تعتبر نمذجة التنقل البشري بدقة أمرًا ضروريًا لمواجهة التحديات المتعلقة بالتخطيط الحضري والصحة العامة. في المناطق النامية، يفتقر الباحثون إلى استطلاعات السفر الشاملة، مما يجعل ضرورة إعادة بناء شبكات التنقل أمرًا ملحًا. هنا يأتي دور نموذج neuroGravity، الذي يعتمد على تقنيات التعلم العميق والمعلومات الفيزيائية لإعادة بناء تدفقات التنقل بدقة من ملاحظات محدودة، ونقلها إلى مدن غير مشمولة في البيانات.

باستخدام توزيع المرافق الحضرية والسكان فقط، وجدنا أن التمثيلات الإقليمية لنموذج neuroGravity ترتبط ارتباطًا قويًا بالوضع الاقتصادي والاجتماعي ومستوى المعيشة، مما يوفر بدائل فعالة لاستطلاعات مكلفة. والأكثر من ذلك، يكشف البحث عن الدور الحيوي الذي تلعبه الفجوة الاقتصادية في نجاح نقل البيانات: إذ تعود الشبكات إلى نتائج موثوقة عندما تتشارك المدن المستهدفة في مستويات مشابهة من التمييز المكاني.

قمنا بتصميم مؤشر خاص لقياس هذه الفجوة الاقتصادية وتوقع القدرة على النقل بدقة. وبواسطة نموذج neuroGravity، تمكنا من توليد بيانات تدفق التنقل لأكثر من 1200 مدينة على مستوى العالم، مما يبرز القدرة الكبيرة للنموذج في تخفيف النقص الحاد في البيانات في المناطق ذات الموارد المحدودة.