WorldMove, un open data globale per la mobilità umana

Perché i nostri spostamenti quotidiani contano

Ogni giorno, miliardi di spostamenti — camminare verso la scuola, prendere l’autobus per andare al lavoro, visitare parchi o negozi — modellano silenziosamente il respiro e la crescita delle città. Comprendere questi movimenti è essenziale per alleviare gli ingorghi, progettare quartieri più verdi e prepararsi alle epidemie. Eppure i dati dettagliati su dove e quando le persone si muovono sono spesso chiusi nei sistemi delle aziende o vincolati da norme sulla privacy, e molte città — soprattutto nelle regioni a basso reddito — non dispongono quasi di dati. Questo articolo presenta WorldMove, un nuovo approccio globale, aperto e rispettoso della privacy per studiare la mobilità umana senza tracciare alcuna persona reale.

Una mappa mondiale costruita su indizi aperti

Invece di seguire individui tramite telefoni o carte di pagamento, WorldMove parte da dati pubblici già anonimizzati che descrivono gli spazi urbani piuttosto che le persone. Per oltre 1.600 città in 179 paesi, gli autori prima delineano confini urbani precisi usando un database cartografico globale aperto. Ogni città viene poi suddivisa in piccole caselle di un chilometro di lato, come se si sovrapponesse una griglia uniforme al territorio urbano. Per ogni casella raccolgono informazioni aperte: quante persone si stima vi abitino, che tipi di luoghi contiene (come negozi, scuole, parchi o ospedali), quanto è popolare come destinazione di spostamento sulla base delle statistiche di pendolarismo e dove si trova in un semplice sistema di coordinate locale. Questo trasforma la città in un mosaico strutturato di piccole aree, ciascuna con un profilo ricco ma senza identificativi personali.

Insegnare a un’IA a comprendere i luoghi, non le persone

Per insegnare a un sistema di intelligenza artificiale come le persone si muovono tipicamente tra queste aree, il team usa un processo di apprendimento in due fasi. Prima comprimono il profilo di ciascuna casella in una breve “impronta” numerica usando una tecnica chiamata autoencoder. Le caselle che svolgono ruoli simili nella vita cittadina — snodi centrali affollati, sobborghi tranquilli, aree industriali — finiscono vicine nello spazio astratto, anche se si trovano in paesi diversi. Poi, utilizzando registri di mobilità reali ma strettamente protetti provenienti da sei città in Cina, Stati Uniti e Senegal, il sistema impara come queste impronte tendono a essere visitate nel corso di una giornata e di una settimana. Crucialmente, apprende schemi in questo spazio astratto piuttosto che memorizzare percorsi o individui specifici.

Dagli schemi astratti alle strade cittadine

Una volta addestrato, il modello può generare nuove sequenze di movimento dall’aspetto realistico nello spazio astratto delle impronte, utilizzando un moderno processo di “diffusione” che trasforma gradualmente rumore casuale in percorsi plausibili giornalieri. Questi percorsi sintetici vengono quindi riportati sulla griglia reale della città associando ogni punto astratto alla casella cittadina più simile. Il numero di traiettorie generate scala con la popolazione della città ed è regolabile dagli utenti. Il risultato è una settimana completa di storie di mobilità per molti «residenti virtuali» anonimi in qualsiasi città, anche dove non esistono dati di mobilità originali. Insieme alle traiettorie, il progetto rilascia file dei confini, definizioni della griglia e i profili dei luoghi sottostanti, oltre al codice che permette ad altri di generare set di dati personalizzati.

Verificare realismo, equità e privacy

Per garantire che questi viaggi virtuali siano utili, i ricercatori li confrontano con i dati reali nascosti su più dimensioni. Risultano molto simili statistiche di base come la distanza media percorsa, il numero di luoghi distinti visitati in una giornata, la durata delle soste e la frequenza dei ritorni ai luoghi preferiti. Le «leggi» classiche della mobilità umana — per esempio che la maggior parte degli spostamenti sono brevi ma alcuni si estendono lontano, o che un piccolo insieme di luoghi concentra la maggior parte delle visite — emergono naturalmente nei dati sintetici. Su scala cittadina, anche i modelli di flusso pendolare tra quartieri e l’affollamento nelle ore di punta rispecchiano la realtà. Test progettati per rilevare fughe di informazioni mostrano che gli attaccanti non possono affidabilmente distinguere se un determinato schema provenga dai dati di addestramento o sia stato generato dal modello, suggerendo che i percorsi individuali non vengono memorizzati.

Nuove opportunità per pianificazione, salute e equità

Poiché WorldMove è aperto e sintetico, può essere ampiamente condiviso e combinato con altre informazioni pubbliche. Gli autori dimostrano come i dati possano alimentare simulazioni di traffico dettagliate per stimare le emissioni di carbonio da diversi tipi di veicoli e per testare come ridurre i volumi di auto nelle ore di punta potrebbe diminuire drasticamente l’inquinamento. In un altro esempio combinano i movimenti simulati con mappe di spazi verdi e dati demografici di quartiere per studiare l’accesso diseguale ai parchi e i suoi legami con la salute mentale. Mostrano inoltre che aggiungere traiettorie sintetiche a dati reali limitati migliora la precisione dei modelli di previsione della mobilità, specialmente in città con misurazioni scarse.

Un modo sicuro per vedere come si muovono le città

In sostanza, WorldMove offre un «simulatore di volo» globale per il movimento umano: abbastanza ricco da catturare il funzionamento reale delle città, ma scollegato da qualsiasi persona identificabile. Imparando da un mix di dati geografici aperti e campioni di mobilità reale accuratamente protetti, il sistema può ricreare schemi tipici di spostamento in oltre 1.600 città ed estenderli in luoghi dove si sa poco. Questo fornisce a urbanisti, ingegneri dei trasporti e ricercatori della salute pubblica uno strumento potente e rispettoso della privacy per esplorare scenari — dalle nuove linee di autobus ai quartieri più verdi — aiutando a rendere le città future più giuste, pulite e meglio preparate al cambiamento.

Citazione: 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

Parole chiave: mobilità umana, dati sintetici, pianificazione urbana, IA che preserva la privacy, città globali