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».