Un equipo de investigadores de la Universitat Rovira i Virgili (URV) ha desarrollado un nuevo modelo matemático que mejora la predicción de la movilidad humana entre ciudades. Publicado en la revista Nature Communications, este modelo combina precisión y simplicidad, superando las limitaciones de los modelos gravitacionales tradicionales. Utilizando técnicas de aprendizaje automático y estadística, permite predecir con alta fiabilidad cuántas personas viajarán entre dos ciudades en un periodo determinado. Este avance tiene aplicaciones en urbanismo, salud pública y sostenibilidad, facilitando la planificación de infraestructuras y el estudio de la propagación de enfermedades. Para más información, visita el enlace: https://biblioteca.cibeles.net/un-nuevo-modelo-matematico-mejora-la-prediccion-de-la-movilidad-humana-entre-ciudades/.
Un equipo de investigadores de la Universitat Rovira i Virgili (URV) ha desarrollado un nuevo modelo matemático que mejora significativamente la predicción de los patrones de movilidad humana entre ciudades. Este avance, publicado en la revista Nature Communications, promete transformar la forma en que se entiende y se planifica el movimiento de las personas.
La capacidad de responder a preguntas como ¿cuántas personas viajarán entre dos ciudades en una semana específica? es crucial para diversas áreas, desde la planificación de infraestructuras de transporte hasta el manejo de crisis sanitarias, como se evidenció durante la pandemia de COVID-19.
El modelo, creado por el grupo SeesLab de la URV junto con expertos de Northeastern University y la Universidad de Pensilvania, permite realizar predicciones más precisas y eficientes que los sistemas actuales. A diferencia de los modelos gravitacionales tradicionales, que se basan únicamente en el tamaño poblacional y la distancia entre ciudades, este nuevo enfoque incorpora múltiples variables que afectan los flujos de movilidad.
A lo largo del tiempo, los modelos gravitacionales han sido herramientas útiles para entender la movilidad humana; sin embargo, su simplicidad limita su precisión. Estos modelos asumen que las poblaciones más grandes generan mayor movimiento, mientras que las distancias largas actúan como un freno. Aunque han sido empleados en el ámbito del transporte y estudios migratorios, sus resultados son aproximados.
Con el auge de la inteligencia artificial, se han desarrollado modelos más complejos y precisos mediante técnicas de aprendizaje automático. Estos nuevos sistemas consideran factores adicionales como la densidad de servicios públicos o la conectividad vial, lo que les permite ofrecer predicciones más fiables. Sin embargo, esta complejidad también dificulta su interpretación.
El equipo investigador ha logrado combinar lo mejor de ambos mundos: la precisión del aprendizaje automático con la sencillez del modelo gravitacional. Utilizando un algoritmo denominado robot científico, han creado un modelo innovador que no solo iguala sino que supera la precisión previa y es fácil de interpretar.
Las implicaciones prácticas del nuevo modelo son vastas. En urbanismo y transporte, puede facilitar una planificación más eficiente de infraestructuras viales y servicios públicos, optimizando así recursos y reduciendo congestiones. En salud pública, ofrece herramientas para modelar cómo las enfermedades pueden propagarse a través del movimiento humano.
A medida que continúan sus investigaciones, el equipo está explorando cómo integrar aún más variables en su modelo para aumentar su precisión. La capacidad de extrapolar estos resultados a diferentes contextos geográficos también resalta su versatilidad: ajustes mínimos permitirían aplicar el modelo a áreas urbanas o rurales sin necesidad de crear algoritmos completamente nuevos.
Referencia bibliográfica: Oriol Cabanas-Tirapu et al., “Human mobility is well described by closed-form gravity-like models learned automatically from data,” Nature Communications, vol. 16, art. no. 1336 (2025) https://www.nature.com/articles/s41467-025-56495-5
Es un modelo que mejora la predicción de la movilidad humana entre ciudades, combinando técnicas de aprendizaje automático, física estadística y estadística bayesiana para ofrecer una alta precisión y simplicidad en su interpretación.
El modelo puede ayudar a planificar infraestructuras viales y servicios de transporte público con mayor eficiencia, optimizando la distribución de recursos y reduciendo la congestión.
Puede modelar la propagación de enfermedades infecciosas al permitir entender cómo se mueven las personas y cómo pueden transmitir virus y otros patógenos, lo que ayuda a diseñar estrategias de contención en casos de pandemia.
Ayuda a gestionar mejor el consumo de energía y reducir las emisiones de gases de efecto invernadero asociadas al transporte.
A diferencia de los modelos gravitacionales que solo consideran población y distancia, el nuevo modelo utiliza múltiples variables adicionales para hacer predicciones más precisas, manteniendo una interpretación más sencilla.
Sí, el sistema es extrapolable a otros territorios con mínimos ajustes en los parámetros, lo que permite su uso en diferentes contextos sin necesidad de crear un nuevo algoritmo.