WorldMove, des données ouvertes mondiales sur la mobilité humaine

Pourquoi nos déplacements quotidiens comptent

Tous les jours, des milliards de trajets — marcher jusqu’à l’école, prendre le bus pour le travail, visiter des parcs ou des commerces — façonnent silencieusement la respiration et la croissance des villes. Comprendre ces déplacements est essentiel pour désengorger la circulation, planifier des quartiers plus verts et se préparer aux épidémies. Pourtant, les données détaillées sur où et quand les gens se déplacent sont souvent enfermées derrière des silos d’entreprises ou des règles de confidentialité, et de nombreuses villes — en particulier dans les régions à faibles revenus — n’en disposent presque pas. Cet article présente WorldMove, une nouvelle approche mondiale, ouverte et respectueuse de la vie privée pour étudier la mobilité humaine sans tracer aucune personne réelle.

Une carte du monde construite à partir d’indices ouverts

Plutôt que de suivre des individus via leur téléphone ou leur carte bancaire, WorldMove part de données publiques déjà anonymisées qui décrivent les espaces urbains plutôt que des personnes. Pour plus de 1 600 villes dans 179 pays, les auteurs dessinent d’abord des limites municipales précises en utilisant une base cartographique mondiale ouverte. Chaque ville est ensuite découpée en petites cases d’un kilomètre de côté, comme si l’on superposait une grille uniforme sur le paysage urbain. Pour chaque case, ils collectent des informations ouvertes : combien de personnes y vivent estimativement, quels types de lieux y sont présents (commerces, écoles, parcs, hôpitaux, etc.), sa popularité comme destination selon les statistiques de déplacements et sa position dans un système de coordonnées local simple. La ville se transforme ainsi en une mosaïque structurée de micro‑zones, chacune dotée d’un profil riche mais sans identifiants personnels.

Apprendre à une IA à comprendre les lieux, pas les personnes

Pour enseigner à un système d’intelligence artificielle comment les gens se déplacent typiquement entre ces zones, l’équipe utilise un processus d’apprentissage en deux étapes. D’abord, ils compressent le profil de chaque case en une courte « empreinte » numérique à l’aide d’une technique appelée autoencodeur. Les cases qui jouent des rôles similaires dans la vie urbaine — centres animés, banlieues calmes, zones industrielles — se retrouvent proches les unes des autres dans cet espace abstrait, même si elles se trouvent dans des pays différents. Ensuite, en utilisant des enregistrements de mobilité réels mais strictement protégés provenant de six villes en Chine, aux États‑Unis et au Sénégal, le système apprend comment ces empreintes sont visitées au cours d’une journée et d’une semaine. Crucialement, il apprend des motifs dans cet espace abstrait plutôt que de mémoriser des itinéraires ou des individus spécifiques.

Des motifs abstraits de retour dans les rues

Une fois entraîné, le modèle peut générer de nouvelles séquences de déplacement réalistes dans l’espace d’empreintes abstrait, en utilisant un procédé moderne de « diffusion » qui transforme progressivement du bruit aléatoire en trajectoires quotidiennes plausibles. Ces chemins synthétiques sont ensuite replacés sur la grille réelle de la ville en associant chaque point abstrait à la case urbaine la plus similaire. Le nombre de trajectoires générées est proportionnel à la population de la ville et peut être ajusté par les utilisateurs. Le résultat est une semaine complète d’historiques de déplacement pour de nombreux « résidents virtuels » anonymes dans n’importe quelle ville, même là où il n’existe pas de données de mobilité originales. Avec les trajectoires, le projet publie aussi les fichiers de limites, les définitions de grille et les profils de lieux sous‑jacents, ainsi que le code permettant à d’autres de générer des jeux de données personnalisés.

Vérifier le réalisme, l’équité et la confidentialité

Pour s’assurer que ces parcours virtuels sont utiles, les chercheurs les comparent aux données réelles cachées selon de multiples dimensions. Ils constatent que des statistiques de base — distance typique parcourue, nombre de lieux distincts visités par jour, durée moyenne d’arrêt, fréquence de retour à des endroits favoris — correspondent étroitement. Des « lois » classiques de la mobilité humaine — la plupart des trajets étant courts mais quelques‑uns longs, ou un petit ensemble de lieux concentrant la majorité des visites — émergent naturellement dans les données synthétiques. À l’échelle de la ville, les flux domicile‑travail entre quartiers et la densité aux heures de pointe reflètent également la réalité. Des tests conçus pour détecter des fuites de confidentialité montrent que des attaquants ne peuvent pas déterminer de manière fiable si un motif spécifique provient des données d’entraînement ou a été généré par le modèle, ce qui suggère que les trajets individuels ne sont pas mémorisés.

De nouvelles possibilités pour l’aménagement, la santé et l’équité

Parce que WorldMove est ouvert et synthétique, il peut être largement partagé et combiné avec d’autres informations publiques. Les auteurs montrent comment les données peuvent alimenter des simulations de trafic détaillées pour estimer les émissions de carbone selon différents types de véhicules, et pour tester comment réduire le nombre de voitures aux heures de pointe pourrait diminuer fortement la pollution. Dans un autre exemple, ils combinent des mouvements simulés avec des cartes d’espaces verts et des données démographiques de quartier pour étudier l’accès inégal aux parcs et ses liens avec la santé mentale. Ils montrent aussi que l’ajout de trajectoires synthétiques à des données réelles limitées améliore la précision des modèles de prévision de mobilité, surtout dans les villes où les mesures sont rares.

Une manière sûre de voir comment les villes bougent

En substance, WorldMove offre un « simulateur de vol » mondial pour les déplacements humains : suffisamment riche pour capturer le fonctionnement réel des villes, mais découplé de toute personne identifiable. En apprenant à partir d’un mélange de données géographiques ouvertes et d’échantillons de mobilité réels soigneusement protégés, le système peut recréer des schémas de déplacement typiques dans plus de 1 600 villes et les étendre à des endroits où peu d’informations existent. Cela fournit aux urbanistes, aux ingénieurs des transports et aux chercheurs en santé publique un outil puissant et respectueux de la vie privée pour explorer des scénarios — de nouvelles lignes de bus à des quartiers plus verts — contribuant à rendre les villes futures plus justes, plus propres et mieux préparées au changement.

Citation: 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

Mots-clés: mobilité humaine, données synthétiques, aménagement urbain, IA préservant la vie privée, villes mondiales