WorldMove, um banco de dados aberto global sobre mobilidade humana

Por que nossos deslocamentos diários importam

Todos os dias, bilhões de deslocamentos — caminhar até a escola, pegar o ônibus para o trabalho, visitar parques ou lojas — moldam silenciosamente como as cidades respiram e se desenvolvem. Compreender esses movimentos é essencial para aliviar engarrafamentos, planejar bairros mais verdes e preparar respostas a surtos de doenças. Ainda assim, dados detalhados sobre onde e quando as pessoas se movem geralmente ficam presos atrás de paredes corporativas ou regras de privacidade, e muitas cidades — especialmente em regiões de baixa renda — praticamente não têm dados. Este artigo apresenta o WorldMove, uma nova forma global, aberta e que preserva a privacidade de estudar a mobilidade humana sem rastrear nenhuma pessoa real.

Um mapa mundial construído a partir de pistas abertas

Em vez de seguir indivíduos por seus telefones ou cartões bancários, o WorldMove parte de dados publicamente disponíveis e já anonimizados que descrevem os espaços da cidade em vez das pessoas. Para mais de 1.600 cidades em 179 países, os autores primeiro delimitam fronteiras urbanas precisas usando um banco de dados cartográfico global aberto. Cada cidade é então dividida em pequenas quadrículas de um quilômetro de largura, como sobrepor uma malha uniforme ao tecido urbano. Para cada quadrado, eles coletam informações abertas: quantas pessoas se estima que vivam ali, que tipos de lugares contém (como lojas, escolas, parques ou hospitais), quão popular é como destino de viagens com base em estatísticas de deslocamento e onde se posiciona em um sistema de coordenadas local simples. Isso transforma a cidade em um mosaico estruturado de pequenas áreas, cada uma com um perfil rico, sem identificadores pessoais.

Ensinando uma IA a entender lugares, não pessoas

Para ensinar um sistema de inteligência artificial como as pessoas tipicamente se movem entre essas áreas, a equipe usa um processo de aprendizado em duas etapas. Primeiro, eles comprimem o perfil de cada quadrado em uma curta “impressão digital” numérica usando uma técnica chamada autoencoder. Quadrados que desempenham papéis semelhantes na vida urbana — centros movimentados, bairros residenciais tranquilos, zonas industriais — acabam próximos uns dos outros nesse espaço abstrato, mesmo que pertençam a países diferentes. Em seguida, usando registros de mobilidade reais, mas estritamente protegidos, de seis cidades na China, nos Estados Unidos e no Senegal, o sistema aprende como essas impressões tendem a ser visitadas ao longo do dia e da semana. Fundamentalmente, aprende padrões nesse espaço abstrato em vez de memorizar rotas ou indivíduos específicos.

Dos padrões abstratos de volta às ruas da cidade

Uma vez treinado, o modelo pode gerar novas sequências de movimento com aparência realista no espaço abstrato das impressões digitais, usando um processo moderno de “difusão” que gradualmente molda ruído aleatório em trajetos diários plausíveis. Essas trajetórias sintéticas são então mapeadas de volta para a grade real da cidade ao emparelhar cada ponto abstrato com o quadrado urbano mais semelhante. O número de trajetórias geradas escala com a população da cidade e pode ser ajustado pelos usuários. O resultado é uma semana completa de históricos de movimento para muitos “residentes virtuais” anônimos em qualquer cidade, mesmo onde não existam dados originais de mobilidade. Junto com as trajetórias, o projeto libera arquivos de limites, definições da grade e os perfis de local subjacentes, além do código que permite a outros gerar conjuntos de dados personalizados.

Verificando realismo, equidade e privacidade

Para garantir que essas jornadas virtuais sejam úteis, os pesquisadores as comparam com os dados reais ocultos em diversas dimensões. Eles constatam que estatísticas básicas, como a distância que as pessoas tendem a percorrer, quantos lugares distintos visitam em um dia, quanto tempo permanecem em um local e com que frequência retornam a pontos favoritos, coincidem de perto. “Leis” clássicas da mobilidade humana — como a maioria das viagens ser curta, embora algumas se estendam por longas distâncias, ou um pequeno conjunto de lugares concentrar a maior parte das visitas — emergem naturalmente nos dados sintéticos. Em escala urbana, padrões de fluxos de deslocamento entre bairros e a lotação em horários de pico também espelham a realidade. Testes projetados para detectar vazamentos de privacidade mostram que atacantes não conseguem determinar de forma confiável se um padrão específico veio dos dados de treinamento ou foi gerado pelo modelo, o que sugere que trajetórias individuais não estão sendo memorizadas.

Novas possibilidades para planejamento, saúde e equidade

Por ser aberto e sintético, o WorldMove pode ser amplamente compartilhado e combinado com outras informações públicas. Os autores demonstram como os dados podem alimentar simulações detalhadas de tráfego para estimar emissões de carbono de diferentes tipos de veículos e testar como reduzir o volume de carros no horário de pico poderia diminuir drasticamente a poluição. Em outro exemplo, combinam movimentos simulados com mapas de espaços verdes e demografia de bairros para estudar o acesso desigual a parques e suas ligações com a saúde mental. Também mostram que adicionar trajetórias sintéticas a dados reais limitados melhora a precisão de modelos de previsão de mobilidade, especialmente em cidades com medições esparsas.

Uma forma segura de ver como as cidades se movem

Essencialmente, o WorldMove oferece um “simulador de voo” global para o movimento humano: rico o bastante para capturar como as cidades realmente funcionam, mas desconectado de qualquer pessoa identificável. Ao aprender a partir de uma mistura de dados geográficos abertos e amostras de mobilidade real cuidadosamente protegidas, o sistema pode recriar padrões típicos de deslocamento em mais de 1.600 cidades e estendê‑los a locais pouco conhecidos. Isso fornece a planejadores urbanos, engenheiros de transporte e pesquisadores de saúde pública uma ferramenta poderosa que respeita a privacidade para explorar cenários — de novas linhas de ônibus a bairros mais verdes — ajudando a tornar as cidades futuras mais justas, limpas e melhor preparadas para mudanças.

Citação: 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

Palavras-chave: mobilidade humana, dados sintéticos, planejamento urbano, IA que preserva privacidade, cidades globais