Inferencia del propósito de viajes personales basada en zonas funcionales dinámicas por tiempo y edad

Por qué tus viajes importan más de lo que crees

Cada día, millones de viajes quedan registrados de forma silenciosa por smartphones y sistemas de transporte, mostrando dónde se desplazan las personas pero no por qué. ¿Van al trabajo, regresan a casa, se reúnen con amigos o van de compras? Este estudio muestra cómo esos “porqués” invisibles pueden inferirse a partir de grandes volúmenes de datos de movimiento anónimos al leer con atención el carácter cambiante de los barrios urbanos a lo largo del tiempo y entre distintos grupos de edad. El resultado es una herramienta potente que puede ayudar a las ciudades a planificar sistemas de transporte más justos y eficientes sin depender continuamente de costosas encuestas.

De puntos en un mapa a actividades de la vida real

Las ciudades modernas recopilan enormes cantidades de datos de localización procedentes de fuentes como teléfonos móviles, tarjetas inteligentes de transporte y trazas GPS. Estos registros contienen mucha información sobre orígenes y destinos, pero casi nunca incluyen el propósito del viaje. Tradicionalmente, los investigadores han dependido de encuestas detalladas de viajes domésticos—donde las personas informan por qué viajaron—para construir reglas o modelos de aprendizaje automático aplicables a estos conjuntos de datos más grandes. Sin embargo, la mayoría de trabajos anteriores trataban el uso del suelo de cada destino como algo estático: un lugar se etiquetaba simplemente como “residencial”, “trabajo” o “comercial”, sin tener en cuenta la hora del día ni quién lo visitaba.

Capturar cómo cambian los barrios a lo largo del día

Los autores sostienen que las áreas de la ciudad se comportan de forma muy distinta según la hora y los grupos de edad. Un distrito próximo a una universidad puede atender principalmente a estudiantes por la mañana, a oficinistas al mediodía y a comensales o asistentes a espectáculos por la noche. Parques, escuelas, iglesias y oficinas también atraen a grupos de edad distintos en momentos diferentes. Para capturar esto, el estudio construye “zonas funcionales dinámicas por tiempo y edad” para cada pequeño distrito administrativo de Seúl. El equipo combina más de 770 000 registros de puntos de interés—como viviendas, lugares de trabajo, centros educativos, comercios, instalaciones médicas y espacios de ocio—con datos de check-in del Yelp Open Dataset y patrones de edad procedentes de las encuestas nacionales de viajes y hogares de Corea. Dividen el día en seis franjas horarias y la población en cuatro grupos de edad, y asignan diferentes ponderaciones a cada tipo de lugar según cuándo y por quién suele ser visitado. Esto crea un perfil sensible al tiempo y la edad de para qué se utiliza principalmente cada barrio en distintas condiciones.

Enseñar a las máquinas a adivinar por qué la gente viaja

Utilizando estas zonas funcionales dinámicas como entradas clave, junto con la edad y el género del viajero, la hora del viaje, la distancia y el acceso al transporte, los investigadores entrenan dos tipos de modelos para inferir el propósito del viaje: un modelo de extreme gradient boosting (XGBoost) y una red neuronal LSTM (long short-term memory). Ambos se entrenan con casi 401 000 viajes de encuestas que incluyen propósitos conocidos, agrupados en cinco categorías amplias: ir a casa, ir al trabajo, educación, compras o comidas, y otros motivos. En las pruebas, XGBoost supera ligeramente a LSTM, identificando correctamente el propósito del viaje en torno al 84 % de las ocasiones frente al 78 % de la red neuronal. Cuando los autores eliminan la dinámica tiempo-edad y usan solo funciones estáticas del vecindario, la precisión cae hasta en 3 puntos porcentuales, lo que confirma que el carácter cambiante de los lugares ayuda realmente a los modelos a inferir por qué se desplazan las personas.

Aplicar el método a datos reales de telefonía

El equipo aplica luego sus modelos entrenados a un enorme conjunto de datos de “movimiento de la vida diaria” de Seúl, construido a partir de señales de telefonía móvil anonimizadas. Este conjunto cubre millones de viajes pero solo etiqueta de forma aproximada orígenes y destinos como casa, trabajo o “otro lugar”, sin propósitos explícitos. Los modelos infieren propósitos para casi cuatro millones de viajes en el transcurso de un mes. Más de la mitad se clasifican como relacionados con el hogar y alrededor de un tercio como relacionados con el trabajo, con proporciones menores para educación y compras o comidas. Cuando las etiquetas de movimiento son claras—por ejemplo, casa a trabajo o trabajo a casa—los propósitos inferidos coinciden con los tipos derivados del teléfono en aproximadamente el 68 % y el 74 % de los casos, respectivamente. Los patrones por tiempo y edad también resultan coherentes: los viajes de madrugada y a última hora de la tarde se inclinan hacia los desplazamientos laborales, los desplazamientos de adolescentes se orientan con frecuencia a la educación y los viajes nocturnos tienden a ser retornos a casa.

Qué significa esto para los desplazamientos cotidianos

En términos sencillos, el estudio muestra que al combinar mapas detallados de lo que ofrecen los barrios con cuándo y por quién se usan esos lugares, las ciudades pueden adivinar de forma fiable las razones detrás de la mayoría de los viajes, incluso cuando la gente nunca responde a una encuesta. Esto abre la puerta a utilizar datos de teléfono y transporte existentes para entender los viajes por trabajo, las rutas escolares, las compras y los desplazamientos de ocio a escalas finas. Los planificadores podrían, por ejemplo, detectar dónde los viajes nocturnos desde distritos de negocios hacia zonas residenciales densas requieren más autobuses, o dónde los movimientos relacionados con escuelas sugieren rutas más seguras para caminar y pedalear. Aunque el método aún tiene dificultades con viajes raros o de propósito mixto, demuestra una vía práctica para convertir trazas de movimiento anónimas en relatos significativos sobre cómo y por qué la gente se desplaza por la ciudad.

Cita: Lee, J., Park, S. Personal trip purpose inference based on dynamic time–age functional zones. Sci Rep 16, 14608 (2026). https://doi.org/10.1038/s41598-026-45683-y

Palabras clave: propósito del viaje, movilidad urbana, zonas funcionales, planificación del transporte, datos de teléfono móvil