“La predicci\u00f3n precisa es muy importante para que las personas entiendan qu\u00e9 est\u00e1 sucediendo y hacia d\u00f3nde deben ir”, dijo Haoyu He, candidato a doctorado en ingenier\u00eda civil y ambiental en Northeastern.<\/p>\n\n\n\n Hist\u00f3ricamente, predecir c\u00f3mo se mueven las personas ha sido un desaf\u00edo por una sencilla raz\u00f3n: los movimientos humanos suelen ser aleatorios. Sin embargo, si observamos con m\u00e1s atenci\u00f3n, es posible ver los patrones o el ritmo del movimiento humano. Las personas pueden ir al supermercado, a la escuela o al gimnasio el mismo d\u00eda y a la misma hora todas las semanas. Al utilizar datos de movilidad de c\u00f3digo abierto y la comprensi\u00f3n contextual que tienen los LLM, Wang y He construyeron un modelo que no solo imita patrones anteriores sino que crea predicciones basadas en ciertas condiciones.<\/p>\n\n\n\n “Comprender que las personas tienen estos patrones 24\/7, semanales o mensuales ayuda a predecir su ubicaci\u00f3n”, dijo Wang. “Esto hace que el patr\u00f3n abstracto sea m\u00e1s concreto. El modelo puede interpretarlo y utilizarlo para mejorar nuestra predicci\u00f3n”.<\/p>\n\n\n\n Seg\u00fan He, RHYTHM es un 2,4% m\u00e1s preciso que modelos similares, pero durante periodos irregulares, como los fines de semana, donde las personas no siguen sus patrones habituales, es un 5% m\u00e1s preciso que la competencia. RHYTHM tambi\u00e9n requiere mucho menos tiempo para entrenar con datos, una de las partes m\u00e1s laboriosas del proceso de cualquier LLM.<\/p>\n\n\n\n Uno de los mayores desaf\u00edos en torno a la predicci\u00f3n de la movilidad ha sido pronosticar d\u00f3nde y c\u00f3mo se mueve una persona, dijo Wang. Los LLM ya est\u00e1n facilitando eso.<\/p>\n\n\n\n “Durante el d\u00eda, las personas que viven en los alrededores de Boston se apresuran a ir a trabajar a la ciudad, y por la noche vuelven a casa, pero a nivel individual es altamente aleatorio y estoc\u00e1stico”, dijo Wang. “Ahora, con los LLM, ese aspecto se puede incorporar y nos ayuda a predecir o representar mejor c\u00f3mo se desarrollar\u00e1 esta aleatoriedad”.<\/p>\n\n\n\n Wang y He probaron RHYTHM con datos de movimiento de siete d\u00edas de un grupo de personas y descubrieron que pod\u00eda predecir con fiabilidad el movimiento para el d\u00eda siguiente, los d\u00edas siguientes y la semana siguiente. A\u00f1adi\u00f3 que, en teor\u00eda, pod\u00eda predecir a un futuro mucho m\u00e1s lejano, pero los errores tienden a acumularse.<\/p>\n\n\n\n Centrarse en ese marco temporal inmediato es realmente perfecto para el futuro que esperan alcanzar con RHYTHM: predecir c\u00f3mo se mueven las personas durante desastres naturales y otros eventos extremos.<\/p>\n\n\n\n “Muchas veces, especialmente durante eventos extremos, queremos saber qu\u00e9 suceder\u00e1 en las pr\u00f3ximas 24 horas o varias horas”, dijo Wang. “\u00bfC\u00f3mo podemos aprovechar los LLM, que poseen caracter\u00edsticas m\u00e1s complejas, para predecir esos eventos que apenas observamos, pero que son posibles de generar o predecir incluso con una probabilidad muy baja de que ocurran?”<\/p>\n\n\n\n![\"\"](\"https:\/\/einsteresante.com\/wp-content\/uploads\/2026\/01\/image-25.png\")
Comprender los patrones de movilidad humana<\/h2>\n\n\n\n
Precisi\u00f3n y ventajas RYTHM<\/h2>\n\n\n\n
Pruebas y aplicaciones futuras<\/h2>\n\n\n\n