WorldMove, datos abiertos globales sobre movilidad humana

Por qué importan nuestros desplazamientos diarios

Cada día, miles de millones de viajes —ir a pie al colegio, tomar el autobús al trabajo, visitar parques o tiendas— moldean silenciosamente cómo respiran y crecen las ciudades. Comprender estos desplazamientos es fundamental para aliviar atascos, planificar barrios más verdes y prepararse ante brotes de enfermedad. Sin embargo, los datos detallados sobre dónde y cuándo se mueve la gente suelen estar cerrados tras barreras corporativas o normativas de privacidad, y muchas ciudades —especialmente en regiones de bajos ingresos— carecen casi por completo de esos datos. Este artículo presenta WorldMove, una nueva forma global, abierta y respetuosa con la privacidad de estudiar la movilidad humana sin rastrear a ninguna persona real.

Un mapa mundial construido a partir de pistas abiertas

En lugar de seguir a individuos a través de sus teléfonos o tarjetas bancarias, WorldMove parte de datos públicamente disponibles y ya anonimizados que describen los espacios de la ciudad en vez de a las personas. Para más de 1.600 ciudades en 179 países, los autores primero delinean límites urbanos precisos usando una base de datos cartográfica global abierta. Cada ciudad se divide luego en pequeñas cuadrículas de un kilómetro de ancho, como si se superpusiera una malla uniforme sobre el paisaje urbano. Para cada casilla recogen información abierta: estimaciones de población, tipos de lugares que contiene (como tiendas, escuelas, parques u hospitales), su popularidad como destino según estadísticas de desplazamiento, y su posición en un sistema de coordenadas local simple. Esto convierte la ciudad en un mosaico estructurado de pequeñas áreas, cada una con un perfil rico pero sin identificadores personales.

Enseñar a una IA a entender lugares, no personas

Para enseñar a un sistema de inteligencia artificial cómo se mueven habitualmente las personas entre estas áreas, el equipo usa un proceso de aprendizaje en dos pasos. Primero, comprimen el perfil de cada casilla en una corta "huella" numérica empleando una técnica llamada autoencoder. Las casillas que desempeñan roles similares en la vida urbana —centros céntricos concurridos, suburbios tranquilos, zonas industriales— quedan próximas entre sí en ese espacio abstracto, aun cuando pertenezcan a distintos países. Luego, usando registros de movilidad reales pero fuertemente protegidos de seis ciudades en China, Estados Unidos y Senegal, el sistema aprende cómo tienden a visitarse estas huellas a lo largo de un día y de una semana. De forma crucial, aprende patrones en ese espacio abstracto en lugar de memorizar rutas o individuos específicos.

De patrones abstractos de vuelta a las calles de la ciudad

Una vez entrenado, el modelo puede generar nuevas secuencias de movimiento de apariencia realista en el espacio abstracto de huellas, usando un proceso moderno de "difusión" que transforma gradualmente ruido aleatorio en trayectorias diarias plausibles. Estas rutas sintéticas se mapean de nuevo sobre la cuadrícula real de la ciudad emparejando cada punto abstracto con la casilla urbana más similar. El número de trayectorias generadas escala con la población de la ciudad y puede ajustarse por los usuarios. El resultado es una semana completa de historiales de movimiento para muchos "residentes virtuales" anónimos en cualquier ciudad, incluso donde no existen datos de movilidad originales. Junto con las trayectorias, el proyecto publica archivos de límites, definiciones de la rejilla y los perfiles de lugares subyacentes, además del código que permite a otros generar conjuntos de datos personalizados.

Comprobar realismo, equidad y privacidad

Para asegurarse de que estos viajes virtuales sean útiles, los investigadores los comparan con los datos reales ocultos en múltiples dimensiones. Encuentran que estadísticas básicas como la distancia típica recorrida, el número de lugares distintos visitados en un día, la duración de las estancias y la frecuencia de retorno a sitios favoritos coinciden estrechamente. Las "leyes" clásicas de la movilidad humana —por ejemplo, que la mayoría de los viajes son cortos aunque algunos se extienden mucho, o que un pequeño conjunto de lugares concentra la mayoría de las visitas— emergen de forma natural en los datos sintéticos. A escala urbana, los patrones de flujos laborales entre barrios y la congestión en hora punta también reflejan la realidad. Pruebas diseñadas para detectar fugas de privacidad muestran que los atacantes no pueden determinar de forma fiable si un patrón concreto provino de los datos de entrenamiento o fue generado por el modelo, lo que sugiere que no se están memorizando rutas individuales.

Nuevas oportunidades para planificación, salud y equidad

Al ser WorldMove abierto y sintético, puede compartirse ampliamente y combinarse con otra información pública. Los autores demuestran cómo los datos pueden impulsar simulaciones de tráfico detalladas para estimar las emisiones de carbono de distintos tipos de vehículos y para probar cómo reducir el volumen de coches en hora punta podría disminuir drásticamente la contaminación. En otro ejemplo, combinan movimientos simulados con mapas de espacios verdes y datos demográficos vecinales para estudiar el acceso desigual a los parques y sus vínculos con la salud mental. También muestran que añadir trayectorias sintéticas a datos reales limitados mejora la precisión de modelos de predicción de movilidad, especialmente en ciudades con medidas escasas.

Una forma segura de ver cómo se mueven las ciudades

En esencia, WorldMove ofrece un "simulador de vuelo" global para el movimiento humano: lo bastante rico como para captar cómo funcionan realmente las ciudades, pero desconectado de cualquier persona identificable. Al aprender a partir de una mezcla de datos geográficos abiertos y muestras de movilidad real cuidadosamente protegidas, el sistema puede recrear patrones típicos de desplazamiento en más de 1.600 ciudades y extenderlos a lugares sobre los que se sabe poco. Esto da a urbanistas, ingenieros de transporte e investigadores de salud pública una potente herramienta que respeta la privacidad para explorar preguntas hipotéticas —desde nuevas líneas de autobús hasta barrios más verdes— ayudando a que las ciudades futuras sean más justas, limpias y mejor preparadas para el cambio.

Cita: Yuan, Y., Zhang, Y., Ding, J. et al. WorldMove, a global open data for human mobility. Sci Data 13, 549 (2026). https://doi.org/10.1038/s41597-026-06555-2

Palabras clave: movilidad humana, datos sintéticos, planificación urbana, IA que preserva la privacidad, ciudades globales