Jornal da USP
30/08/2019
Na última semana, a Scientific Reports, renomada revista científica de acesso aberto e com variados temas de ciências naturais e clínicas, publicou um artigo desenvolvido pelos pesquisadores Gabriel Spadon, André Carvalho, José Rodrigues Júnior e Luiz Alves. Os três últimos são membros do Centro de Ciências Matemáticas Aplicadas à Indústria (CeMEAI).
O artigo Reconstructing commuters network using machine learning and urban indicators – em tradução livre, “Reconstruindo as redes de migração pendular usando aprendizado de máquina e indicadores urbanos” – aborda a mobilidade urbana, mais especificamente o fluxo de pessoas que moram em uma cidade e trabalham em outra: a chamada “migração pendular”. Os autores representaram o sistema como uma rede complexa para tentar quantificar o número de pessoas que viajam entre cidades, considerando indicadores além da distância entre as cidades e o tamanho de suas populações.
“Como relatado por outros pesquisadores, a distância desempenha um papel significativo para as pessoas decidirem se irão viajar para trabalhar em outra cidade. Contudo, outros indicadores, como o Produto Interno Bruto (PIB) e a taxa de desemprego, também são forças que impulsionam as pessoas a se deslocarem para trabalhar em outra cidade”, explica Alves.
Os pesquisadores utilizaram o aprendizado de máquina para propor uma abordagem alternativa às utilizadas em outros trabalhos. “Acreditamos que nossos resultados lançam novas luzes na modelagem da migração e reforçam o papel dos indicadores urbanos nos padrões de deslocamento. Eventualmente, esses resultados poderiam ajudar a decidir sobre quais são as regiões que mais sofrem com a falta de infraestrutura ou que se beneficiariam com a mão de obra de outras cidades caso houvesse uma melhora na infraestrutura que conecta duas cidades”, salienta.
A metodologia utilizada pelos autores pode ter implicações em outras áreas, já que a previsão de conexões e a reconstrução de redes complexas ainda são desafios abertos na ciência de redes. Essas técnicas poderiam ser aplicadas, por exemplo, à rede de comércio mundial, em que os vértices são os países e as conexões, transações financeiras. Nesse contexto, métodos de mineração de dados poderiam aprender quais são os atributos de cada país que tornam favorável uma transação financeira entre eles. Outros contextos incluem as redes sociais, em que os vértices são as pessoas e a existência de um vínculo de amizade, as conexões; e as redes metabólicas, em que os vértices são os metabólitos e as conexões são as reações químicas.
Para chegar aos resultados, os pesquisadores utilizaram recursos do CeMEAI, como o cluster Euler. “Nossos resultados revelam que as previsões baseadas em algoritmos de aprendizado de máquina e indicadores urbanos podem reconstruir a rede de migração pendular com 90,4% de precisão e descrever 77,6% da variação observada no fluxo de pessoas entre cidades. O apoio do CeMEAI foi essencial para desenvolver essa pesquisa”, pontua Alves. [1]
[1] Por Leonardo Zacarin / Comunicação CeMEAI.
Como citar esta notícia científica: Jornal da USP. Redes complexas ajudam a entender movimento diário da população entre cidades. Texto de Por Leonardo Zacarin. Saense. https://saense.com.br/2019/08/redes-complexas-ajudam-a-entender-movimento-diario-da-populacao-entre-cidades/. Publicado em 30 de agosto (2019).
