Des écoles et commerces aux hôpitaux et hôtels, une ville moderne est faite de nombreuses parties différentes. Les urbanistes doivent tenir compte de l'emplacement de ces services lors de la conception de réseaux de transport en commun efficaces. Les chercheurs d'A*STAR ont développé un programme d'apprentissage automatique pour recréer et prédire avec précision l'utilisation des transports en commun, ou "cavalerie", basé sur la répartition de l'utilisation des terres et des équipements à Singapour.

Les villes traditionnelles comprennent un quartier central des affaires (CBD), où la plupart des gens travaillent, entouré de zones résidentielles et industrielles extérieures. Malheureusement pour les navetteurs, le volume élevé de personnes voyageant vers et depuis le CBD peut provoquer des embouteillages aux heures de pointe. Pour atténuer une partie de cette frustration, le gouvernement singapourien travaille à la création de centres régionaux d'ici 2030. Les planificateurs espèrent encourager les propriétaires d'entreprises à ouvrir dans des centres régionaux spécifiés autour de la ville-État, alléger la pression aux heures de pointe et encourager l'utilisation des transports publics.

"Nous visons à comprendre la recette d'une ville intelligente, " explique Christopher Monterola de l'A*STAR Institute of High Performance Computing, qui a dirigé le projet en collaboration avec des scientifiques de Singapour. « Singapour a besoin d'un système de transport efficace pour soutenir les activités des gens compte tenu de l'infrastructure existante et prévue. Pour guider les planificateurs, nous avions besoin d'un modèle qui pourrait prédire l'achalandage dans le cadre du plan des centres régionaux. »

L'équipe a collecté des données du système de carte à puce de la ville sur les personnes entrant et sortant des stations de bus et de métro individuelles sur une période d'une semaine, soit plus de 20 millions de trajets au total.

Les données de la carte à puce ont été combinées avec des informations à l'échelle de la ville sur l'utilisation des terres - pour les entreprises, industrie, résidence, l'eau ou la verdure et des cartes haute résolution qui identifient les commodités individuelles dans un rayon défini de chaque station. L'équipe de Monterola a testé trois modèles d'apprentissage automatique différents - des programmes informatiques qui s'entraînent eux-mêmes grâce à des simulations répétées - pour en trouver un qui s'est d'abord reproduit avec précision, puis prédit, l'achalandage des transports à travers la ville.

« Nous avons constaté qu'un modèle d'arbre de décision était le plus performant, avec une bonne précision, efficacité de calcul et affichage utilisateur facile à suivre, " dit Monterola. " Les résultats ont indiqué qu'une augmentation des commodités allant jusqu'à 55 pour cent à travers la ville augmenterait l'achalandage. Au-delà de ce point, l'achalandage commence à décliner; c'est logique car si les commodités sont disponibles localement, les gens marchent à la place."

Les données d'agrément à haute résolution se sont avérées un prédicteur beaucoup plus fort de l'achalandage que les détails généraux sur l'utilisation des terres; un résultat utile pour éclairer la planification urbaine future et surveiller les centres régionaux de Singapour au fur et à mesure de leur développement. Le modèle pourrait être appliqué à n'importe quelle ville ayant accès à des données similaires à haute résolution, note Monterola.