Da scuole e negozi a ospedali e hotel, una città moderna è fatta di tante parti diverse. Gli urbanisti devono tenere conto di dove si trovano questi servizi quando progettano reti di trasporto efficienti. I ricercatori di A*STAR hanno sviluppato un programma di apprendimento automatico per ricreare e prevedere con precisione l'uso del trasporto pubblico, o "motociclista", basato sulla distribuzione dell'uso del suolo e dei servizi a Singapore.

Le città tradizionali comprendono un quartiere centrale degli affari (CBD), dove lavora la maggior parte delle persone, circondato da zone residenziali e industriali esterne. Purtroppo per i pendolari, l'elevato volume di persone che viaggiano da e verso il CBD può causare ingorghi nelle ore di punta. Per alleviare un po' di questa frustrazione, il governo di Singapore sta lavorando alla creazione di centri regionali entro il 2030. I pianificatori sperano di incoraggiare gli imprenditori ad aprire in determinati centri regionali intorno alla città-stato, allentare la pressione nelle ore di punta e incoraggiare l'uso dei trasporti pubblici.

"Il nostro obiettivo è capire la ricetta per una città intelligente, " spiega Christopher Monterola dell'A*STAR Institute of High Performance Computing, che ha guidato il progetto in collaborazione con scienziati di Singapore. "Singapore ha bisogno di un sistema di trasporto efficiente per supportare le attività delle persone date le infrastrutture esistenti e pianificate. Per guidare i pianificatori, avevamo bisogno di un modello in grado di prevedere l'utenza nell'ambito del piano dei centri regionali".

Il team ha raccolto dati dal sistema di smartcard della città sulle persone che entrano ed escono dalle singole stazioni degli autobus e della metropolitana per un periodo di una settimana, più di 20 milioni di viaggi in totale.

I dati della smart card sono stati combinati con informazioni a livello cittadino su come veniva utilizzata la terra:per affari, industria, residenza, acqua o vegetazione e mappe ad alta risoluzione che identificano i singoli servizi entro un determinato raggio di ciascuna stazione. Il team di Monterola ha testato tre diversi modelli di apprendimento automatico, programmi per computer che si addestrano attraverso simulazioni ripetute, per trovarne uno che per primo si riproducesse accuratamente, e poi previsto, trasporto in bicicletta in tutta la città.

"Abbiamo scoperto che un modello di albero decisionale ha funzionato meglio, con buona precisione, efficienza computazionale e un display utente facile da seguire, ", dice Monterola. "I risultati hanno indicato che un aumento dei servizi fino al 55 per cento in tutta la città aumenterebbe l'utenza. Oltre questo punto, il numero di passeggeri inizia a diminuire; questo è logico perché se i servizi sono disponibili localmente, la gente cammina invece."

I dati sui servizi ad alta risoluzione si sono rivelati un predittore molto più forte di utenza rispetto ai dettagli generali sull'uso del suolo; un risultato utile per informare la futura pianificazione urbana e monitorare i centri regionali di Singapore mentre si sviluppano. Il modello potrebbe essere applicato a qualsiasi città con accesso a dati simili ad alta risoluzione, nota Monterola.