De escolas e lojas a hospitais e hotéis, uma cidade moderna é feita de muitas partes diferentes. Os planejadores urbanos devem levar em consideração a localização desses serviços ao projetar redes de trânsito eficientes. Os pesquisadores da A * STAR desenvolveram um programa de aprendizado de máquina para recriar e prever com precisão o uso do transporte público, ou 'viagem', com base na distribuição do uso da terra e amenidades em Cingapura.

As cidades tradicionais compreendem um distrito comercial central interno (CBD), onde a maioria das pessoas trabalha, cercado por zonas residenciais e industriais externas. Infelizmente para os viajantes, o alto volume de pessoas viajando de e para o CBD pode causar engarrafamentos nos horários de pico. Para aliviar um pouco dessa frustração, o governo de Cingapura está trabalhando na criação de centros regionais até o ano 2030. Os planejadores esperam encorajar os proprietários de empresas a abrirem em centros regionais específicos ao redor da cidade-estado, aliviar a pressão dos horários de pico e encorajar o uso do transporte público.

"Nosso objetivo é entender a receita de uma cidade inteligente, "explica Christopher Monterola no A * STAR Institute of High Performance Computing, que liderou o projeto em colaboração com cientistas de Cingapura. "Cingapura precisa de um sistema de transporte eficiente para apoiar as atividades das pessoas, dada a infraestrutura existente e planejada. Para orientar os planejadores, precisávamos de um modelo que pudesse prever o número de passageiros no plano dos centros regionais. "

A equipe coletou dados do sistema de smartcard da cidade sobre pessoas que entraram e saíram de estações individuais de ônibus e metrô durante o período de uma semana - mais de 20 milhões de viagens no total.

Os dados do smartcard foram combinados com informações de toda a cidade sobre como o terreno estava sendo usado - para negócios, indústria, residência, água ou vegetação - e mapas de alta resolução que identificam amenidades individuais dentro de um determinado raio de cada estação. A equipe de Monterola testou três modelos diferentes de aprendizado de máquina - programas de computador que se treinam por meio de simulações repetidas - para encontrar um que fosse reproduzido com precisão pela primeira vez, e então previu, transporte de passageiros em toda a cidade.

"Descobrimos que um modelo de árvore de decisão teve melhor desempenho, com boa precisão, eficiência computacional e uma tela de usuário fácil de seguir, "diz Monterola." Os resultados indicaram que um aumento nas amenidades de até 55 por cento em toda a cidade aumentaria o número de passageiros. Além deste ponto, o número de passageiros começa a diminuir; isso é lógico porque, se as comodidades estiverem disponíveis localmente, as pessoas caminham em vez disso. "

Os dados de amenidades de alta resolução provaram ser um indicador muito mais forte do número de passageiros do que os detalhes gerais do uso da terra; um resultado útil para informar o planejamento urbano futuro e monitorar os centros regionais de Cingapura à medida que se desenvolvem. O modelo pode ser aplicado a qualquer cidade com acesso a dados semelhantes de alta resolução, notas Monterola.