gasos d’efecte hivernacle associades al transport.
La investigació del grup de recerca SeesLab no s’atura aquí. De fet, ja ha començat a provar el model amb altres variables a més de la població i la distància, com la connectivitat viària, i els resultats tendeixen a una precisió encara més alta de la mobilitat.
