Identificar automaticamente se uma pessoa se desloca a pé, de bicicleta, de automóvel ou em transporte público é uma das aplicações mais promissoras dos grandes volumes de dados produzidos pelos dispositivos móveis. Um novo artigo científico propõe uma abordagem de aprendizagem automática que procura melhorar essa classificação adaptando as variáveis utilizadas às características de cada modo de transporte.
Os modelos convencionais de deteção do modo de transporte tendem a utilizar o mesmo conjunto de variáveis para classificar todas as alternativas. Segundo os investigadores Akilu Rilwan Muhammad, Ana Aguiar e João Mendes-Moreira, esta solução pode esconder diferenças importantes porque as características que permitem distinguir um determinado modo não são necessariamente as mesmas que melhor identificam outro.
O método proposto utiliza SHAP, uma técnica de interpretação de modelos de machine learning, para identificar subconjuntos de características particularmente relevantes para cada classe de transporte. Em vez de obrigar o algoritmo a tomar todas as decisões dentro do mesmo espaço de variáveis, são criados subespaços adaptados aos diferentes modos.
A investigação é especialmente relevante para o planeamento da mobilidade porque a deteção automática de modos permite transformar grandes conjuntos de trajetórias GPS em informação sobre comportamento de viagem. Aplicações deste tipo podem complementar inquéritos tradicionais, apoiar a construção de matrizes de mobilidade e permitir observar alterações na repartição modal com níveis de detalhe temporal muito superiores aos obtidos através de campanhas pontuais.
A utilização destes dados não elimina, contudo, a necessidade de compreender a sua representatividade. Os utilizadores de aplicações e dispositivos que originam as trajetórias constituem normalmente uma amostra específica da população, pelo que a extrapolação para o conjunto das deslocações continua a exigir procedimentos de validação, ponderação e integração com outras fontes.
Fonte principal: Muhammad, A. R.; Aguiar, A.; Mendes-Moreira, J. (2026). Class-subspace learning: a SHAP-driven framework for class-aware transportation mode detection. International Journal of Data Science and Analytics, 22, 302. DOI: 10.1007/s41060-026-01263-x.