Inferência do propósito de viagens pessoais com base em zonas funcionais dinâmicas por horário e faixa etária

Por que suas viagens importam mais do que você imagina

Todos os dias, milhões de deslocamentos são silenciosamente registrados por smartphones e sistemas de transporte, mostrando onde as pessoas se movimentam, mas não por quê. Elas estão indo para o trabalho, voltando para casa, encontrando amigos ou comprando? Este estudo mostra como esses “por quês” invisíveis podem ser inferidos a partir de grandes massas de dados anônimos de movimento, lendo cuidadosamente como o caráter dos bairros muda ao longo do tempo e entre faixas etárias. O resultado é uma ferramenta poderosa que pode ajudar cidades a planejar sistemas de transporte mais justos e eficientes sem a necessidade de realizar continuamente pesquisas caras.

De pontos no mapa para atividades da vida real

Cidades modernas coletam enormes quantidades de dados de localização de fontes como telefones móveis, cartões inteligentes de transporte e rastros de GPS. Esses registros são ricos em detalhes sobre origens e destinos, mas quase nunca incluem o propósito da viagem. Tradicionalmente, pesquisadores dependem de pesquisas domiciliares detalhadas—onde as pessoas relatam por que viajaram—para construir regras ou modelos de aprendizado de máquina que possam ser aplicados a esses conjuntos de dados maiores. Contudo, a maior parte dos trabalhos anteriores tratava o uso do solo de cada destino como estático: um lugar era simplesmente rotulado como “residencial”, “trabalho” ou “comércio”, independentemente da hora do dia ou de quem o visitava.

Capturando como os bairros mudam ao longo do dia

Os autores argumentam que as áreas urbanas se comportam de maneira muito diferente conforme as horas e as faixas etárias. Um distrito próximo a uma universidade pode atender principalmente estudantes pela manhã, trabalhadores de escritório ao meio-dia e frequentadores de bares ou restaurantes à noite. Parques, escolas, igrejas e escritórios também atraem faixas etárias distintas em horários diferentes. Para capturar isso, o estudo constrói “zonas funcionais dinâmicas por horário e faixa etária” para cada pequeno distrito administrativo de Seul. A equipe combina mais de 770.000 registros de pontos de interesse—como residências, locais de trabalho, escolas, lojas, unidades de saúde e locais de lazer—com dados de check-in do Yelp Open Dataset e padrões etários de pesquisas nacionais de viagens domiciliares e pessoais da Coreia. Eles dividem o dia em seis faixas horárias e a população em quatro grupos etários, atribuindo pesos diferentes a cada tipo de lugar dependendo de quando e por quem ele é tipicamente visitado. Isso cria um perfil sensível a horário e idade do que cada bairro é principalmente utilizado em diferentes condições.

Ensinando máquinas a adivinhar por que as pessoas viajam

Usando essas zonas funcionais dinâmicas como entradas principais, junto com idade e gênero dos viajantes, horário da viagem, distância e acesso a transporte, os pesquisadores treinam dois tipos de modelos para inferir o propósito da viagem: um modelo de extreme gradient boosting (XGBoost) e uma rede neural de memória de longo curto prazo (LSTM). Ambos são treinados em quase 401.000 viagens de pesquisa que incluem propósitos conhecidos, agrupados em cinco categorias amplas: ir para casa, ir ao trabalho, educação, compras ou alimentação, e outros motivos. Em testes, o XGBoost supera levemente o LSTM, identificando corretamente os propósitos das viagens em cerca de 84% das vezes, contra 78% para a rede neural. Quando os autores removem a dinâmica por horário e idade e usam apenas funções estáticas dos bairros, a precisão cai em até 3 pontos percentuais, confirmando que o caráter mutável dos lugares realmente ajuda os modelos a entender por que as pessoas se movem.

Aplicando o método a dados reais de telefonia

A equipe então aplica seus modelos treinados a um massivo conjunto de dados de “movimento do cotidiano” de Seul, construído a partir de sinais anônimos de telefones móveis. Esse conjunto cobre milhões de viagens, mas rotula apenas de forma aproximada origens e destinos como casa, trabalho ou “outros”, sem propósitos explícitos. Os modelos inferem propósitos para quase quatro milhões de viagens ao longo de um mês. Mais da metade é classificada como relacionada à casa e cerca de um terço como relacionada ao trabalho, com participações menores para educação e compras ou alimentação. Onde os rótulos de movimento são claros—como casa-para-trabalho ou trabalho-para-casa—os propósitos inferidos concordam com os tipos derivados do telefone em cerca de 68% e 74% das vezes, respectivamente. Os padrões por hora e idade também fazem sentido: viagens no início da manhã e no fim da tarde tendem a ser deslocamentos para o trabalho, viagens de adolescentes são frequentemente para a educação, e deslocamentos noturnos tendem a ser retorno para casa.

O que isso significa para as viagens do dia a dia

De forma direta, o estudo mostra que ao combinar mapas detalhados do que os bairros oferecem com quando e por quem esses lugares são usados, as cidades podem inferir de forma confiável as razões por trás da maioria das viagens, mesmo quando as pessoas nunca respondem a uma pesquisa. Isso abre a porta para usar dados existentes de telefone e transporte para entender deslocamentos pendulares, idas à escola, compras e viagens de lazer em escalas finas. Planejadores poderiam, por exemplo, identificar onde viagens noturnas de distritos comerciais para áreas residenciais densas requerem mais ônibus, ou onde movimentos relacionados à escola sugerem rotas mais seguras para pedestres e ciclistas. Embora o método ainda tenha dificuldades com viagens mais raras ou de propósito misto, ele demonstra um caminho prático para transformar rastros anônimos de movimento em narrativas significativas sobre como e por que as pessoas se deslocam pela cidade.

Citação: Lee, J., Park, S. Personal trip purpose inference based on dynamic time–age functional zones. Sci Rep 16, 14608 (2026). https://doi.org/10.1038/s41598-026-45683-y

Palavras-chave: propósito da viagem, mobilidade urbana, zonas funcionais, planejamento de transportes, dados de telefonia móvel