Ogni chiamata che fai sta tracciando una mappa della tua città e potrebbe risolvere i nostri problemi di traffico.

      Non è necessario condividere la propria posizione affinché la città capisca dove ci si trova. Ogni chiamata che fai e ogni messaggio che invii si collega silenziosamente a un'antenna di rete vicina. Ora moltiplica questo per milioni di persone che fanno la stessa cosa ogni giorno, e ciò che ottieni non è solo dati — è un'immagine viva e in movimento di come funziona realmente una città. Questo è esattamente ciò che i ricercatori dell'Università di Córdoba sono riusciti a sfruttare con un nuovo strumento progettato per interpretare questi modelli.

      Lo strumento che osserva senza realmente osservare

      MAPLID (Multi-label Approach for Place Identification) non traccia gli individui. In realtà, analizza i modelli — segnali aggregati e anonimizzati che mostrano come i luoghi si comportano realmente nel tempo. Può rivelare quando un quartiere passa da residenziale a commerciale, quando le strade che portano nelle zone industriali raggiungono il traffico massimo, o come un singolo grande evento possa silenziosamente interrompere il ritmo di un intero distretto.

      Shimul Sood / Digital Trends

      Ciò che lo distingue è che non costringe un luogo a una sola definizione. Un campus universitario, ad esempio, non è solo un luogo di lavoro. A seconda dell'ora del giorno, può essere una casa, uno spazio sociale o una via di transito. La maggior parte degli strumenti di mappatura tende a scegliere un'etichetta e a mantenerla. MAPLID, d'altra parte, cattura tutti questi strati contemporaneamente.

      Come funziona realmente la ricerca

      Il modello è stato sviluppato come parte della ricerca di dottorato da Manuel Mendoza Hurtado, insieme ai colleghi Juan A. Romero del Castillo e Domingo Ortiz Boyer del Dipartimento di Informatica e Intelligenza Artificiale.

      Invece di lavorare con tracce di posizione grezze, il sistema costruisce la propria comprensione in strati. Inizia con i metadati delle chiamate e dei messaggi geolocalizzati — non il contenuto stesso, ma i punti di connessione che registrano quando i dispositivi interagiscono con le antenne di rete. Da lì, traccia come questi segnali si ripetono nel corso di giorni e settimane, aiutando a distinguere le routine stabili dai movimenti sporadici. Quello strato comportamentale viene quindi mappato contro OpenStreetMap, un database geografico open-source. Questo aggiunge contesto reale come tipi di strade, punti di riferimento e categorie di edifici, trasformando modelli di segnali astratti in qualcosa di molto più concreto e utilizzabile per l'analisi urbana.

      Tandfonline

      Ciò che emerge da questo processo è un time-lapse. Lo stesso isolato stradale, visto in ore diverse, può raccontare storie completamente diverse — le 7 del mattino non assomigliano affatto alle 7 di sera. Per testare il modello, il team lo ha applicato a Milano e Trento, due città italiane che differiscono significativamente in dimensioni e struttura, rendendole ideali per il confronto. A causa delle restrizioni sulla privacy, i dati mobili spagnoli non erano disponibili, quindi i ricercatori hanno utilizzato un dataset rilasciato da Telecom Italia per la ricerca scientifica. Anche con milioni di punti dati quotidiani sovrapposti alle mappe urbane, il modello ha mantenuto una coerenza costante in entrambe le città, suggerendo che non è limitato a un solo tipo di ambiente urbano.

      Lo studio è stato pubblicato nell'International Journal of Geographical Information Science.

      Quindi, chi sta realmente osservando?

      Al momento, nessuno lo sta utilizzando ufficialmente. Il prossimo passo dei ricercatori è portare lo strumento direttamente ai governi locali e ai pianificatori urbani. E i casi d'uso sono abbastanza chiari — adeguare gli orari degli autobus in base ai modelli di movimento reali, migliorare il flusso del traffico dove effettivamente si accumula, e persino inviare squadre di pulizia nei luoghi che ne hanno realmente bisogno, piuttosto che fare affidamento su assunzioni obsolete.

      La parte interessante è che le città hanno sempre prodotto questo tipo di informazioni. Non è mai mancato. Ciò che è mancato è un modo per interpretarlo in modo significativo e utilizzabile. Questo strumento potrebbe essere proprio il passo che cambia tutto.