Каждый ваш звонок рисует карту вашего города, и это может решить наши проблемы с трафиком.

      Вам на самом деле не нужно делиться своим местоположением, чтобы ваш город понял, где вы находитесь. Каждый звонок, который вы делаете, и каждое сообщение, которое вы отправляете, тихо подключаются к ближайшей сетевой антенне. Теперь умножьте это на миллионы людей, которые делают то же самое каждый день, и то, что вы в итоге получаете, — это не просто данные — это живое, движущееся изображение того, как на самом деле работает город. Именно это исследователи Университета Кордобы смогли использовать с помощью нового инструмента, предназначенного для интерпретации этих паттернов.

      Инструмент, который наблюдает, не наблюдая

      MAPLID (Многоуровневый подход к идентификации мест) не отслеживает отдельных людей. Он на самом деле изучает паттерны — агрегированные, анонимные сигналы, которые показывают, как места на самом деле ведут себя с течением времени. Он может показать, когда район переходит от жилого к коммерческому, когда дороги, ведущие в промышленные зоны, достигают пикового трафика, или как одно крупное событие может тихо нарушить ритм целого района.

      Шимул Суд / Digital Trends

      Что делает его выдающимся, так это то, что он не заставляет место соответствовать только одному определению. Университетский кампус, например, не является только рабочим местом. В зависимости от времени суток он может быть домом, социальным пространством или транспортным маршрутом. Большинство картографических инструментов склонны выбирать одну метку и придерживаться ее. MAPLID, с другой стороны, захватывает все эти слои одновременно.

      Как на самом деле работает исследование

      Модель была разработана в рамках докторской диссертации Мануэля Мендосы Хуртадо вместе с коллегами Хуаном А. Ромеро дель Кастильо и Доминго Ортисом Бойером из кафедры компьютерных наук и искусственного интеллекта.

      Вместо того чтобы работать с сырыми следами местоположения, система строит свое понимание слоями. Она начинается с геолокализованных метаданных звонков и сообщений — не с самого содержания, а с точек подключения, которые регистрируют, когда устройства взаимодействуют с сетевыми антеннами. Оттуда она отслеживает, как эти сигналы повторяются на протяжении дней и недель, помогая различать устойчивые рутины и единичные движения. Этот поведенческий слой затем сопоставляется с OpenStreetMap, открытой географической базой данных. Это добавляет контекст реального мира, такой как типы улиц, достопримечательности и категории зданий, превращая абстрактные паттерны сигналов в нечто гораздо более приземленное и полезное для городского анализа.

      Tandfonline

      Результатом этого процесса является таймлапс. Один и тот же квартал улицы, когда его рассматривают в разное время, может рассказывать совершенно разные истории — 7 утра совершенно не похоже на 7 вечера. Чтобы протестировать модель, команда запустила ее в Милане и Тренто, двух итальянских городах, которые значительно различаются по размеру и структуре, что делает их идеальными для сравнения. Из-за ограничений конфиденциальности испанские мобильные данные не были доступны, поэтому исследователи вместо этого использовали набор данных, выпущенный Telecom Italia для научных исследований. Даже с миллионами ежедневных данных, накладываемых на городские карты, модель стабильно работала в обоих городах, что предполагает, что она не ограничена одним типом городской среды.

      Исследование было опубликовано в Международном журнале географической информационной науки.

      Итак, кто же на самом деле наблюдает?

      На данный момент никто официально не использует его. Следующий шаг исследователей — представить инструмент напрямую местным властям и городским планировщикам. И случаи использования довольно ясны — корректировка расписания автобусов на основе реальных паттернов движения, улучшение потока трафика там, где он действительно накапливается, и даже отправка уборочных бригад в места, которые действительно в них нуждаются, а не полагаться на устаревшие предположения.

      Интересная часть заключается в том, что города всегда производили такую информацию. Она никогда не была недоступна. То, что отсутствовало, — это способ действительно интерпретировать ее в значимом, полезном ключе. Этот инструмент может стать тем шагом, который изменит это.