Un nuevo modelo de aprendizaje automático puede predecir la actividad del tráfico en diferentes zonas de las ciudades. Para hacerlo, un investigador de Complexity Science Hub utilizó datos de una de las principales empresas de autos compartidos en Italia como indicador del tráfico total de la ciudad. Comprender cómo interactúan las diferentes zonas urbanas puede ayudar a evitar los atascos de tráfico, por ejemplo, y permitir respuestas específicas de los formuladores de políticas, como la expansión local del transporte público.
Comprender los patrones de movilidad de las personas será fundamental para mejorar el flujo de tráfico urbano. « A medida que las poblaciones crecen en las áreas urbanas, este conocimiento puede ayudar a los formuladores de políticas a diseñar e implementar políticas de transporte efectivas y planificación urbana inclusiva », dice simone daniotti del Centro de Ciencias de la Complejidad.
Por ejemplo, si el modelo muestra que existe una conexión no trivial entre dos zonas, es decir, que las personas viajan de una zona a otra por ciertas razones, se podrían proporcionar servicios que compensen esta interacción. Si, por otro lado, el modelo muestra que hay poca actividad en un lugar en particular, los formuladores de políticas podrían usar ese conocimiento para invertir en estructuras para cambiar eso.
Modelo también para otras ciudades como Viena
Para este estudio, una importante empresa de coches compartidos proporcionó los datos: la ubicación de todos los coches de su flota en cuatro ciudades italianas (Roma, Turín, Milán y Florencia) en 2017. Los datos se obtuvieron consultando constantemente las API web del proveedor de servicios. registrando la ubicación de estacionamiento de cada automóvil, así como las marcas de tiempo de inicio y finalización. “Esta información nos permite identificar el origen y el destino de cada viaje”, explica Daniotti.
Daniotti usó eso como un proxy para todo el tráfico de la ciudad y creó un modelo que no solo permite un pronóstico espacio-temporal preciso en diferentes áreas urbanas, sino también una detección precisa de anomalías. Anomalías como huelgas y malas condiciones meteorológicas, ambas relacionadas con el tráfico.
El modelo también podría hacer predicciones sobre patrones de tráfico para otras ciudades como Viena. « Sin embargo, esto requeriría datos apropiados », señala Daniotti.
Superando a otros modelos
Si bien ya existen muchos modelos diseñados para predecir el comportamiento del tráfico en las ciudades, « la gran mayoría de los modelos de predicción sobre datos agregados no son totalmente interpretables. Aunque alguna estructura del modelo conecta dos zonas, no se pueden interpretar como una interacción », explica Daniotti.. Esto limita la comprensión de los mecanismos subyacentes que gobiernan las rutinas diarias de los ciudadanos.
Dado que solo se considera un número mínimo de restricciones y todos los parámetros representan interacciones reales, el nuevo modelo es totalmente interpretable.
pero ¿Qué es la predicción sin interpretación?
« Por supuesto que es importante hacer predicciones », explica Daniotti, « pero puedes hacer predicciones muy precisas, y si no interpretas los resultados correctamente, a veces corres el riesgo de sacar conclusiones muy equivocadas ».
Sin saber la razón por la cual el modelo muestra un resultado particular, es difícil controlar los eventos en los que el modelo no mostró lo que esperaba. “Inspeccionar el modelo y comprenderlo nos ayuda, y también a los hacedores de políticas, a no sacar conclusiones equivocadas”, señala Daniotti.