Para detectar y evitar posibles aglomeraciones en los espacios donde se concentran mucho volumen de personas, los investigadores del Instituto Avanzado de Ciencia y Tecnología de Corea (Kaist) han desarrollado una nueva tecnología de predicción de la densidad de multitudes, que tiene en cuenta tanto la cantidad como el flujo de personas.
Los patrones de aglomeración no se explican simplemente por la cantidad de personas; incluso con el mismo número de personas, el nivel de riesgo varía según el lugar de entrada y la dirección de salida. Los investigadores explicaron este movimiento mediante el concepto ‘gráfico variable en el tiempo’. En otras palabras, las predicciones precisas solo son posibles analizando simultáneamente el número de personas en un área específica y el flujo de población entre áreas.
En cambio, la mayoría de los estudios hasta la fecha solo han utilizado un dato, el número de personas reunidas en el momento o la ruta que siguen. Aunque, el equipo de investigación enfatizó que solo combinando ambos datos se pueden detectar verdaderas señales de peligro.
Por ejemplo, es difícil predecir un aumento repentino en la densidad de la zona A específico, basándose únicamente en la afluencia actual de personas. Sin embargo, al observar simultáneamente el flujo continuo de personas desde la zona B cercana hacia A (información principal), se pueden detectar señales tempranas de que la zona A está a punto de volverse peligrosa.
Método de aprendizaje bimodal
Para lograrlo, el equipo de investigación desarrolló un método de aprendizaje bimodal. Esta tecnología considera simultáneamente el tamaño de la población (información de vértices) y el flujo de la población (información de bordes), a la vez que aprende las relaciones espaciales (qué regiones están conectadas) y los cambios temporales (cuándo y cómo se produce el movimiento).
En particular, el equipo de investigación introdujo una técnica de aprendizaje contrastivo 3D. Esto implicó aprender relaciones tridimensionales añadiendo información temporal a información espacial (geográfica) bidimensional. Esto permitió a la inteligencia artificial (IA) discernir no solo si la población actual es alta o baja, sino también qué patrones de crecimiento poblacional se están produciendo a lo largo del tiempo. Como resultado, puede predecir la ubicación y el momento de la congestión con mucha mayor precisión que antes.
El equipo de investigación recopiló y procesó directamente datos del mundo real, incluidos datos del metro de Seúl, Busan y Daegu, datos de tráfico de Nueva York y el número de casos confirmados de COVID-19 en Corea y Nueva York, y creó y publicó seis conjuntos de datos de investigación.
La tecnología propuesta fue verificada y demostró un rendimiento de clase mundial, logrando una precisión de predicción hasta un 76,1% superior a la de los métodos de última generación existentes.