Belirli bir hafta boyunca iki belirli şehir arasında kaç kişi seyahat edecek? Bu soruyu cevaplamak, örneğin, verimli toplu taşıma altyapıları tasarlamak veya Covid-19 pandemi sırasında olduğu gibi birçok nedenden dolayı önemlidir, mobilite modellerinin virüsün yayılmasını ve evrimini tahmin etmek için nasıl kullanılabileceğini anlamak.
Şimdi, URV’nin Seeslab araştırma grubu tarafından geliştirilen yeni bir matematiksel model, Northeastern Üniversitesi ve Pennsylvania Üniversitesi’nden araştırmacılarla birlikte, insan hareketliliğini yüksek hassasiyetle ve şu anda kullanımda olan sistemlerden daha basit ve daha verimli bir şekilde tahmin etmeyi mümkün kıldı. Dergi Doğa İletişimi insanların farklı bağlamlarda nasıl hareket ettiğini anlamak için değerli yeni bir araç sağlayan çalışmanın sonuçlarını yayınlamıştır.
İnsan hareketliliği modelleri onlarca yıldır var. 20. yüzyılın ortalarından bu yana, “yerçekimi modelleri” olarak adlandırılan insan hareketliliğini anlamak ve tahmin etmek için kullanılmıştır. Bu sistemler Newton’un yerçekimi yasasından esinlenmiştir ve sonuçlarını vermek için iki temel parametreyi dikkate almaktadır: iki şehrin nüfusunun büyüklüğü ve aralarındaki mesafe. Bu modeller, daha büyük popülasyonların daha fazla hareket çektiğini, daha büyük mesafelerin caydırıcı olduğu varsayılmaktadır.
Yerçekimi modelleri ulaşım planlaması, göç çalışmaları ve epidemiyolojide kullanılmıştır, çünkü sonuçları çok basit bir şekilde anlamayı ve mekansal etkileşimleri ve akış modellerini tahmin etmeyi mümkün kılar. Bununla birlikte, bu sadelik, bu modellerin son derece doğru olmadığı ve sadece hareketlilik akışlarının yaklaşık tahminlerini verebileceği anlamına gelir.
Yapay zekanın ortaya çıkmasıyla, son yıllarda araştırma topluluğu, makine öğrenmesine dayanan çok daha doğru hareketlilik modelleri geliştirmeye başladı. Sadece nüfus ve mesafeden akışları öngören orijinal yerçekimi modellerinden farklı olarak, bu yeni modeller, restoranların ve okulların yoğunluğu veya yol bağlantısı gibi menşe ve hedef dışında daha fazla değişken kullanıyor. Tahminleri çok daha güvenilir olsa da, yerçekimi modellerinden farklı olarak, sonuçları yorumlamak çok zordur ve insanların hareketlilik kararlarını açıklayan mekanizmalar hakkında net bir bakış sunmamaktadır.
Şimdi, URV araştırma ekibi her sistemin en iyisini birleştirmeyi başardı: makine öğrenme modellerinin doğruluğu ve yerçekimi sistemlerinin sadeliği. “Bilimsel robot” olarak adlandırılan bir algoritmaya dayanarak, makine öğrenimi modellerinin doğruluğuna eşit olan ve hatta iyileştiren yeni bir yenilikçi matematiksel model geliştirdiler ve dahası, yerçekimi modeli kadar basit ve yorumlanması kolaydır.
Seeslab Araştırma Grubu araştırmacısı Marta Sales-Pardo, “Bu yeni algoritma ile gözlemlenen verileri açıklamak için en makul modelleri belirleyebiliriz, bizim durumumuzda hareketlilik akışları.” Yöntem, modelin karmaşıklığını ve doğruluğunu etkili bir şekilde dengelemek için makine öğrenme tekniklerini, istatistiksel fizik ve Bayes istatistiklerini birleştirir.
Aynı grup ICREA araştırma profesörü Roger Guimerà, “Bilimsel keşif ve veri odaklı modelleme için çok güçlü bir araç geliştirdik” diyor.
Çalışmaya da katılan doktora öncesi araştırmacı Oriol Cabanas, modelin diğer coğrafi alanlara da tahmin edilebileceğine dikkat çekti. “Sadece popülasyon ve mesafe değişkenlerini kullandığından, tahminlerini diğer coğrafi alanlara tahmin etmek için parametrelerde sadece minimal ayarlamalara ihtiyaç vardır.”
Bu nedenle, bu yeni yaklaşım, karmaşıklıkları nedeniyle makine öğrenme modellerinde olduğu gibi yeni bir algoritma oluşturmak zorunda kalmadan hem büyük şehirlerde hem de daha az kentleşmiş alanlarda yer değiştirmeleri analiz etmek için kullanılabilir.
İnsan hareketliliğini anlamak birçok alanda temeldir. Örneğin, kentsel planlama ve ulaşımda model, kaynak altyapısının ve toplu taşıma hizmetlerinin kaynakları optimize ederek ve tıkanıklığı azaltarak daha verimli bir şekilde planlanmasına yardımcı olabilir.
Halk sağlığı alanında da yararlı ve gereklidir, çünkü insanların nasıl hareket ettiğini ve virüslerin ve diğer patojenlerin bir alandan diğerine nasıl aktarılabileceğini ve bir pandemik durumunda sınırlama stratejileri tasarlayarak bulaşıcı hastalıkların yayılmasını modellemek için kullanılabilir.
Ayrıca, modelin insan hareketliliğini tahmin etme yeteneğinin de enerji tüketimini daha iyi yönetmeye ve ulaşımla ilişkili sera gazı emisyonlarını azaltmaya yardımcı olabileceğinden sürdürülebilirlik üzerinde etkileri vardır.
Seeslab araştırma grubunun araştırması burada bitmiyor. Aslında, modeli yol bağlantısı gibi popülasyon ve mesafeye ek olarak diğer değişkenlerle test etmeye başladılar ve sonuçlar, hareketliliğin daha doğru bir resmini üretebileceğini düşündürmektedir.
