WorldMove, ett globalt öppet data för mänsklig rörlighet

Varför våra dagliga rörelser spelar roll

Varje dag formar miljarder resor—att gå till skolan, ta bussen till jobbet, besöka parker eller butiker—tyst hur städer andas och växer. Att förstå dessa rörelser är avgörande för att minska trafikstockningar, planera grönare kvarter och förbereda sig för sjukdomsutbrott. Ändå är detaljerade data om var och när människor rör sig ofta låsta bakom företagsgränser eller sekretessregler, och många städer—särskilt i låginkomstregioner—har nästan inga data alls. Den här artikeln presenterar WorldMove, ett nytt globalt, öppet och sekretessbevarande sätt att studera mänsklig rörlighet utan att spåra någon verklig person.

En världskarta byggd av öppna ledtrådar

I stället för att följa individer via telefoner eller bankkort utgår WorldMove från offentligt tillgängliga, redan anonymiserade data som beskriver stadsrum snarare än människor. För mer än 1 600 städer i 179 länder ritar författarna först precisa stadsgränser med hjälp av en öppen global kartdatabas. Varje stad delas därefter in i små, en kilometer breda rutor, ungefär som att lägga ett enhetligt rutnät över den urbana ytan. För varje ruta samlar de öppen information: hur många som beräknas bo där, vilka typer av platser den innehåller (som butiker, skolor, parker eller sjukhus), hur populär den är som resmål baserat på pendlingstatistik, och var den ligger i ett enkelt lokalt koordinatsystem. Detta förvandlar staden till en strukturerad mosaik av små områden, var och en med en rik profil men utan personliga identifierare.

Att lära en AI att förstå platser, inte människor

För att lära ett artificiellt intelligenssystem hur människor vanligtvis rör sig mellan dessa områden använder teamet en tvåstegsinlärningsprocess. Först komprimerar de varje rutes profil till ett kort numeriskt ”fingeravtryck” med en teknik som kallas autoencoder. Rutor som spelar liknande roller i stadslivet—surriga centrumkärnor, lugna förorter, industrizoner—hamnar nära varandra i detta abstrakta rum, även om de tillhör olika länder. Därefter, med hjälp av verkliga men strikt skyddade rörlighetsdata från sex städer i Kina, USA och Senegal, lär sig systemet hur dessa fingeravtryck tenderar att besökas under en dag och en vecka. Viktigt är att det lär sig mönster i detta abstrakta rum snarare än att memorera specifika rutter eller individer.

Från abstrakta mönster tillbaka till stadens gator

När modellen är tränad kan den generera nya, realistiskt utseende sekvenser av rörelser i det abstrakta fingeravtrycksrymmet, med hjälp av en modern ”diffusions”process som gradvis formar slumpmässigt brus till sannolika dagliga banor. Dessa syntetiska banor kartläggs sedan tillbaka på det verkliga stadsnätet genom att para varje abstrakt punkt med den mest liknande stadsrutan. Antalet genererade trafikstråk skalas med stadens befolkning och kan justeras av användare. Resultatet är en hel veckas rörelsehistorik för många anonyma ”virtuella invånare” i vilken stad som helst, även där inga ursprungliga rörlighetsdata finns. Tillsammans med banorna släpper projektet gränsfiler, rutnätsdefinitioner och de underliggande platsprofilerna, plus kod som låter andra generera egna dataset.

Kontroll av realism, rättvisa och sekretess

För att säkerställa att dessa virtuella resor är användbara jämför forskarna dem med de dolda verkliga världesdata över flera dimensioner. De finner att grundläggande statistik såsom hur långt människor tenderar att resa, hur många olika platser de besöker på en dag, hur länge de stannar och hur ofta de återvänder till favoriter stämmer väl överens. Klassiska ”lagar” för mänsklig rörlighet—som att de flesta resor är korta men några få sträcker sig långt, eller att en liten uppsättning platser står för majoriteten av besöken—uppträder naturligt i de syntetiska data. På stadsnivå speglar också mönster av pendelflöden mellan områden och trängsel under rusningstid verkligheten. Tester utformade för att upptäcka sekretessläckor visar att angripare inte med tillförlitlighet kan avgöra om ett specifikt mönster kom från träningsdata eller genererades av modellen, vilket tyder på att individuella rutter inte memoreras.

Nya möjligheter för planering, hälsa och jämlikhet

Där WorldMove är öppet och syntetiskt kan det delas och kombineras med annan offentlig information i stor skala. Författarna visar hur data kan driva detaljerade trafikssimuleringar för att uppskatta koldioxidutsläpp från olika fordonskategorier och för att testa hur minskad biltrafik vid rusningstid kraftigt kan reducera föroreningar. I ett annat exempel kombinerar de simulerade rörelser med kartor över grönområden och befolkningsdemografi för att studera ojämlik tillgång till parker och dess koppling till psykisk hälsa. De visar också att tillägg av syntetiska banor till begränsade verkliga data förbättrar noggrannheten i modeller för rörlighetsprognoser, särskilt i städer med endast sparsamma mätningar.

Ett säkert sätt att se hur städer rör sig

I grunden erbjuder WorldMove en global ”flygsimulator” för mänsklig rörelse: tillräckligt rik för att fånga hur städer faktiskt fungerar, men frikopplad från någon identifierbar person. Genom att lära av en blandning av öppna geografiska data och noggrant skyddade stickprov av verklig rörlighet kan systemet återskapa typiska resebeteenden i mer än 1 600 städer och förlänga dem till platser där lite är känt. Detta ger stadsplanerare, trafikingenjörer och folkhälsoforskare ett kraftfullt, sekretessrespektfullt verktyg för att utforska ”tänk om”-scenarier—från nya busslinjer till grönare kvarter—och hjälper till att göra framtidens städer rättvisare, renare och bättre förberedda för förändring.

Citering: 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

Nyckelord: mänsklig rörlighet, syntetiska data, stadsplanering, sekretessbevarande AI, globala städer