Vivemos em uma sociedade cada vez mais consciente dos efeitos adversos de viver no ar poluído. Como resultado, a poluição está se tornando um problema crítico quando o Quinto andar comprar imovel é projetado ou redesenhado. Infelizmente, é difícil avaliar que efeito as escolhas individuais têm, uma vez que a causalidade é difícil de confirmar. Como o comportamento humano é fundamental para os resultados, o problema é ainda mais complicado. Felizmente, os planejadores urbanos estão procurando maneiras de estimular as pessoas a fazerem melhores escolhas individuais. Infelizmente, os planejadores não possuem as ferramentas necessárias para avaliar o que deve ser feito para reduzir a poluição, especialmente aqueles planejadores que não podem pagar para usar grandes supercomputadores.

Os humanos têm um efeito considerável nos níveis de poluição ao comprar imovel. A pandemia Covid-19 mostra até que ponto nosso comportamento está correlacionado com a poluição do ar em nossas cidades. Em Barcelona, ​​os níveis de NO2 caíram 64% em março de 2020 para níveis anteriormente considerados inalcançáveis. Combine este resultado com o conhecimento que vários estudos trouxeram mostraram que a poluição por NO2 está associada a problemas de saúde como diabetes, hipertensão, acidentes vasculares cerebrais, doença pulmonar obstrutiva crônica e asma.

O desafio da poluição que enfrentamos em nossas cidades é importante e as consequências do sucesso ou do fracasso serão sentidas por todos. Para descobrir o que poderíamos fazer para ajudar, combinamos nossas forças com 300.000 km / s, um think tank de planejamento urbano de Barcelona que trabalha com dados inteligentes para cidades. Nosso objetivo era usar os dados de forma inteligente para permitir que os arquitetos da cidade tomassem decisões mais informadas ao considerar alugar casa no quinto andar. Com uma abundância de dados, isso levanta questões essenciais desde o início: quais dados são relevantes? Como tornamos os dados inteligentes?

Nossa abordagem

Nossa jornada começou em

Esteve

Mesa da cozinha enquanto discutíamos as várias opções para um projeto impactante e empolgante que concluiria nosso mestrado em análise de negócios. Rapidamente decidimos pelo assunto de comprar casa em cidades inteligentes, uma área na qual Esteve havia feito algumas pesquisas recentes. Esteve contatou Mar e Pablo, os cofundadores da 300.000 km / s. Junto com Esteve, eles nos ajudaram e apoiaram ao longo dessa jornada de oito meses e nos guiaram com sua experiência quando tomamos o caminho errado. Não teríamos chegado tão longe sem eles.

Iniciamos nosso projeto com um conjunto de dados fornecido por 300.000km / s. Este conjunto de dados continha dados de viagens resumidos sobre o movimento de indivíduos na Espanha, coletados a partir do movimento de dispositivos celulares. A Espanha foi dividida em cerca de 2.500 regiões, e todas as viagens entre essas regiões foram coletadas. Os estudiosos mostraram há muito tempo que o NO2 está fortemente relacionado com as viagens (mais notavelmente, de carros a diesel). Para reforçar nossos dados iniciais, adicionamos várias estatísticas ambientais. Estes variaram desde o número de pessoas por faixa etária vivendo nessas áreas até a renda média.

Quinto andar comprar imovel, comprar imovel, alugar casa no quinto andar, comprar casa

A pandemia Covid-19 mostra até que ponto nosso comportamento está correlacionado com a poluição do ar em nossas cidades.

Para prever com precisão os níveis de NO2 em muitas áreas da Espanha, precisávamos pensar em técnicas de modelagem. Nosso modelo usou uma combinação de técnicas de aprendizado de máquina padrão e incomuns. Usamos matrizes de correlação, árvores de regressão de floresta aleatória, representações baseadas em gráficos e recursos defasados ​​espaciais do início ao fim. Enquanto estávamos lutando para usar os dados de forma otimizada, Andre, o cientista de dados de 300.000 km / s, nos apresentou o conceito de defasagem espacial. Esta funcionalidade utiliza a força dos dados que possuímos, nomeadamente a informação geográfica, da melhor forma possível. Ao fazer isso, poderíamos introduzir “espacialidade” em nosso vocabulário de aprendizado de máquina.

Como resultado, poderíamos extrair informações vitais geralmente perdidas em técnicas tradicionais de aprendizado de máquina, como florestas aleatórias ou XGBoost. Observamos o coeficiente I de Moran para garantir que usaríamos apenas recursos com defasagem espacial que possuíssem informações completas. Este coeficiente é uma medida de autocorrelação espacial, que, em termos simples, representa o quão bom é prever um elemento com o conhecimento do valor da mesma qualidade em áreas geograficamente vizinhas.

Nosso produto final foi um modelo que usou a melhor combinação de recursos “normais” e “espacialmente defasados” para prever os níveis de NO2 na Espanha. Começamos nossa busca inicial pelo melhor modelo possível para os mais de 30 recursos e terminamos com um modelo que usa oito recursos para prever o NO2 em toda a Espanha. A pontuação do Moran’s I e os vários testes entre recursos diferentes estão espacialmente defasados. Chegamos a um modelo com 88,8% de precisão para prever os níveis de NO2 em toda a Espanha. Descobrimos que a porcentagem de espaço usado para edifícios residenciais e o número de casas com superfície entre 61 e 90 m2 foram os preditores mais potentes dos níveis de NO2. Outros preditores notáveis ​​foram casas com superfícies entre 45 e 60 m2 e o número de pessoas com idade entre 0 e 25 por quilômetro quadrado. Assim, poderíamos prever os níveis de NO2 com precisão usando principalmente informações residenciais. Este show de insight é como o planejamento da cidade afeta a habitabilidade.

A principal descoberta

Declaramos o objetivo deste projeto, fazendo duas perguntas: Quais dados são relevantes? Como tornamos os dados inteligentes? Agora podemos responder a ambas, mas, para isso, precisamos dar um passo atrás.

Quinto andar comprar imovel, comprar imovel, alugar casa no quinto andar, comprar casa

Todos concordamos que todos os dados disponíveis não são e não serão suficientes para criar um gêmeo digital de uma cidade. Além disso, o modelo não será escalável, mesmo se possível, porque exigirá uma quantidade equivalente de dados para cada cidade a ser treinada.

Então, existe uma maneira de evitar esse cenário? Precisamos de todos esses dados? Em outras palavras, quais são as decisões que podem ser tomadas com base no modelo?

O ideal é que um legislador provavelmente decida se deve proibir a passagem de caminhões na rua, restringir o fluxo ou promover bicicletas. Não apenas essas decisões vêm com baixa granularidade, mas também são provavelmente decisões binárias (por exemplo, nossa legisladora se perguntaria: “Devemos proibir ou não os caminhões no centro da cidade neste fim de semana?”). Além disso, no cenário mais otimista, essas decisões discretas serão aplicáveis ​​apenas com um pequeno intervalo de ação (por exemplo, o legislador pode permitir o uso de duas das 3 faixas).

Portanto, não precisamos de um modelo altamente preciso, mas de um modelo preciso o suficiente para ajudar os líderes a fazer intervenções com baixa granularidade.

A força do nosso modelo é sua capacidade de ser totalmente escalonável e flexível para se adaptar a vários cenários. Ele pode ser alimentado com dados sintéticos, uma vez que foi construído em fontes de dados disponíveis publicamente.

Considerações finais

Vários setores podem alavancar os resultados do nosso modelo. O setor público pode ser um grande beneficiário, pois o planejamento urbano afeta a poluição. Ao adotar estratégias inovadoras para reduzir o tráfego entre os locais, as cidades podem ter um impacto maior a um custo menor em comparação com as rotas utilizadas atualmente. Este modelo nos dará informações sobre o que acontece se ajustarmos fluxos de tráfego específicos dentro de toda a estrutura. Um exemplo pode ser a construção de escritórios em Sant Cugat para reduzir o fluxo de tráfego para Barcelona e assim melhorar a qualidade do ar de Barcelona. Essa ação contrasta com as tomadas hoje em dia, quando os políticos tentam estabelecer medidas onde a poluição é muito alta.

As nações podem usar esses modelos para verificar se seu planejamento de poluição funciona de acordo com o plano. Nossas previsões podem avaliar áreas onde medidas específicas de minimização da poluição foram tomadas e avaliar seu sucesso. Essa conclusão reduzirá o tempo de colocação no mercado de ideias de sucesso, pois levará menos tempo para confirmar os resultados. Além disso, permitirá um lançamento mais rápido de novas ideias, pois as ideias ruins serão identificadas mais cedo. O resultado será economia de custos e melhor proteção ao meio ambiente.