Desde escuelas y tiendas hasta hospitales y hoteles, una ciudad moderna se compone de muchas partes diferentes. Los urbanistas deben tener en cuenta la ubicación de estos servicios al diseñar redes de tránsito eficientes. Los investigadores de A * STAR han desarrollado un programa de aprendizaje automático para recrear y predecir con precisión el uso del transporte público, o 'número de pasajeros', basado en la distribución del uso de la tierra y las comodidades en Singapur.

Las ciudades tradicionales comprenden un distrito comercial central interior (CBD), donde trabaja la mayoría de la gente, Rodeado de zonas residenciales e industriales exteriores. Desafortunadamente para los viajeros, el alto volumen de personas que viajan hacia y desde el CBD puede provocar un estancamiento en las horas pico. Para aliviar algo de esta frustración, el gobierno de Singapur está trabajando en la creación de centros regionales para el año 2030. Los planificadores esperan alentar a los propietarios de negocios a abrir en centros regionales específicos alrededor de la ciudad-estado, aliviar la presión en las horas pico y fomentar el uso del transporte público.

"Nuestro objetivo es comprender la receta de una ciudad inteligente, "explica Christopher Monterola del A * STAR Institute of High Performance Computing, quien dirigió el proyecto en colaboración con científicos de Singapur. "Singapur necesita un sistema de transporte eficiente para apoyar las actividades de las personas dada la infraestructura existente y planificada. Para guiar a los planificadores, necesitábamos un modelo que pudiera predecir el número de pasajeros según el plan de los centros regionales ".

El equipo recopiló datos del sistema de tarjetas inteligentes de la ciudad sobre personas que entraban y salían de estaciones individuales de autobús y metro durante un período de una semana, más de 20 millones de viajes en total.

Los datos de la tarjeta inteligente se combinaron con información de toda la ciudad sobre cómo se usaba la tierra:para negocios, industria, residencia, agua o vegetación, y mapas de alta resolución que identificaban servicios individuales dentro de un radio determinado de cada estación. El equipo de Monterola probó tres modelos diferentes de aprendizaje automático (programas de computadora que se entrenan a sí mismos a través de simulaciones repetidas) para encontrar uno que reproduzca primero con precisión, y luego predijo, transporte de pasajeros en toda la ciudad.

"Descubrimos que un modelo de árbol de decisiones funcionaba mejor, con buena precisión, eficiencia computacional y una pantalla de usuario fácil de seguir, ", dice Monterola." Los resultados indicaron que un aumento en las comodidades de hasta un 55 por ciento en toda la ciudad aumentaría el número de pasajeros. Más allá de este punto, el número de pasajeros comienza a disminuir; esto es lógico porque si los servicios están disponibles localmente, la gente camina en su lugar ".

Los datos de servicios de alta resolución demostraron ser un predictor mucho más sólido del número de pasajeros que los detalles generales del uso de la tierra; un resultado útil para informar la planificación urbana futura y monitorear los centros regionales de Singapur a medida que se desarrollan. El modelo podría aplicarse a cualquier ciudad con acceso a datos similares de alta resolución, señala Monterola.