Pesquisadores da Purdue University e da Peking University realizaram recentemente um estudo com o objetivo de entender melhor as redes rodoviárias em cidades do mundo todo usando ferramentas de aprendizado de máquina. Seu artigo, publicado na Nature Machine Intelligence, descreve os resultados de uma análise aprofundada e orientada por dados de dados relacionados a mapas de estradas capturados em 30 cidades em todo o mundo.
“As redes de estradas urbanas (URNs) servem como o motor econômico de uma cidade e são moldadas por vários fatores socioeconômicos (incluindo população, economia) e histórico de desenvolvimento urbano”, Dr. Satish V. Ukkusuri e Dr. Jianzhu Ma, dois dos os pesquisadores que realizaram o estudo, disseram ao TechXplore. “Eles desempenham um papel central na mobilidade humana, boa movimentação, disseminação de vírus biológicos e geração de poluição. No entanto, as métricas tradicionais da rede rodoviária baseadas em medidas simples fornecem apenas uma caracterização grosseira das URNs”.
Estudos anteriores sugerem que há uma série de padrões na homogeneidade espacial das URNs. Esses padrões podem ser capturados usando redes neurais gráficas (GNNs), ferramentas avançadas de aprendizado de máquina baseadas em gráficos que são frequentemente usadas em aplicativos de visão computacional e processamento de linguagem natural.
Uma das principais vantagens dos GNNs é que eles podem aprender representações de rede analisando grandes quantidades de dados. Em seu artigo, Ukkusuri, Ma e seus colegas usaram especificamente GNNs para analisar mais de 11.790 URNs em 30 cidades em todo o mundo, com o objetivo de prever uma nova métrica, apelidada de homogeneidade de rede.
“Muitos planejadores urbanos analisaram cidades usando abordagens caso a caso que estudam cada cidade isoladamente”, explicaram Ukkusuri e Ma. “No entanto, as comparações quantitativas do ambiente urbano em diferentes cidades usando dados globais são limitadas. Queríamos utilizar o poder de nosso método de aprendizado de máquina e as informações de dados massivos para entender o sistema urbano de maneira global, incluindo cidades de países desenvolvidos ou países em desenvolvimento.”
Ukkusuri, Reilly Professor de Engenharia Civil da Purdue University, vem realizando pesquisas com foco em modelagem de sistemas de transporte, análise de redes urbanas e sustentabilidade de transporte por duas décadas. Ma, por outro lado, é professor associado da Universidade de Pequim que vem explorando o potencial do aprendizado de máquina baseado em gráficos em vários campos, incluindo biologia.
“Nosso interesse comum em URNs e experiência anterior de pesquisa em GNNs é o que levou nossa equipe a explorar a homogeneidade da rede rodoviária no ano passado”, disseram Ukkusuri e Ma.
“O objetivo principal é extrair informações detalhadas da rede rodoviária e apresentar suas conexões com o desenvolvimento intramunicipal e a similaridade urbana intermunicipal.”
Antes de realizar suas análises, os pesquisadores dividiram todos os URNs em seu conjunto de dados em duas partes: a “região oculta” e a “região observada”. Posteriormente, eles treinaram especificamente os GNNs para aprender os padrões de estrutura das redes rodoviárias nas regiões observadas, para que pudessem prever a estrutura da rede na região oculta.
Em seu artigo, Ukkusuri e Ma definiram a métrica que investigaram, “homogeneidade da rede”, como a pontuação F1 do desempenho do modelo na previsão da região oculta nos dados URN. As pontuações F1 representam a precisão e a exatidão de recuperação de classificadores ou métodos de aprendizado de máquina.
No contexto do estudo da equipe, uma pontuação F1 mais alta implicava que o modelo provavelmente inferiria com precisão a região oculta da região observada. Assim, também significou uma maior homogeneidade de URNs.
“Nossa métrica de homogeneidade de rede quantifica a similaridade intracidades e intermunicipais das URNs. A similaridade intracidades é percebida pelos agentes em movimento por meio de atividades diárias inconscientemente, e pelos planejadores urbanos por meio de exames profissionais qualitativamente”, disseram Ukkusuri e Ma. “Além disso, os humanos caracterizaram a semelhança entre cidades há muito tempo, quando chamaram Budapeste ou Xangai de ‘Paris do Oriente’. O progresso da avaliação qualitativa para a medida quantitativa nos permite registrar, comparar e prever com eficiência as evoluções urbanas de maneira padrão.”
A evolução das redes viárias nas grandes cidades é tipicamente guiada por políticas de planejamento urbano de cima para baixo. O modelo gráfico baseado em rede neural e a métrica introduzida por Ukkusuri, Ma e seus colegas podem ajudar a avaliar e comparar algumas dessas políticas.
“Na China, um slogan comum durante a urbanização é: ‘siga consistentemente um plano’ (chinês: ?), o que implica que as partes interessadas urbanas precisam manter uma política de planejamento urbano constante por um longo período”, Ukkusuri e Ma explicou. “Os urbanistas poderiam usar a métrica de homogeneidade que propusemos para medir a semelhança de URNs construídas em diferentes idades e, finalmente, verificar a consistência temporal das construções urbanas no período.”
Além de apresentar uma métrica que pode auxiliar na avaliação de políticas de planejamento urbano, o estudo dos pesquisadores revelou conexões entre URNs, produto interno bruto de um país e crescimento populacional. Os resultados que coletaram confirmam a estreita ligação entre as atividades humanas e os ambientes urbanos.
“Os insights de nosso estudo nos permitem entender a interação complicada entre vários fatores no sistema urbano”, Ukkusuri e Ma. “A característica única do nosso trabalho é que nós conectamos o aprendizado de máquina com a ciência urbana: a pontuação F1 é uma medida padrão no aprendizado de máquina e a homogeneidade caracteriza a estrutura de rede dos URNs”.
Ukkusuri, Ma e seus colegas foram os primeiros a investigar se os sistemas URN podem ser analisados por modelos de aprendizado de máquina de maneira significativa. Suas descobertas sugerem que modelos avançados de aprendizado de máquina podem ser usados para extrair informações ricas relacionadas a fatores socioeconômicos e à evolução das cidades ao longo do tempo.
“Imagine quando você anda na esquina de uma rua, às vezes você pode até prever como será o próximo quarteirão simplesmente com base no bairro que você acabou de passar”, disseram Ukkusuri e Ma. “Quando você está dirigindo em uma cidade que nunca esteve, às vezes você se sente muito familiarizado com a área ao redor e sente que é como outra cidade que você conhece. Isso pode acontecer em diferentes cidades do mesmo país ou em vários países. É surpreendente que esse fenômeno não seja aleatório e possa ser amplamente determinado por fatores simples, como homogeneidade intracidade e intercidades, e remontar à cultura de planejamento urbano da Europa à América do Norte e Ásia, das cidades antigas às cidades modernas?.
As redes neurais gráficas desenvolvidas por essa equipe de pesquisadores poderiam ser usadas em diferentes países do mundo para medir as semelhanças entre cidades, avaliar políticas urbanas e resumir atividades urbanas. Notavelmente, o modelo introduzido no artigo recente também pode ser estendido, tanto para analisar áreas urbanas maiores quanto para examinar mudanças em períodos de tempo mais longos.
“Outros pesquisadores podem investigar redes rodoviárias em cidades de diferentes continentes, de diferentes tamanhos, enquanto nosso estudo toma 30 grandes cidades como exemplo”, disseram Ukkusuri e Ma. “Além disso, eles podem medir e comparar a homogeneidade de uma rede viária em diferentes épocas da história. Além das redes viárias, as teorias de homogeneidade de vistas de ruas, uso do solo e outras redes de infraestrutura também podem ser estabelecidas. insights mais profundos sobre sistemas urbanos complexos.”
O estudo recente da equipe é um dos primeiros que tentam aplicar redes neurais gráficas de última geração no estudo de URNs. Em seus próximos estudos, os pesquisadores gostariam de desenvolver ainda mais seu modelo e aplicá-lo a mais dados, para coletar mais informações sobre a homogeneidade dos URNs. Atualmente, eles estão realizando um estudo examinando URNs e suas ligações com fatores socioeconômicos específicos.
No futuro, Ukkusuri, Ma e seus colegas também gostariam de investigar a evolução histórica da homogeneidade da URN. Para fazer isso, eles usarão dados de séries temporais coletados em várias cidades do mundo e um modelo de rede neural mais sofisticado.
“Nos inspiramos em um estudo sobre invariantes estruturais de URNs em Paris de 1790 a 1999 (Kirkley, A., Barbosa, H., Barthelemy, M., & Ghoshal, G., 2018)”, disseram Ukkusuri e Ma. “Desde a centralidade de intermediação em redes de ruas até invariantes estruturais em gráficos planares aleatórios, esperamos investigar as propriedades de homogeneidade para uma ampla gama de cidades na escala histórica, desde cidades modernas com dados completos até cidades antigas com dados limitados, como Machu Picchu no Império Inca durante o século XV.”
Além de usar modelos de aprendizado de máquina para examinar o desenvolvimento de URNs ao longo do tempo, os pesquisadores gostariam de usá-lo para examinar outros tipos de dados coletados em ambientes urbanos. Por exemplo, eles gostariam de analisar simultaneamente imagens de vista de rua, interações de mobilidade e dados de navegação na Internet, para identificar padrões mais complexos que influenciam a vida humana em ambientes urbanos. Por exemplo, isso poderia ajudar a compreender melhor as questões relacionadas à igualdade social e à pobreza regional.
“Os dados da rede rodoviária são simples e relativamente estáveis, o que é adequado para iniciar nossa análise”, disseram Ukkusuri e Ma. “Atualmente, estamos trabalhando com empresas de Internet no Japão para explorar o sistema humano-ambiente urbano usando big data e técnicas de aprendizado de máquina”.
Finalmente, os pesquisadores gostariam de realizar mais estudos investigando o potencial geral da IA no campo da ciência urbana. Seu trabalho também pode inspirar outros grupos de pesquisa a aplicar o aprendizado de máquina no campo da ciência urbana, o que pode levar a descobertas interessantes sobre a história e o desenvolvimento das cidades em todo o mundo.
“Percebemos que a IA abre uma nova maneira de aprender as assinaturas subjacentes presentes nas cidades e como elas podem ser usadas para tornar as cidades mais eficientes e sustentáveis”, acrescentaram Ukkusuri e Ma. “Além disso, percebemos que muita atenção precisa ser dada para evitar o uso indevido de IA sem conhecimento de domínio na ciência urbana. Continuaremos a explorar as interseções de IA e problemas de ciência urbana e esperamos contribuir para a comunidade de pesquisa interdisciplinar.”
Publicado em 16/05/2022 07h16
Artigo original:
Estudo original: