El concepto de ciudades inteligentes suele implicar el despliegue de infraestructuras inteligentes utilizadas para mejorar los servicios para los ciudadanos. Varias ciudades han puesto en marcha proyectos que abarcan desde la optimización del transporte hasta la reducción del impacto de la actividad urbana en el medio ambiente. Un buen ejemplo es el trabajo realizado por Telefónica en SmartSantander.
Aunque el despliegue de estas infraestructuras es clave, cualquier ciudad ya cuenta con una infraestructura implícita de sensores construida a partir de los teléfonos que llevan sus ciudadanos. En ese sentido, las crecientes capacidades de los dispositivos móviles permiten a las personas dejar huellas de su interacción con el entorno urbano, especialmente mediante el uso de las redes sociales basadas en la ubicación (LBSN).
Las LBSN tienen la propiedad de asignar una geolocalización a la actividad realizada por una persona; por ejemplo, el servicio de geolocalización de Twitter asigna las coordenadas del lugar donde estaba el usuario cuando publicó un comentario; o FourSquare indica dónde se encuentra un usuario y cuál es la actividad de ese lugar en particular. Esta capacidad de geolocalización está siendo utilizada por un número grande y creciente de aplicaciones como Facebook Places, Urbanspoon, Yelp, Google Places, Loopt, Flickr o Instagram, entre otras.
Como resultado, una ciudad y sus ciudadanos generan información continuamente sobre dónde se encuentran y qué están haciendo a través de las LBSN. Esta información ofrece una perspectiva sin precedentes de una ciudad, especialmente en cuanto al uso que hacen de ella los ciudadanos y sus opiniones, y puede utilizarse en aplicaciones de planificación urbana.
En Telefónica I+D hemos trabajado en dos ámbitos que utilizan los datos proporcionados por las LBSN para mostrar cómo pueden utilizarse para mejorar la planificación urbana: (1) inferir la actividad de los usuarios y (2) comprender las quejas de los ciudadanos sobre su entorno.
Utilizando la ubicación, el contexto y la información proporcionados por las LBSN, podemos inferir la actividad de los usuarios en una zona urbana específica y, por extensión, ayudar en el proceso de planificación urbana, ya que podemos comprobar en qué medida se utiliza un entorno urbano tal como lo planificaron las autoridades. Hemos trabajado en un conjunto de técnicas [1][2] capaces de identificar usos del suelo utilizando únicamente la ubicación de tuits geolocalizados. Nuestra técnica determina automáticamente los usos del suelo en zonas urbanas agrupando regiones geográficas con patrones similares de actividad en Twitter. A partir de la actividad agregada de los tuits, estudiamos el uso del suelo en Manhattan, Madrid y Londres. En los dos primeros casos identificamos cuatro usos: residencial, empresarial, ocio diurno (principalmente parques y zonas turísticas) y zonas de ocio nocturno. En Londres también identificamos usos del suelo industriales. Estos resultados se validaron con fuentes de datos abiertos . La principal ventaja de nuestro enfoque es que respeta la privacidad individual, porque no se necesita ningún identificador del usuario real ni se utiliza el contenido de los tuits. A modo de ejemplo, la Figura 1 presenta los usos del suelo identificados en Londres mediante tuits geolocalizados.
Otro enfoque que hemos adoptado para identificar las actividades de los usuarios y los usos del suelo consiste en utilizar FourSquare [3]. FourSquare ya contiene información sobre la actividad del lugar donde se encuentra un usuario, porque los lugares se clasifican según categorías predefinidas. Al considerar la distribución de las categorías de FourSquare y su popularidad en términos del número de registros de visita, construimos un conjunto de características de aprendizaje automático que pueden aprovecharse para inferir las características cualitativas de las zonas urbanas. La Figura 2 presenta una clasificación de la ciudad de Madrid según las actividades de los usuarios identificadas a partir de las categorías de FourSquare. Cada celda de las teselaciones está coloreada según la actividad más popular, determinada mediante el análisis de la popularidad de los lugares cercanos de FourSquare.
Clasificación de la ciudad de Madrid según las actividades de los usuarios identificadas a partir de las categorías de FourSquare.
En cuanto a la identificación de quejas en entornos urbanos, los ciudadanos están en primera línea a la hora de captar el pulso de la ciudad. En ese sentido, son los primeros en identificar problemas con su entorno. Tradicionalmente, los ayuntamientos han ofrecido servicios telefónicos para que las personas puedan comunicar estos problemas. Recientemente, las ciudades han creado cuentas de Twitter para que los usuarios puedan enviar quejas y ponerse en contacto con el ayuntamiento y sus servicios (es decir, la policía, el departamento de transporte, el metro, los servicios de limpieza, etc.) a través de Twitter.
En [4] estudiamos hasta qué punto las quejas expresadas por los usuarios mediante los servicios telefónicos tradicionales eran similares a las que expresaban a través de las cuentas específicas de Twitter creadas por el ayuntamiento. Centramos nuestro estudio en la ciudad de Nueva York y utilizamos las fuentes de datos abiertos disponibles. Nuestros resultados indicaron que las quejas telefónicas y las dirigidas a cuentas específicas de Twitter son muy similares; es decir, la cuenta específica del ayuntamiento en Twitter ya gestiona el mismo volumen y tipo de quejas que el servicio telefónico. En cualquier caso, solo ofrecen una perspectiva parcial de los problemas de la ciudad y se centran principalmente en quejas relacionadas con el transporte y las calles.
Después, evaluamos hasta qué punto estas quejas formales en Twitter representan la perspectiva general de la ciudad, comparándolas con un conjunto de tuits generales que identificamos como expresiones de quejas o de ámbitos susceptibles de mejora. En este caso, demostramos que el uso de tuits genéricos (es decir, tuits no dirigidos a los departamentos del ayuntamiento) permitía obtener una perspectiva global de los ámbitos que debían mejorar en la ciudad, como las quejas por ruido y la falta de limpieza.
Las LBSN son excelentes fuentes de información para captar el pulso de un entorno urbano y, como tales, pueden utilizarse en diversas aplicaciones de planificación urbana, como la identificación de usos del suelo, la detección de zonas de una ciudad que deben mejorar o la planificación del transporte. Aunque cada una de estas fuentes de datos es muy potente por sí sola, el principal reto del futuro será combinar de forma significativa la información proporcionada por distintas LBSN.
Referencias
[1] «Spectral Clustering for Sensing Urban Land Use using Twitter Activity», V. Frias-Martinez, E. Frias-Martinez, Engineering Applications of Artificial Intelligence, vol. 35, octubre de 2014, páginas 237–245, 2014
[2] «Characterizing Urban Landscapes using Geolocated Tweets», V. Frias-Martinez, V. Soto, H. Hohwald, E. Frias-Martinez, 2012 Int. Conference on Social Computing (SocialCom), Ámsterdam, Países Bajos, 2012
[3] «Exploiting Foursquare and Cellular Data to Infer User Activity in Urban Environments», A. Noulas, C. Mascolo y E. Frias-Martinez, IEEE Mobile Data Management 2013 (MDM 2013)
[4] «To Call, or To Tweet? Understanding 3-1-1 Citizen Complaint Behaviors», V. Frias-Martinez, A. Sae-Tang, E. Frias-Martinez, Sixth Int. Conf. on Social Computing, SocialCom 2014, Stanford, CA, EE. UU.
Este artículo se publica en colaboración con Think Big. La publicación no implica que el Foro Económico Mundial respalde estas opiniones.
Para mantenerse al día con la Agenda, suscríbase a nuestro boletín semanal.
Autor: Artículos de Enrique Frías Martínez escribe para Think Big.
Imagen: Dispositivos producidos por un fabricante estadounidense de equipos de redes informáticas. REUTERS/Hannibal Hanschke.
