WorldMove, een wereldwijde open data voor menselijke mobiliteit

Waarom onze dagelijkse verplaatsingen ertoe doen

Elke dag vormen miljarden verplaatsingen — lopen naar school, met de bus naar werk, een park of winkel bezoeken — stilletjes de manier waarop steden ademen en groeien. Het begrijpen van deze bewegingen is essentieel om files te verminderen, groenere buurten te plannen en zich voor te bereiden op ziekte-uitbraken. Gedetailleerde gegevens over waar en wanneer mensen zich verplaatsen zitten echter vaak achter bedrijfsdeuren of privacyregels, en veel steden — vooral in laaginkomensregio’s — hebben bijna geen data. Dit artikel introduceert WorldMove, een nieuwe wereldwijde, open en privacy‑beschermende manier om menselijke mobiliteit te bestuderen zonder echte personen te volgen.

Een wereldkaart opgebouwd uit open aanwijzingen

In plaats van individuen te volgen via hun telefoons of bankkaarten, begint WorldMove met publiek beschikbare, reeds geanonimiseerde gegevens die stadsruimten beschrijven in plaats van mensen. Voor meer dan 1.600 steden in 179 landen tekenen de auteurs eerst nauwkeurige stadsgrenzen met behulp van een open wereldwijde kaartendatabase. Elke stad wordt vervolgens verdeeld in kleine, één kilometer brede vakjes, alsof er een uniform raster over het stedelijke landschap wordt gelegd. Voor elk vakje verzamelen ze open informatie: hoeveel mensen naar schatting daar wonen, wat voor soorten plaatsen het bevat (zoals winkels, scholen, parken of ziekenhuizen), hoe populair het is als reisbestemming op basis van woon‑werkstatistieken en waar het zich bevindt in een eenvoudig lokaal coördinaatsysteem. Dit verandert de stad in een gestructureerd mozaïek van kleine gebieden, elk met een rijk profiel maar zonder persoonlijke identifiers.

Een AI leren plaatsen te begrijpen, niet mensen

Om een kunstmatig intelligentiesysteem te leren hoe mensen doorgaans tussen deze gebieden bewegen, gebruikt het team een leerproces in twee stappen. Eerst comprimeren ze het profiel van elk vakje tot een korte numerieke “vingerafdruk” met een techniek die een autoencoder heet. Vakjes die vergelijkbare rollen in het stadsleven vervullen — drukke binnenstadskernen, rustige buitenwijken, industriële zones — komen dicht bij elkaar te liggen in deze abstracte ruimte, ook al horen ze bij verschillende landen. Vervolgens leert het systeem, met echte maar strikt beschermde mobiliteitsgegevens uit zes steden in China, de Verenigde Staten en Senegal, hoe deze vingerafdrukken gewoonlijk bezocht worden gedurende een dag en een week. Cruciaal is dat het patronen leert in deze abstracte ruimte in plaats van specifieke routes of individuen te onthouden.

Van abstracte patronen terug naar de straten van de stad

Eenmaal getraind kan het model nieuwe, realistisch ogende sequenties van bewegingen genereren in de abstracte vingerafdrukruimte, met behulp van een moderne “diffusie”‑procedure die geleidelijk willekeurige ruis vormt tot plausibele dagelijkse paden. Deze synthetische paden worden vervolgens teruggeprojecteerd op het echte stadsraster door elk abstract punt te koppelen aan het meest vergelijkbare stadsvakje. Het aantal gegenereerde trajecten schaalt met de bevolking van de stad en kan door gebruikers worden aangepast. Het resultaat is een volledige week aan bewegingsgeschiedenissen voor vele anonieme “virtuele bewoners” in elke stad, zelfs waar geen oorspronkelijke mobiliteitsdata bestaan. Naast de trajecten publiceert het project grensbestanden, rasterdefinities en de onderliggende plaatsprofielen, plus code waarmee anderen aangepaste datasets kunnen genereren.

Realiteitsgehalte, eerlijkheid en privacy controleren

Om ervoor te zorgen dat deze virtuele reizen nuttig zijn, vergelijken de onderzoekers ze met de verborgen echte wereldgegevens op meerdere dimensies. Ze constateren dat basale statistieken zoals hoe ver mensen doorgaans reizen, hoeveel verschillende plaatsen ze op een dag bezoeken, hoe lang ze verblijven en hoe vaak ze terugkeren naar favoriete plekken dicht overeenkomen. Klassieke “wetten” van menselijke mobiliteit — zoals dat de meeste reizen kort zijn maar sommige ver reiken, of dat een klein aantal plaatsen het grootste deel van de bezoeken verklaart — komen natuurlijk naar voren in de synthetische data. Op stadsniveau weerspiegelen patronen van woon‑werkstromen tussen wijken en spitsdrukte ook de realiteit. Tests die bedoeld zijn om privacylekken op te sporen laten zien dat aanvallers niet betrouwbaar kunnen vaststellen of een specifiek patroon uit de trainingsdata afkomstig is of door het model is gegenereerd, wat suggereert dat individuele paden niet worden gememoriseerd.

Nieuwe mogelijkheden voor planning, gezondheid en gelijkheid

Omdat WorldMove open en synthetisch is, kan het breed worden gedeeld en gecombineerd met andere publieke informatie. De auteurs laten zien hoe de data gedetailleerde verkeerssimulaties kunnen aandrijven om de CO2‑emissies van verschillende voertuigtypes te schatten en om te testen hoe het verminderen van autovolumes tijdens de spits de vervuiling sterk kan terugdringen. In een ander voorbeeld combineren ze gesimuleerde bewegingen met kaarten van groenvoorzieningen en buurt‑demografieën om ongelijke toegang tot parken en de verbanden met mentale gezondheid te bestuderen. Ze tonen ook aan dat het toevoegen van synthetische trajecten aan beperkte echte data de nauwkeurigheid van mobiliteitsvoorspellingsmodellen verbetert, vooral in steden met slechts spaarzame metingen.

Een veilige manier om te zien hoe steden bewegen

In wezen biedt WorldMove een wereldwijde “vluchtsimulator” voor menselijke bewegingen: rijk genoeg om vast te leggen hoe steden echt functioneren, maar losgekoppeld van elke identificeerbare persoon. Door te leren van een mix van open geografische data en zorgvuldig beschermde voorbeelden van echte mobiliteit, kan het systeem typische reispatronen recreëren in meer dan 1.600 steden en deze uitbreiden naar plaatsen waar weinig bekend is. Dit geeft stedenbouwkundigen, vervoersingenieurs en onderzoekers in de publieke gezondheid een krachtig, privacy‑respecterend instrument om what‑if‑vragen te verkennen — van nieuwe buslijnen tot groenere wijken — en helpt toekomstige steden eerlijker, schoner en beter voorbereid op veranderingen te maken.

Bronvermelding: 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

Trefwoorden: menselijke mobiliteit, synthetische data, stedelijke planning, privacy‑beschermende AI, wereldsteden