Un equipo de investigadores de la Universitat Rovira i Virgili (URV) ha desarrollado un innovador modelo matemático que promete mejorar significativamente la predicción de la movilidad humana entre ciudades. Este avance, publicado en la revista Nature Communications, busca responder a una pregunta crucial: ¿cuántas personas viajarán entre dos ciudades específicas durante una semana determinada?
La capacidad para predecir estos desplazamientos es fundamental para diversas aplicaciones, desde el diseño de infraestructuras de transporte público hasta el análisis de patrones de movilidad que pueden influir en la propagación de enfermedades, como se evidenció durante la pandemia de COVID-19.
Un nuevo enfoque en la modelización de la movilidad
El modelo creado por el grupo de investigación SeesLab, junto con expertos de Northeastern University y la Universidad de Pensilvania, combina lo mejor de los modelos tradicionales y las nuevas técnicas basadas en inteligencia artificial. Este enfoque permite realizar predicciones más precisas y accesibles.
Los modelos gravitacionales, utilizados desde mediados del siglo XX, han sido fundamentales para entender la movilidad humana. Sin embargo, su simplicidad a menudo limita su precisión. Estos modelos se basan en dos parámetros clave: el tamaño poblacional y la distancia entre las ciudades. Aunque han sido útiles para planificar transporte y estudiar migraciones, sus resultados son aproximados.
La integración de nuevas variables
Con el auge del aprendizaje automático, los investigadores han comenzado a desarrollar modelos más complejos que consideran múltiples variables adicionales, como la densidad de servicios o la conectividad vial. A pesar de su mayor fiabilidad, estos modelos suelen ser difíciles de interpretar.
El nuevo algoritmo del equipo SeesLab no solo mejora la precisión en comparación con los modelos tradicionales, sino que también mantiene una estructura comprensible. Según Marta Sales-Pardo, investigadora del grupo, este método permite identificar los modelos más plausibles que explican los flujos observados.
El investigador Oriol Cabanas resalta que este sistema tiene un gran potencial para ser aplicado en diferentes contextos geográficos con mínimos ajustes. Esto significa que puede utilizarse tanto en grandes urbes como en áreas menos urbanizadas sin necesidad de crear nuevos algoritmos complejos.
Implicaciones prácticas en diversos campos
Comprender cómo se desplazan las personas tiene importantes implicaciones en varios ámbitos. En urbanismo y transporte, este modelo puede facilitar una planificación más eficiente de infraestructuras viales y sistemas de transporte público, optimizando recursos y reduciendo congestiones.
En el ámbito de la salud pública, las predicciones sobre movilidad son cruciales para modelar la propagación de enfermedades infecciosas. Al entender cómo se mueven las personas y cómo pueden transmitir patógenos entre diferentes áreas, se pueden diseñar estrategias efectivas para contener brotes epidémicos.
Además, esta capacidad predictiva también contribuye a iniciativas sostenibles al ayudar a gestionar el consumo energético y reducir emisiones contaminantes asociadas al transporte.
Referencia bibliográfica: Oriol Cabanas-Tirapu et al., “Human mobility is well described by closed-form gravity-like models learned automatically from data,” Nature Communications, 16 (2025) https://www.nature.com/articles/s41467-025-56495-5
Preguntas sobre la noticia
¿Qué es el nuevo modelo matemático desarrollado por el equipo investigador de la URV?
El nuevo modelo matemático permite predecir la movilidad humana entre ciudades con alta precisión y de forma más sencilla y eficiente que los sistemas actuales. Combina técnicas de aprendizaje automático, física estadística y estadística bayesiana.
¿Por qué es importante predecir la movilidad humana?
Predecir la movilidad humana es crucial para diseñar infraestructuras de transporte público eficientes, entender patrones de propagación de enfermedades infecciosas, y gestionar el consumo de energía y las emisiones de gases de efecto invernadero asociadas al transporte.
¿Cómo se compara este nuevo modelo con los modelos gravitacionales tradicionales?
A diferencia de los modelos gravitacionales que solo consideran el tamaño poblacional y la distancia entre ciudades, el nuevo modelo utiliza múltiples variables adicionales, lo que mejora su precisión sin perder simplicidad en su interpretación.
¿Cuáles son las aplicaciones del nuevo modelo en diferentes campos?
El modelo tiene aplicaciones en urbanismo y transporte, salud pública para modelar la propagación de enfermedades, y sostenibilidad para gestionar mejor el consumo energético y reducir emisiones contaminantes.
¿Qué resultados se han publicado sobre este modelo?
Los resultados del estudio han sido publicados en la revista científica Nature Communications, destacando su capacidad para describir adecuadamente los flujos de movilidad humana.
Si (
No(
