Van scholen en winkels tot ziekenhuizen en hotels, een moderne stad bestaat uit veel verschillende onderdelen. Stedenbouwkundigen moeten bij het ontwerpen van efficiënte vervoersnetwerken rekening houden met waar deze diensten zich bevinden. A*STAR-onderzoekers hebben een machine-learningprogramma ontwikkeld om het gebruik van het openbaar vervoer nauwkeurig na te bootsen en te voorspellen. of 'riderschap', gebaseerd op de verdeling van landgebruik en voorzieningen in Singapore.

Traditionele steden bestaan ​​uit een inner central business district (CBD), waar de meeste mensen werken, omgeven door buitenste woon- en industriezones. Helaas voor forenzen, het grote aantal mensen dat van en naar het CBD reist, kan tijdens piekuren een patstelling veroorzaken. Om een ​​deel van deze frustratie weg te nemen, de Singaporese regering werkt aan het creëren van regionale centra tegen het jaar 2030. De planners hopen ondernemers aan te moedigen om te openen in specifieke regionale centra in de stadstaat, het verlichten van de spitsdruk en het stimuleren van het gebruik van het openbaar vervoer.

"We willen het recept voor een slimme stad begrijpen, " legt Christopher Monterola van het A*STAR Institute of High Performance Computing uit, die het project leidde in samenwerking met wetenschappers in heel Singapore. "Singapore heeft een efficiënt vervoerssysteem nodig om de activiteiten van mensen te ondersteunen, gezien de bestaande en geplande infrastructuur. Om planners te begeleiden, we hadden een model nodig dat het aantal reizigers in het kader van het plan voor regionale centra kon voorspellen."

Het team verzamelde gedurende een week gegevens van het stadssmartcardsysteem over mensen die in- en uitstapten bij individuele bus- en metrostations - meer dan 20 miljoen ritten in totaal.

De smartcardgegevens werden gecombineerd met stadsbrede informatie over hoe land werd gebruikt - voor zaken, industrie, residentie, water of groen - en kaarten met een hoge resolutie die individuele voorzieningen binnen een bepaalde straal van elk station identificeerden. Het team van Monterola heeft drie verschillende modellen voor machinaal leren uitgeprobeerd - computerprogramma's die zichzelf trainen door middel van herhaalde simulaties - om er een te vinden die eerst nauwkeurig werd gereproduceerd, en dan voorspeld, vervoer door de stad.

"We ontdekten dat een beslisboommodel het beste presteerde, met goede nauwkeurigheid, rekenefficiëntie en een gemakkelijk te volgen gebruikersdisplay, ", zegt Monterola. "De resultaten gaven aan dat een toename van voorzieningen tot 55 procent in de stad het aantal reizigers zou vergroten. Voorbij dit punt, ridership begint te dalen; dit is logisch want als voorzieningen lokaal aanwezig zijn, mensen lopen in plaats daarvan."

De gegevens over voorzieningen met een hoge resolutie bleken een veel sterkere voorspeller van het aantal passagiers dan algemene details over landgebruik; een nuttig resultaat voor het informeren van toekomstige stadsplanning en het volgen van de regionale centra van Singapore terwijl ze zich ontwikkelen. Het model kan worden toegepast op elke stad met toegang tot vergelijkbare gegevens met hoge resolutie, merkt Monterola op.