Från skolor och butiker till sjukhus och hotell, en modern stad består av många olika delar. Stadsplanerare måste ta hänsyn till var dessa tjänster finns när de utformar effektiva transitnät. A*STAR-forskare har utvecklat ett maskininlärningsprogram för att exakt återskapa och förutsäga kollektivtrafikanvändning, eller 'ryttare', baserat på fördelningen av markanvändning och bekvämligheter i Singapore.

Traditionella städer omfattar ett inre centralt affärsdistrikt (CBD), där de flesta arbetar, omgiven av yttre bostads- och industriområden. Tyvärr för pendlare, den stora mängden människor som reser till och från CBD kan orsaka problem under rusningstid. För att lindra en del av denna frustration, Singapores regering arbetar på att skapa regionala centra till år 2030. Planerarna hoppas kunna uppmuntra företagare att öppna vid specifika regionala centra runt stadsstaten, att lätta på högtidstrycket och uppmuntra kollektivtrafik.

"Vi siktar på att förstå receptet för en smart stad, " förklarar Christopher Monterola vid A*STAR Institute of High Performance Computing, som ledde projektet i samarbete med forskare över hela Singapore. "Singapore behöver ett effektivt transportsystem för att stödja människors aktiviteter med tanke på den befintliga och planerade infrastrukturen. För att vägleda planerare, vi behövde en modell som kunde förutsäga ryttare under planen för regionala centra."

Teamet samlade in data från stadens smartkortsystem om människor som trampade in och ut från enskilda buss- och tunnelbanestationer under en veckas tid – mer än 20 miljoner resor totalt.

Smartkortdata kombinerades med stadsövergripande information om hur mark användes – för företag, industri, bostad, vatten eller grönska – och högupplösta kartor som identifierade individuella bekvämligheter inom en viss radie från varje station. Monterolas team testade tre olika maskininlärningsmodeller – datorprogram som tränar sig själva genom upprepade simuleringar – för att hitta en som först återgavs korrekt, och sedan förutspådde, transportera förare över staden.

"Vi fann att en beslutsträdsmodell fungerade bäst, med god noggrannhet, beräkningseffektivitet och en lätt att följa användardisplay, " säger Monterola. "Resultaten indikerade att en ökning av bekvämligheter på upp till 55 procent över hela staden skulle öka passagerarantalet. Från och med nu, ryttarantalet börjar minska; detta är logiskt eftersom om bekvämligheter är tillgängliga lokalt, folk går istället."

Bekvämlighetsdata med hög upplösning visade sig vara en mycket starkare prediktor för ryttare än allmänna detaljer om markanvändning; ett användbart resultat för att informera framtida stadsplanering och övervaka Singapores regionala centra när de utvecklas. Modellen kan tillämpas på vilken stad som helst med tillgång till liknande högupplöst data, konstaterar Monterola.