-
D’esquerra a dreta: Roger Guimerà, Marta Sales-Pardo i Oriol Cabanes, que han impulsat la recerca.
Pixabay
El grup de recerca SeesLab de la Universitat Rovira i Virgili (URV) ha desenvolupat un nou model matemàtic que millora la predicció de la mobilitat humana entre ciutats i descriu "amb precisió els patrons de moviment de les persones". L'algoritme, anomenat 'Robot científic', permet planificar infraestructures viàries i serveis de transport públic "amb més eficiència", preveure i evitar congestions de trànsit o millorar el consum d'energia i reduir les emissions de gasos d’efecte hivernacle associades al transport. En àmbits com la salut pública, pot modelar la propagació de malalties infeccioses i dissenyar estratègies de contenció en casos de pandèmia. Els resultats s'han publicat a la revista 'Nature Communications'.
El nou model matemàtic, treballat amb investigadors de la Northeastern University i la Universitat de Pensilvània (Estats Units), suposa "un pas endavant per predir la mobilitat humana amb alta precisió i de forma més senzilla i eficient", que els sistemes que ja existeixen des de fa dècades. A mitjans del segle XX es van crear els anomenats models gravitacionals. Inspirats en la llei de la gravitació de Newton, donen resultats a partir de 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 persones i que les distàncies més grans són "un factor dissuasiu". Aquesta "simplicitat" els fa "poc rigorosos".
En els últims anys i amb la intel·ligència artificial, s'han desenvolupat models d'aprenentatge automàtic de mobilitat "molt més precisos". Aquests models usen moltes més variables que l'origen i la destinació, com la densitat de restaurants, escoles o la connectivitat viària, entre d'altres. En aquest cas, "els resultats costen interpretar" i "no ofereixen una visió clara dels mecanismes que expliquen les decisions de mobilitat de les persones".
El 'Robot científic' de la URV millora la precisió dels models d'aprenentatge automàtic i és" interpretable i senzill" com el model gravitacional. El mètode combina tècniques d'aprenentatge automàtic, física estadística i estadística bayesiana, "una eina molt poderosa" per a la modelització basada en dades. Una altra de les potencialitats del sistema és que es pot extrapolar a altres territoris geogràfics amb "uns mínims ajustos".
