Informe Movilidad - Pereira

Introducción

Pereira, capital del departamento de Risaralda, se encuentra en el centro de la región cafetera de Colombia. Con un crecimiento económico notable, la ciudad ha experimentado grandes avances en su infraestructura vial. Sin embargo, aún enfrenta desafíos en términos de movilidad, con problemas como la congestión vehicular y la sostenibilidad del transporte público, lo que genera la necesidad de un análisis profundo para mejorar la circulación y optimizar los servicios de transporte.

El objetivo de este informe es analizar la movilidad en la ciudad de Pereira, utilizando datos provenientes de la plataforma Waze for Cities. A través de este análisis, buscaremos identificar patrones en el tráfico y el uso de las infraestructuras viales para proponer posibles soluciones que mejoren la movilidad urbana.

Datos de Waze for Cities

Los datos utilizados en este informe provienen de la plataforma Waze for Cities, una iniciativa de Waze que proporciona datos en tiempo real sobre el tráfico y las condiciones viales de diferentes ciudades del mundo. Waze for Cities permite acceder a información sobre la velocidad del tráfico, la congestión, accidentes, cierres de vías y otros eventos que afectan la movilidad. A través de esta plataforma, se obtiene una representación detallada del comportamiento del tráfico y las principales dificultades en la infraestructura vial de las ciudades. La base de datos utilizada contiene datos históricos y en tiempo real sobre la circulación de vehículos en Pereira, los cuales serán analizados para identificar patrones de tráfico y posibles áreas de mejora en la ciudad.

Base de datos Original

# Importar en forma de tibble
bd_waze_estadistica <- read_csv("bd_waze_estadistica.csv")

# Filtrar solo las filas donde `Municipality` sea "Pereira"
bd_waze_pereira <- bd_waze_estadistica %>% filter(Municipality == "Pereira")

# Mostrar las primeras 10 filas del dataFrame exclusivo para Pereira
head(bd_waze_pereira, 10)

Este conjunto de datos nos permite visualizar información importante sobre el tráfico en Pereira. Se analizarán variables como la frecuencia de atascos y la distribución horaria de los eventos reportados, lo que proporcionará una visión más detallada de la situación actual del tráfico en la ciudad.

Tabla de frecuencia de Accidentes

Se observa que la mayoría de los eventos reportados en Pereira son atascos, representando un 69% del total.

#Resumen de accidentalidad
require(table1)
table1(~Type,data=bd_waze_pereira)

	Overall (N=35429)
Type
ACCIDENT	2757 (7.8%)
HAZARD	7699 (21.7%)
JAM	24458 (69.0%)
ROAD_CLOSED	515 (1.5%)

# Tabla de frecuencias y gráfico de barras
tabla_frc = table(bd_waze_pereira$Type)
barplot(tabla_frc)

Este análisis nos permite ver que los atascos son el problema más común en la movilidad de Pereira, seguidos de accidentes y otros eventos viales. La alta incidencia de atascos sugiere la necesidad de intervenciones en la infraestructura y en la regulación del tráfico.

Lugares con mayor accidentalidad

leaflet() %>% addTiles() %>% 
  addCircleMarkers(lng =bd_waze_pereira$Location_X ,lat = bd_waze_pereira$Location_Y,clusterOptions=markerClusterOptions())

El mapa interactivo anterior muestra la distribución geográfica de los accidentes en Pereira. Esto es crucial para identificar puntos críticos donde se requiere mayor vigilancia o mejoras en la infraestructura vial, como intersecciones peligrosas o zonas con alto flujo vehicular.

Mapa de Calor de Congestión Vehicular

Para visualizar las zonas con mayor congestión, se utiliza un mapa de calor que muestra las áreas con mayor concentración de eventos de tráfico reportados.

# Crear una copia de la base de datos original
bd_waze_pereira_copia = bd_waze_pereira 

bd_waze_pereira_copia <- bd_waze_pereira_copia %>%
  filter(Type == "JAM") %>%   # Filtramos solo los atascos
  group_by(Location_X, Location_Y) %>%
  summarise(num_atascos = n(), .groups = "drop")  # Contamos cuántos atascos hay en cada punto

leaflet(bd_waze_pereira_copia) %>%
  addTiles() %>%
  addHeatmap(lng = ~Location_X, lat = ~Location_Y, intensity = ~num_atascos, 
             blur = 20, max = max(bd_waze_pereira_copia$num_atascos, na.rm = TRUE) * 0.1, 
             radius = 15)

El mapa de calor resalta claramente las zonas con mayor congestión en Pereira. Se observa que los puntos de mayor concentración se encuentran en áreas cercanas a intersecciones principales, zonas comerciales y vías arteriales y circunvalares de la ciudad (podríamos tomar como ejemplo la calle 17 cerca al centro comercial la 14, o la Avenida 30 de Agosto.

Calles con mayor número de atascos

# Filtrar solo los eventos de atascos y descartar valores NA en StreetType
bd_waze_pereira_atascos <- bd_waze_pereira %>%
  filter(Type == "JAM", !is.na(StreetType)) %>%
  group_by(StreetType) %>%
  summarise(total_atascos = n(), .groups = "drop") %>%
  arrange(desc(total_atascos)) %>%
  head(10)  # Tomar las 10 calles con más atascos

# Mostrar las 10 calles con más atascos
bd_waze_pereira_atascos

Veamos entonces cual es la ubicación en el mapa de estas calles

# Filtrar la base de datos original para conservar solo las 10 calles con más atascos
bd_waze_top_10 <- bd_waze_pereira %>%
  filter(Type == "JAM", StreetType %in% bd_waze_pereira_atascos$StreetType) %>%
  group_by(StreetType, Location_X, Location_Y) %>%
  summarise(total_atascos = n(), .groups = "drop")

# Crear el mapa con marcadores resaltando estas calles
leaflet(bd_waze_top_10) %>%
  addTiles() %>%
  addCircleMarkers(
    lng = ~Location_X, lat = ~Location_Y,
    radius = ~sqrt(total_atascos) * 2,  # Ajustar el tamaño del marcador según la cantidad de atascos
    color = "purple", fillOpacity = 0.7,
    popup = ~paste("<b>Tipo de calle:</b>", StreetType, "<br><b>Atascos:</b>", total_atascos)  # Usar StreetType en lugar de Street
  )

Horas Pico

hora=substr(bd_waze_pereira$StartTime,start = 1,stop = 2)
barplot(table(hora))

El análisis de las horas pico permite identificar los momentos del día con mayor congestión vehicular. Se observa que los periodos de mayor tráfico ocurren en la noche entre las 6:00 PM y las 12:00 AM. Estos datos pueden ser utilizados para diseñar estrategias de gestión del tráfico, como la implementación de carriles exclusivos, semaforización inteligente o incentivos para el uso del transporte público en horarios más congestionados.

Conclusión

El análisis de movilidad en Pereira, basado en los datos de Waze for Cities, evidencia que la congestión vehicular es el principal desafío en la infraestructura vial de la ciudad, representando el 69% de los eventos reportados. La identificación de puntos críticos con alta incidencia de tráfico ha permitido reconocer patrones específicos que afectan la circulación, particularmente en intersecciones y vías arteriales de la ciudad.

Además, el estudio revela que los periodos de mayor congestión ocurren en las horas pico, entre las 6:00 PM y las 12:00 AM. Esto sugiere la necesidad de estrategias de gestión del tráfico que optimicen el flujo vehicular y reduzcan los tiempos de desplazamiento en estos momentos críticos.

Aquí tienes una versión mejorada y más estructurada de la conclusión:

Para mitigar estas problemáticas, se recomienda:

Mejorar la infraestructura vial y la seguridad en zonas críticas, implementando señalización adecuada, rediseñando intersecciones peligrosas y optimizando la movilidad en áreas de alto flujo vehicular.
Optimizar la sincronización semafórica, especialmente en los corredores viales con mayor incidencia de atascos, para mejorar la fluidez del tráfico.
Fomentar el uso del transporte público, con incentivos y mejoras en la frecuencia y cobertura del servicio, buscando reducir la dependencia del vehículo particular.
Promover estrategias de movilidad sostenible, incentivando el uso de medios alternativos como la bicicleta y el transporte compartido, y explorando soluciones innovadoras en gestión del tráfico.

Estas acciones, basadas en datos reales, permitirían mejorar la movilidad en Pereira, reducir la congestión y elevar la calidad de vida de sus habitantes.

Pereira (Análisis Waze for Cities)

2025-02-05