Análisis Urbano para el Siglo XXI: El empleo de infraestructuras ubicuas en el modelado urbano “Urban Dynamics”

Con el aumento de las capacidades de los dispositivos móviles, las personas dejan huellas de su interacción con el entorno urbano. Como resultado, las nuevas áreas de investigación, como la informática urbana y las “smart cities” o ciudades inteligentes, se centran en la mejora de la calidad de vida en un entorno urbano mediante la comprensión de la dinámica de la ciudad. Tradicionalmente, el análisis urbano ha utilizado los datos extraídos de las encuestas. Sin embargo, nuevas fuentes de datos (incluyendo GPS , puntos de acceso Wi – Fi , redes sociales geo-etiquetadas, etc.) son cada vez más relevantes ya que las técnicas tradicionales se enfrentan a limitaciones importantes, principalmente : (1) la complejidad y el costo de la captura de datos de la encuesta ; (2) el hecho de que los datos son estáticos y representa una instantánea de la situación en un momento específico en el tiempo y (3) la creciente falta de voluntad de los individuos para proporcionar ( lo que ellos perciben como ) la información personal . Uno de los principales datos obtenidos de estas nuevas fuentes y que son relevantes para el estudio de los entornos urbanos, son los registros del teléfono móvil, ya que contienen una amplia gama de información de la dinámica humana (que van desde la movilidad, con el contexto social y las redes sociales) que se puede utilizar para caracterizar individuos o áreas geográficas.

En Telefónica I+D hemos estado trabajando en tres aplicaciones que utilizan los datos proporcionados por una infraestructura de red de telefonía móvil para demostrar cómo la información extraída de estos datos se puede utilizar para modelar la dinámica de la ciudad: La detección de Áreas Densas (Hotspots / puntos calientes o puntos de acceso), Identificación del Uso de la Terreno (es decir, residencial, industrial, comercial, etc. ) y la Construcción de Matrices de Trayectos o Migración Pendular.

La detección de áreas densas implica la identificación de las áreas dentro de un entorno urbano donde la gente tiende a ir en momentos específicos durante cada día y su evolución en el tiempo. Esta información es de suma importancia para, entre otros, los planificadores urbanos y de transporte, ya que proporciona información clave sobre dónde y cuándo hay áreas de alta densidad de individuos en un entorno urbano. El problema de la detección de estas áreas se ​​presentó inicialmente en la comunidad de minería de datos como la identificación del conjunto de las regiones a partir de datos espacio-temporales que satisfacen un valor mínimo de la densidad. De manera común a todos estos métodos, se usa una cuadrícula de tamaño fijo sin solapamiento para agregar los valores. Por lo tanto, estos métodos » limitan » la forma de las áreas detectadas y, en general, se identifican áreas densas que son un superconjunto/subconjunto de las zonas densas deseables. En Telefónica I+D hemos desarrollado una nueva técnica, el algoritmo “Dense Área” (DAD- MST ) (ver detalles en la referencia [1] ) para detectar automáticamente las zonas densas a partir de datos de la red de telefonía móvil. Nuestro enfoque, a diferencia de los enfoques anteriores, no se basa en redes de tamaño fijo, pero en la teselación natural del dominio espacial, superando así las limitaciones de las soluciones anteriores. A modo de ejemplo, la siguiente imagen representa las áreas densas identificadas para la ciudad de Guadalajara (México).

Usando la información contenida en la base de datos grabada en un teléfono móvil podemos describir el uso dado a áreas urbanas específicas (como por ejemplo zonas residenciales, parques, etc.). Las áreas geográficas en las cuales se va a dividir la ciudad se definirán en función de la proximidad a las diferentes antenas o torres de comunicación. Definimos la actividad de una torre de comunicación, y por extensión de su área de cobertura como el número de llamadas que gestiona su BTS en un periodo de tiempo determinado, diferenciando la actividad durante la semana laboral y el fin de semana. Con estos datos, la identificación del uso de tierra se puede hacer automáticamente agrupando el conjunto de firmas utilizando para ello técnicas de agrupamiento (como por ejemplo k-means o agrupamiento espectral de datos). En las referencias [2] y [3] se pueden encontrar más detalles al respecto. Como ejemplo, la imagen que se puede ver a continuación, muestra la actividad detectada del uso de la tierra en Madrid por la noche, donde se puede observar que la actividad de este tipo de torres se caracteriza con un pico durante las noches de fin de semana.

La información espacio-temporal contenida en los registros de un teléfono móvil puede ser agregada para construir una matriz de migración pendular para un área urbana. Este tipo de información es clave para diseñar las rutas de transporte o para correlacionar las rutas de transportes actuales con las actuales necesidades de la ciudad con el objetivo de definir nuevas rutas de transporte público. Formalmente, el problema se puede presentar como una identificación de cambios frecuentes entre dos áreas geográficas en momentos específicos de tiempo. En Telefónica I+D hemos propuesto un nuevo algoritmo (véase las referencias [4] y [5]) para la construcción de matrices de migración pendular usando los registros de los teléfonos móviles que hemos validado con las matrices de migración pendular generadas por los ayuntamientos. Nuestros resultados indican que nos podemos aproximar a la matriz original con un error del 15%.

En conclusión, las técnicas de análisis urbano tradicional se basan en cuestionarios con limitaciones de tiempo y coste. Extrayendo el conocimiento generado por estructuras ubicuas, como redes de telefonía móvil, podemos generar modelos que explican las dinámicas urbanas y que complementan el aproximamiento de análisis urbano tradicional mientras se vencen las limitaciones previas. Estos ejemplos solo pretenden demostrar las capacidades de este tipo de acercamiento, y pueden ser usados como bloques para desarrollar otras aplicaciones específicas.

Referencias

[1] M. Vieira, V. Frias-Martinez, N. Oliver, E. Frias-Martinez, “Characterizing Dense Urban Áreas from Móbile Phone-Call Data: Discovery and Social Dynamics”, 2nd. Int. Conf. on Social Computing (SocialCom 2010), 2010.

[2] V. Soto and E. Frias-Martinez, “Robust Land Use Characterization of Urban Lanscapes using Cell Phone Data”, 1^st Workshop on Pervasive Urban Applications, in conjunction with 9th Int. Conf. Pervasive Computing, San Francisco, 2011.

[3] V. Soto and E. Frias-Martinez, “Automated Land Use Identification using Cell-Phone Records”, ACM Hotplanet 2011, 3^rd Int. Workshop on Hot Topics in Planet-Scale Measurement, co-located with ACM Mobisys 2011, Washington D.C.

[4] «Estimation of Urban Commuting Patterns Using Cellphone Network Data», V. Frias-Martinez, C. Soguero, E. Frias-Martinez, ACM SIGKDD Int. Workshop on Urban Computing (UrbComp), Beijin, China, 2012

[5] «An Agent-Based Model of Epidemic Spread using Human Mobility and Social Network Information», E. Frias-Martinez, G. Williamson, V. Frias-Martinez, The 3rd IEEE Int. Conf. on Social Computing (SocialCom 2011), Boston, MA, USA