Con un solo parámetro|Nuevo modelo matemático predice flujos migratorios y epidemias

Saber dónde habrá atascos antes de que los habitantes de un área geográfica salgan de vacaciones es posible gracias a un nuevo modelo matemático, que predice flujos migratorios y de transporte con solo un parámetro, la distribución de la población. La nueva fórmula mejora los resultados del modelo Zipf usado hasta ahora, porque corrige las inconcreciones y la necesidad de datos del método estándar.

El modelo radial, que se presenta esta semana en Nature, mejora la precisión de las herramientas predictivas en función de flujos de movimientos sociales, como la migración, el transporte, la epidemiología e incluso las llamadas telefónicas. El líder del estudio, Filippo Simini, declara a la agencia SINC: «Hay muchos fenómenos de gran interés social y científico que se ven afectados por los patrones de movilidad de un gran número de personas».

Una de las aplicaciones más interesantes es el estudio de poblaciones sin un histórico de datos. A diferencia del método anterior, la falta de información no impide predecir con exactitud la movilidad de una determinada zona. «La precisión en la predicción del número de viajeros entre dos lugares, al igual que dos ciudades, es de gran importancia con el fin de diseñar un sistema de transporte cómodo y funcional, cuya alta o baja calidad tiene el potencial de obstaculizar o mejorar la economía de un país», declara Simini.

Además, los científicos han descubierto que el modelo radial ofrece una descripción cuantitativa más fiable de la movilidad y el transporte en escalas de espacio y tiempo (cada hora, diaria y anual), a partir de procesos como los desplazamientos, las migraciones, el registro de llamadas y las operaciones financieras en los distintos continentes.

Aunque el nuevo modelo haya demostrado una mayor eficacia predictiva que el Zipf, aún tiene que ajustar ciertos parámetros para afinar al máximo sus resultados. En este sentido, Simini explica que la adaptación del modelo a contextos y situaciones específicas, mejora las predicciones mediante la incorporación de información adicional proveniente de los datos de movilidad. Por ejemplo, «reemplazar la distancia geográfica por el tiempo real de viaje entre dos lugares. De esta manera, sabríamos la presencia de sistemas de transporte y qué infraestructuras que reducen eficazmente las distancias».

Texto/SINC