El Complexity Science Hub de Viena ha desarrollado un nuevo modelo de machine learning capaz de predecir el comportamiento del tráfico de la ciudad en diferentes zonas urbanas. Ha utilizado datos de una empresa de coches compartidos de Italia con el objetivo de comprender cómo interactúan las diferentes zonas urbanas a fin de evitar atascos y facilitar respuestas específicas por parte de los formuladores de políticas.
Para llevar a cabo la investigación titulada ‘Un enfoque de máxima entropía para el modelado de la dinámica de aparcamiento de coches compartidos’, publicada en Scientific Reports, una empresa de vehículos compartidos aportó datos sobre la ubicación de los coches de su flota en las ciudades italianas de Roma, Turín, Milán y Florencia en 2017.
Esta información se obtuvo mediante la consulta constante de las API web del proveedor de servicios y el registro de la localización del aparcamiento de cada automóvil y de las marcas de tiempo de inicio y finalización. Así, es posible identificar el origen y destino de cada trayecto.
Simone Daniotti, investigador del Complexity Science Hub, usó estos datos como indicadores del tráfico total de la ciudad y creó un modelo que facilita un pronóstico espacio-temporal preciso en diferentes áreas urbanas y una detección precisa de anomalías, tales como huelgas y malas condiciones meteorológicas. Este modelo también podría realizar predicciones sobre patrones de tráfico en otras ciudades.
Modelo totalmente interpretable
Otros modelos de predicción del comportamiento del tráfico sobre datos agregados no son totalmente interpretables. Aunque alguna estructura del modelo conecta dos zonas, no pueden ser interpretadas como una interacción, lo que limita la comprensión de los mecanismos subyacentes de las rutinas diarias de la ciudadanía.
En este sentido, el modelo de machine learning del Complexity Science Hub es totalmente interpretable, ya que solo se considera un número mínimo de restricciones y todos los parámetros representan interacciones reales. Conocer la razón por la cual el modelo muestra un resultado concreto es esencial para controlar los eventos en los que la herramienta no muestra lo esperado.