Un nuevo modelo matemático desarrollado por investigadores de la Universitat Rovira i Virgili (URV) ha mejorado notablemente la capacidad para predecir la movilidad humana entre ciudades. Esta investigación se ha publicado en la prestigiosa revista Nature Communications, y plantea una solución eficaz para entender cómo se desplazan las personas en diferentes contextos.
La pregunta central que aborda este estudio es: ¿cuántas personas viajarán entre dos ciudades específicas durante una semana determinada? Responder a esta cuestión es crucial, no solo para el diseño de infraestructuras de transporte público más eficientes, sino también para comprender los patrones de movilidad que pueden influir en la propagación de enfermedades, como se evidenció durante la pandemia de COVID-19.
Innovación en modelos de movilidad humana
El equipo investigador de la URV, junto con expertos de Northeastern University y la Universidad de Pensilvania, ha creado un modelo matemático que combina lo mejor de los sistemas existentes. Este nuevo enfoque permite realizar predicciones sobre la movilidad humana con alta precisión y simplicidad, superando las limitaciones de los modelos gravitacionales tradicionales.
Los modelos gravitacionales han sido utilizados desde mediados del siglo XX y se basan en dos parámetros clave: el tamaño poblacional de las ciudades involucradas y la distancia entre ellas. Sin embargo, estos modelos suelen ser imprecisos y solo ofrecen estimaciones aproximadas. Con el avance de la inteligencia artificial, han surgido nuevos métodos que incorporan múltiples variables adicionales, como la densidad de servicios o la conectividad vial, aunque su complejidad dificulta su interpretación.
Una herramienta poderosa para el análisis
El nuevo algoritmo desarrollado por el grupo SeesLab ofrece una solución intermedia: combina técnicas avanzadas con un enfoque interpretativo similar al de los modelos gravitacionales. Según Marta Sales-Pardo, investigadora del grupo, “este nuevo algoritmo nos permite identificar los modelos más plausibles que explican los datos observados”.
Además, este sistema tiene la ventaja de ser extrapolable a diferentes territorios geográficos con mínimos ajustes. Esto significa que puede aplicarse tanto en grandes urbes como en áreas menos urbanizadas sin necesidad de crear algoritmos específicos para cada contexto.
Implicaciones en diversos sectores
Las aplicaciones prácticas del modelo son amplias. En el ámbito del urbanismo y el transporte, puede facilitar una planificación más efectiva de infraestructuras viales y servicios públicos, optimizando así recursos y reduciendo congestiones. En salud pública, contribuye a modelar la propagación de enfermedades infecciosas al analizar cómo se mueven las personas y cómo pueden transmitir patógenos.
A su vez, esta capacidad predictiva tiene un impacto positivo en sostenibilidad al ayudar a gestionar el consumo energético y reducir emisiones contaminantes asociadas al transporte. El equipo SeesLab continúa trabajando para perfeccionar este modelo e incorporar nuevas variables que aumenten aún más su precisión.
Referencia bibliográfica: Oriol Cabanas-Tirapu et al., “Human mobility is well described by closed-form gravity-like models learned automatically from data,” Nature Communications, 2025.
Si (
No(
