La fórmula, desarrollada por un equipo investigador de la URV, describe con precisión los patrones de movimiento de las personas. Los resultados se han publicado en la revista Nature Communications
¿Cuántas personas viajarán durante una semana determinada entre dos ciudades concretas? Responder a esta pregunta es importante por muchas razones. Por ejemplo, para diseñar infraestructuras de transporte público eficientes. O, como ocurrió durante la pandemia de la COVID-19, para entender cómo los patrones de movilidad fueron determinantes para prever la propagación y evolución del virus.
Ahora, un nuevo modelo matemático creado por el grupo de investigación SeesLab de la URV, junto con investigadores de la Northeastern University y la Universidad de Pensilvania, en Estados Unidos, da un paso adelante y permite predecir la movilidad humana con alta precisión y de forma más sencilla y eficiente que los sistemas que se utilizan actualmente. La revista científica Nature Communications ha publicado los resultados del estudio, que aporta una nueva herramienta muy valiosa para comprender cómo se desplazan las personas en distintos contextos.
Precisión y simplicidad en un solo modelo
Los modelos de movilidad humana existen desde hace décadas. Desde mediados del siglo XX, los llamados modelos gravitacionales se han utilizado para comprender y predecir la movilidad de las personas. Estos sistemas se inspiran en la ley de la gravitación de Newton y, para obtener resultados, tienen en cuenta dos parámetros fundamentales: el tamaño de la población de las dos ciudades y la distancia entre ellas.
Estos modelos asumen que las poblaciones más grandes atraen más movimiento, mientras que las distancias más largas actúan como un factor disuasorio. Los modelos gravitacionales se han utilizado para planificar el transporte, los estudios migratorios y la epidemiología, ya que permiten entender los resultados de forma sencilla y predecir las interacciones espaciales y los patrones de flujo. Sin embargo, esta simplicidad conlleva que no sean demasiado precisos y solo puedan predecir los flujos de movilidad de manera aproximada.
Con la llegada de la inteligencia artificial, en los últimos años la comunidad investigadora ha comenzado a desarrollar modelos de aprendizaje automático de movilidad mucho más precisos. A diferencia de los modelos gravitacionales originales, que predicen los flujos solo a partir de la población y la distancia, los nuevos utilizan muchas más variables además del origen y el destino, como la densidad de restaurantes, escuelas o la conectividad vial, por ejemplo.
Si bien las predicciones son mucho más fiables, a diferencia de los modelos gravitacionales, los resultados son más difíciles de interpretar y no ofrecen una visión clara de los mecanismos que explican las decisiones de movilidad de las personas.
En este proyecto, el equipo de investigación de la URV ha logrado obtener lo mejor de cada sistema: la precisión de los modelos de aprendizaje automático y la simplicidad de los sistemas gravitacionales. A partir del algoritmo que ellos llaman robot científico, han desarrollado un nuevo modelo matemático innovador que iguala e incluso mejora la precisión de los modelos de aprendizaje automático y que, además, es interpretable y sencillo como el modelo gravitacional.
“Con este nuevo algoritmo podemos identificar cuáles son los modelos más plausibles que explican los datos observados, en nuestro caso, los flujos de movilidad”, explica Marta Sales-Pardo, investigadora del grupo de investigación SeesLab. El método combina técnicas de aprendizaje automático, física estadística y estadística bayesiana para equilibrar de manera eficiente la complejidad y la precisión del modelo. “Hemos desarrollado una herramienta muy poderosa para el descubrimiento científico y la modelización basada en datos”, añade Roger Guimerà, profesor de investigación ICREA del mismo grupo.
El investigador predoctoral Oriol Cabanas, que también ha participado en el estudio, destaca que otra de las potencialidades de este sistema es que es extrapolable a otros territorios geográficos. “Como únicamente utiliza las variables de población y distancia, solo son necesarios unos mínimos ajustes en los parámetros para extrapolar las predicciones a otros entornos geográficos”, apunta.
Así, se puede utilizar para analizar desplazamientos tanto en grandes ciudades como en áreas menos urbanizadas sin necesidad de crear un nuevo algoritmo, como sería el caso de los modelos de aprendizaje automático debido a su complejidad.
Aplicaciones en transporte, salud y sostenibilidad
Comprender la movilidad humana es fundamental para muchos ámbitos. En urbanismo y transporte, este modelo puede ayudar a planificar infraestructuras viales y servicios de transporte público con mayor eficiencia, lo que optimizará la distribución de recursos y reducirá la congestión, por ejemplo.
También es útil en el campo de la salud pública, ya que puede contribuir a modelar la propagación de enfermedades infecciosas, al permitir entender cómo se mueven las personas, cómo pueden transmitir virus y otros patógenos de una zona a otra y, así, diseñar estrategias de contención en casos de pandemia.
Por otro lado, la capacidad de predecir la movilidad humana también tiene implicaciones para la sostenibilidad, ya que puede ayudar a gestionar mejor el consumo de energía y reducir las emisiones de gases de efecto invernadero asociadas al transporte.
La investigación del grupo de investigación SeesLab no se detiene aquí. De hecho, ya han comenzado a probar el modelo con otras variables además de la población y la distancia, como la conectividad vial, y los resultados tienden a una precisión aún mayor en la predicción de la movilidad.
Referencia bibliográfica: Oriol Cabanas-Tirapu, Lluís Danús, Esteban Moro, Marta Sales-Pardo & Roger Guimerà, “Human mobility is well described by closed-form gravity-like models learned automatically from data,” Nature Communications 16, art. no. 1336 (2025) https://www.nature.com/articles/s41467-025-56495-5
