Predicción de la calidad de vida centrada en la popularización de las "Ciudades de 15 minutos" y basada en características geoespaciales y algoritmos de aprendizaje automático. Simulación, ensayo o implementación en el municipio de Castellar del Vallès (Cataluña)

Resumen

Resumen:

El urbanismo ha adquirido una gran importancia en los últimos años debido a las restricciones de movilidad asociadas con la pandemia causada por el COVID 19 y el concepto de “ciudades de quince minutos” ha obtenido una importancia significativa. Las ciudades de quince minutos promueven que la mayor parte de las necesidades básicas y los servicios diarios puedan ser accesibles a pie en quince minutos, o menos, desde cualquier punto de la ciudad. Al mismo tiempo, últimamente están surgiendo un número cada vez mayor de aplicaciones basadas en la inteligencia artificial que pueden solucionar tareas complejas de manera más eficiente que los humanos.

Este proyecto estudia la calidad de vida en el municipio de Castellar del Vallès (Barcelona, Cataluña) utilizando técnicas de inteligencia artificial y características geoespaciales. El objetivo es la obtención de un modelo de aprendizaje automático capaz de predecir de manera ajustada la calidad de vida de cada hogar del municipio. Las características utilizadas para la preparación se obtuvieron de una encuesta basada en una muestra n=41 personas, con edades comprendidas entre los quince y los setenta años. El cuestionario reveló la importancia de once grupos de indicadores (por ejemplo, áreas de descanso, espacios culturales, centros educativos, deportivos y de salud, etc.) para dicha muestra. La importancia calculada fue posteriormente utilizada para proponer una fórmula para calcular la calidad de vida que está basada en los indicadores tenidos en cuenta.

Posteriormente, varios algoritmos populares de inteligencia artificial fueron implementados y optimizados para identificar el más adecuado para predecir calidad de vida para el municipio estudiado. Los resultados obtenidos por cada algoritmo serán analizados basados en las métricas de rendimiento apropiadas para tareas de, la mejor de ellas XGBoost, que consiguió una puntuación R2 de 0,9992. El modelo correspondiente fue puesto en práctica posteriormente para obtener gráficos adicionales y un mapa de calor para conseguir una mayor visualización de la distribución de la calidad de vida dentro del municipio. Todo el proyecto ha sido llevado a cabo en el lenguaje de programación Python utilizando librerías de código abierto.

Abstract:

Urban planning has become increasingly important in recent years, due to the mobility restrictions associated with the global pandemic caused by COVID-19 and the concept of “15 minutes cities” has gained a significant importance. “15 minutes cities” promote that most basic needs and daily services can be reached on foot in fifteen minutes, or less, from any point in the town. In parallel, it can also be observed that an increased number of applications based on artificial intelligence that are capable of solving complex tasks more efficiently than humans, are being lately proposed.

This project studies the quality of life in the municipality of Castellar del Vallès (Barcelona, Catalonia) using artificial intelligence techniques and geospatial characteristics. The objective is the obtention of a machine learning model capable of accurately predicting the quality of life for each dwelling in the studied municipality. The characteristics used for training were obtained from a survey conducted on a sample n=41 persons, with ages between 15 and 70 years. The questionnaire revealed the importance of eleven groups of indicators (for example, rest areas, cultural spaces, educational, sports and health centers, etc.) for the studied sample. The importance calculated was later used to propose a formula for calculating the quality of life (QOL) that is based on the considered indicators.

Afterwards, several popular artificial intelligence algorithms were implemented and optimized to identify the most suitable one for predicting QOL for the studied town. The results obtained by each algorithm will be analyzed based on appropriate performance metrics for regression tasks, the best performing one being XGBoost (it achieved an R2 score of 0.9992). The corresponding model was later implemented to obtain additional graphs and a heat map to achieve a better visualization of the distribution of the QOL within the municipality.

This entire project has been implemented in the Python programming language using open-source libraries.