WorldMove, globalne otwarte dane o mobilności ludzkiej

Dlaczego nasze codzienne ruchy mają znaczenie

Codziennie miliardy podróży — spacer do szkoły, przejazd autobusem do pracy, wyjście do parku czy sklepu — cicho kształtują sposób, w jaki miasta oddychają i się rozwijają. Zrozumienie tych ruchów jest kluczowe dla łagodzenia korków, planowania bardziej zielonych dzielnic i przygotowań na wybuchy chorób. Szczegółowe dane o tym, gdzie i kiedy ludzie się przemieszczają, często jednak są zamknięte za ścianami korporacji lub restrykcjami prywatności, a wiele miast — zwłaszcza w regionach o niskich dochodach — praktycznie ich nie posiada. Ten artykuł przedstawia WorldMove, nowy, globalny, otwarty i chroniący prywatność sposób badania mobilności ludzi bez śledzenia jakiejkolwiek rzeczywistej osoby.

Mapa świata zbudowana z otwartych wskazówek

Zamiast śledzić osoby przez telefony czy karty płatnicze, WorldMove opiera się na publicznie dostępnych, już zanonimizowanych danych opisujących przestrzeń miejską, a nie ludzi. Dla ponad 1 600 miast w 179 krajach autorzy najpierw wyznaczają precyzyjne granice miasta korzystając z otwartej globalnej bazy map. Każde miasto dzielone jest następnie na małe kwadraty o szerokości jednego kilometra, jak nakładanie jednolitej siatki na krajobraz miejski. Dla każdego kwadratu zbierają otwarte informacje: ile osób się tam szacunkowo mieszka, jakie miejsca się tam znajdują (np. sklepy, szkoły, parki czy szpitale), jak popularny jest jako cel podróży na podstawie statystyk dojazdów oraz gdzie leży w prostym lokalnym układzie współrzędnych. To przekształca miasto w uporządkowaną mozaikę małych obszarów, z których każdy ma bogaty profil, ale nie zawiera identyfikatorów osobowych.

Nauka AI, by rozumieć miejsca, a nie ludzi

Aby nauczyć system sztucznej inteligencji, jak ludzie zazwyczaj przemieszczają się między tymi obszarami, zespół stosuje dwuetapowy proces uczenia. Najpierw kompresują profil każdego kwadratu do krótkiego numerycznego „odcisku” przy użyciu techniki zwanej autoenkoderem. Kwadraty pełniące podobne role w życiu miasta — tłoczne centra, ciche przedmieścia, strefy przemysłowe — znajdują się blisko siebie w tej abstrakcyjnej przestrzeni, nawet jeśli leżą w różnych krajach. Następnie, używając rzeczywistych, lecz ściśle chronionych zapisów mobilności z sześciu miast w Chinach, USA i Senegalu, system uczy się, jak te odciski są odwiedzane w ciągu dnia i tygodnia. Istotne jest to, że uczy się wzorców w tej abstrakcyjnej przestrzeni, zamiast zapamiętywać konkretne trasy czy osoby.

Z abstrakcyjnych wzorców z powrotem na ulice miasta

Po przeszkoleniu model potrafi generować nowe, realistycznie wyglądające sekwencje ruchu w abstrakcyjnej przestrzeni odcisków, używając nowoczesnego procesu „dyfuzji”, który stopniowo przekształca losowy szum w prawdopodobne codzienne ścieżki. Te syntetyczne trasy są następnie mapowane z powrotem na rzeczywistą siatkę miasta, przez parowanie każdego abstrakcyjnego punktu z najbardziej podobnym kwadratem miejskim. Liczba wygenerowanych trajektorii skaluje się z populacją miasta i może być regulowana przez użytkowników. Wynikiem jest pełen tydzień historii ruchu dla wielu anonimowych „wirtualnych mieszkańców” w dowolnym mieście, nawet tam, gdzie nie istnieją pierwotne dane o mobilności. Wraz z trasami projekt udostępnia pliki granic, definicje siatki oraz podstawowe profile miejsc, a także kod pozwalający innym generować własne zestawy danych.

Sprawdzanie realizmu, równości i prywatności

Aby upewnić się, że te wirtualne podróże są użyteczne, badacze porównują je z ukrytymi danymi rzeczywistymi na wielu wymiarach. Stwierdzają, że podstawowe statystyki, takie jak typowe dystanse podróży, liczba różnych miejsc odwiedzanych w ciągu dnia, czas spędzany w jednym miejscu oraz częstotliwość powrotów do ulubionych punktów, są bliskie rzeczywistości. Klasyczne „prawa” mobilności ludzkiej — np. większość podróży jest krótka, ale kilka rozciąga się daleko, albo niewielki zestaw miejsc odpowiada za większość wizyt — pojawiają się naturalnie w danych syntetycznych. Na poziomie miasta wzorce przepływów dojazdowych między dzielnicami oraz zatłoczenie w godzinach szczytu również odzwierciedlają rzeczywistość. Testy mające wykryć wycieki prywatności pokazują, że atakujący nie są w stanie wiarygodnie określić, czy konkretny wzór pochodził z danych treningowych, czy został wygenerowany przez model, co sugeruje, że indywidualne trasy nie są zapamiętywane.

Nowe możliwości dla planowania, zdrowia i równości

Ponieważ WorldMove jest otwarty i syntetyczny, można go szeroko udostępniać i łączyć z innymi informacjami publicznymi. Autorzy pokazują, jak dane mogą zasilać szczegółowe symulacje ruchu, by oszacować emisje węgla z różnych typów pojazdów i sprawdzić, jak ograniczenie liczby samochodów w godzinach szczytu mogłoby znacząco zmniejszyć zanieczyszczenie. W innym przykładzie łączą symulowane przemieszczania z mapami terenów zielonych i demografią sąsiedztw, by badać nierówny dostęp do parków i powiązania z zdrowiem psychicznym. Wykazują też, że dodanie syntetycznych trajektorii do ograniczonych danych rzeczywistych poprawia dokładność modeli predykcji mobilności, zwłaszcza w miastach z nielicznymi pomiarami.

Bezpieczny sposób obserwacji ruchu miast

W istocie WorldMove oferuje globalny „symulator lotu” dla ruchu ludzkiego: na tyle bogaty, by uchwycić, jak miasta naprawdę funkcjonują, ale odłączony od jakiejkolwiek możliwej do zidentyfikowania osoby. Ucząc się na mieszaninie otwartych danych geograficznych i starannie chronionych próbek rzeczywistej mobilności, system potrafi odtworzyć typowe wzorce podróży w ponad 1 600 miastach i rozszerzyć je na miejsca, o których wiadomo niewiele. Daje to planistom miejskim, inżynierom transportu i badaczom zdrowia publicznego potężne, szanujące prywatność narzędzie do badania scenariuszy — od nowych linii autobusowych po zielniejsze dzielnice — pomagając uczynić przyszłe miasta sprawiedliwszymi, czyściejszymi i lepiej przygotowanymi na zmiany.

Cytowanie: 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

Słowa kluczowe: mobilność ludzka, dane syntetyczne, planowanie urbanistyczne, Sztuczna inteligencja chroniąca prywatność, miasta świata