Cada llamada que haces está dibujando un mapa de tu ciudad y podría solucionar nuestros problemas de tráfico.

      No necesitas compartir tu ubicación para que tu ciudad descubra dónde estás. Cada llamada que haces y cada mensaje que envías se conecta silenciosamente a una antena de red cercana. Ahora multiplica eso por millones de personas haciendo lo mismo todos los días, y lo que obtienes no es solo datos, es una imagen viva y en movimiento de cómo funciona realmente una ciudad. Eso es exactamente lo que los investigadores de la Universidad de Córdoba han logrado aprovechar con una nueva herramienta diseñada para interpretar esos patrones.

      La herramienta que observa sin realmente observar

      MAPLID (Enfoque de múltiples etiquetas para la identificación de lugares) no rastrea individuos. En realidad, observa patrones: señales agregadas y anonimizadas que muestran cómo se comportan realmente los lugares a lo largo del tiempo. Puede revelar cuándo un vecindario pasa de residencial a comercial, cuándo las carreteras que conducen a zonas industriales alcanzan el tráfico máximo, o cómo un solo evento grande puede interrumpir silenciosamente el ritmo de todo un distrito.

      Shimul Sood / Digital Trends

      Lo que la hace destacar es que no fuerza a un lugar a tener solo una definición. Un campus universitario, por ejemplo, no es solo un lugar de trabajo. Dependiendo de la hora del día, puede ser un hogar, un espacio social o una ruta de tránsito. La mayoría de las herramientas de mapeo tienden a elegir una etiqueta y apegarse a ella. MAPLID, por otro lado, captura todas esas capas a la vez.

      Cómo funciona realmente la investigación

      El modelo fue desarrollado como parte de la investigación doctoral de Manuel Mendoza Hurtado, junto con los colegas Juan A. Romero del Castillo y Domingo Ortiz Boyer del Departamento de Informática e Inteligencia Artificial.

      En lugar de trabajar con trazas de ubicación en bruto, el sistema construye su comprensión en capas. Comienza con metadatos de llamadas y mensajes geolocalizados, no con el contenido en sí, sino con los puntos de conexión que se registran cuando los dispositivos interactúan con las antenas de red. A partir de ahí, rastrea cómo estas señales se repiten a lo largo de días y semanas, ayudando a distinguir rutinas constantes de movimientos puntuales. Esa capa de comportamiento se mapea luego contra OpenStreetMap, una base de datos geográfica de código abierto. Esto añade contexto del mundo real como tipos de calles, hitos y categorías de edificios, convirtiendo patrones de señales abstractos en algo mucho más concreto y utilizable para el análisis urbano.

      Tandfonline

      Lo que resulta de este proceso es un lapso de tiempo. El mismo bloque de calle, cuando se ve a diferentes horas, puede contar historias completamente diferentes: las 7 am no se parecen en nada a las 7 pm. Para probar el modelo, el equipo lo aplicó en Milán y Trento, dos ciudades italianas que difieren significativamente en tamaño y estructura, lo que las hace ideales para la comparación. Debido a restricciones de privacidad, los datos móviles españoles no estaban disponibles, por lo que los investigadores utilizaron un conjunto de datos publicado por Telecom Italia para investigación científica. Incluso con millones de puntos de datos diarios superpuestos en mapas urbanos, el modelo se mantuvo consistentemente en ambas ciudades, sugiriendo que no está limitado a un solo tipo de entorno urbano.

      El estudio ha sido publicado en el International Journal of Geographical Information Science.

      Entonces, ¿quién está realmente observando?

      En este momento, nadie lo está utilizando oficialmente. El siguiente paso de los investigadores es llevar la herramienta directamente a los gobiernos locales y planificadores urbanos. Y los casos de uso son bastante claros: ajustar los horarios de los autobuses según los patrones de movimiento reales, mejorar el flujo de tráfico donde realmente se acumula, e incluso enviar equipos de limpieza a lugares que realmente los necesitan, en lugar de depender de suposiciones obsoletas.

      Lo interesante es que las ciudades siempre han estado produciendo este tipo de información. Nunca ha faltado. Lo que ha faltado es una forma de interpretarla de manera significativa y utilizable. Esta herramienta podría ser el paso que cambie eso.