En realidad, no necesitas compartir tu ubicación para que tu ciudad sepa dónde estás. Cada llamada que haces y cada mensaje que envías se conectan discretamente a una antena de red cercana. Ahora, multiplica eso por millones de personas que hacen lo mismo cada día, y lo que obtienes no son solo datos, sino una imagen viva y dinámica de cómo funciona realmente una ciudad. Eso es precisamente lo que los investigadores de la Universidad de Córdoba han logrado aprovechar con una nueva herramienta diseñada para interpretar esos patrones.
La herramienta que observa sin realmente observar.
MAPLID (Enfoque multietiqueta para la identificación de lugares) No rastrea a individuos. En realidad, analiza patrones: señales agregadas y anonimizadas que muestran cómo se comportan los lugares a lo largo del tiempo. Puede revelar cuándo un barrio pasa de ser residencial a comercial, cuándo las carreteras que conducen a zonas industriales alcanzan su máxima congestión o cómo un único evento importante puede alterar silenciosamente el ritmo de todo un distrito.
Lo que la distingue es que no encasilla un lugar en una sola definición. Un campus universitario, por ejemplo, no es solo un lugar de trabajo. Según la hora del día, puede ser un hogar, un espacio social o una ruta de transporte. La mayoría de las herramientas de mapeo tienden a elegir una etiqueta y aferrarse a ella. MAPLID, en cambio, captura todas esas facetas a la vez.
Cómo funciona realmente la investigación
El modelo fue desarrollado como parte de la investigación doctoral de Manuel Mendoza Hurtado , junto con sus colegas Juan A. Romero del Castillo y Domingo Ortiz Boyer del Departamento de Ciencias de la Computación e Inteligencia Artificial.
En lugar de trabajar con registros de ubicación sin procesar, el sistema construye su comprensión por capas. Comienza con metadatos de llamadas y mensajes geolocalizados, no con el contenido en sí, sino con los puntos de conexión que se registran cuando los dispositivos interactúan con las antenas de la red. A partir de ahí, rastrea cómo se repiten estas señales a lo largo de días y semanas, lo que ayuda a distinguir las rutinas constantes de los movimientos puntuales. Esta capa de comportamiento se superpone a OpenStreetMap, una base de datos geográfica de código abierto. Esto añade contexto del mundo real, como tipos de calles, puntos de referencia y categorías de edificios, transformando patrones de señales abstractos en algo mucho más concreto y útil para el análisis urbano.
El resultado de este proceso es una secuencia a cámara rápida. La misma manzana, vista a diferentes horas, puede contar historias completamente distintas: las 7 de la mañana no se parecen en nada a las 7 de la tarde. Para probar el modelo, el equipo lo aplicó en Milán y Trento, dos ciudades italianas con tamaños y estructuras muy diferentes, lo que las hace ideales para la comparación. Debido a restricciones de privacidad, no se disponía de datos móviles españoles, por lo que los investigadores utilizaron un conjunto de datos publicado por Telecom Italia para la investigación científica. Incluso con millones de puntos de datos diarios superpuestos en mapas urbanos, el modelo se mantuvo consistente en ambas ciudades, lo que sugiere que no se limita a un solo tipo de entorno urbano.
El estudio ha sido publicado en la Revista Internacional de Ciencias de la Información Geográfica .
Entonces, ¿quién está mirando realmente?
Por el momento, nadie lo está utilizando oficialmente. El siguiente paso de los investigadores es poner la herramienta a disposición de los gobiernos locales y los planificadores urbanos. Sus aplicaciones son bastante claras: ajustar los horarios de los autobuses según los patrones de movimiento reales, mejorar la fluidez del tráfico donde se produce la congestión e incluso enviar equipos de limpieza a los lugares que realmente los necesitan, en lugar de basarse en suposiciones obsoletas.
Lo interesante es que las ciudades siempre han generado este tipo de información. Nunca ha faltado. Lo que faltaba era una forma de interpretarla de manera útil y significativa. Esta herramienta podría ser el paso que lo cambie.
