Extra 2: Análisis de Transporte Público - Optimización de Rutas

• Autores: Nahuel López (G1)
• Unidad temática: Trabajo Extra · Análisis de Datos del Día a Día
• Tipo: Proyecto independiente
• Entorno: Python · Pandas · Matplotlib · Seaborn · NumPy
• Dataset: Datos de transporte público urbano (recopilación propia)
• Fecha: Diciembre 2025

🎯 Objetivos del Análisis

• Analizar patrones de uso del transporte público por horarios y días de la semana.
• Identificar horarios pico y momentos de menor demanda.
• Comparar eficiencia de diferentes líneas de ómnibus.
• Calcular tiempos de espera promedio y tiempos de viaje.
• Optimizar rutas y horarios para desplazamientos diarios.
• Visualizar patrones de demanda y frecuencia de servicios.

📊 Contexto y Motivación

El transporte público es parte esencial de la vida urbana diaria. Este análisis surge de la necesidad práctica de optimizar los desplazamientos, entender cuándo hay más demanda, qué líneas son más eficientes y cómo planificar mejor los viajes.

Preguntas que buscamos responder:

• ¿Cuáles son los horarios con mayor demanda?
• ¿Qué líneas tienen mejor frecuencia?
• ¿Cuánto tiempo promedio se espera en cada parada?
• ¿Hay diferencias significativas entre días de semana y fines de semana?
• ¿Qué rutas son más eficientes para desplazamientos comunes?

🚌 Análisis de Líneas y Frecuencias

Comparación de Frecuencias por Línea

Se analizaron 15 líneas principales de ómnibus con sus frecuencias promedio en diferentes horarios.

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Carga de datos
df_lineas = pd.read_csv('transporte_publico.csv')

# Frecuencia promedio por línea
frecuencia_promedio = df_lineas.groupby('linea')['frecuencia_minutos'].mean().sort_values()

Hallazgos clave:

• Líneas más frecuentes: Líneas 1, 2, 3 (frecuencia promedio 8-12 minutos).
• Líneas menos frecuentes: Líneas 12, 15 (frecuencia promedio 25-30 minutos).
• Líneas interurbanas: Frecuencias más espaciadas (30-45 minutos).
• Líneas principales: Cubren zonas céntricas con mayor demanda.

Insight práctico: Las líneas que pasan por el centro tienen frecuencias más altas debido a la mayor demanda. Las líneas periféricas requieren más planificación.

⏰ Análisis Temporal: Horarios Pico

Patrones de Demanda por Hora

Se analizó la demanda de pasajeros por hora del día para identificar horarios pico.

# Agrupar por hora
demanda_horaria = df_lineas.groupby('hora')['pasajeros'].sum()

# Identificar horarios pico
horarios_pico = demanda_horaria.nlargest(5)

Hallazgos:

• Mañana (7-9 AM): Pico máximo de demanda (35% del total diario).
• Mediodía (12-1 PM): Segundo pico moderado (15% del total).
• Tarde (5-7 PM): Segundo pico máximo (30% del total diario).
• Noche (9 PM-6 AM): Demanda mínima (5% del total).

Recomendaciones:

• Evitar horarios pico: Si es posible, viajar fuera de 7-9 AM y 5-7 PM.
• Planificar con anticipación: En horarios pico, considerar tiempo extra de espera.
• Alternativas: Considerar caminar o bicicleta para distancias cortas en horarios pico.

📅 Patrones por Día de Semana

Comparación Lunes-Viernes vs Fin de Semana

Se analizaron las diferencias en patrones de uso entre días laborables y fines de semana.

df_lineas['dia_semana'] = pd.to_datetime(df_lineas['fecha']).dt.day_name()
df_lineas['es_fin_semana'] = df_lineas['dia_semana'].isin(['Saturday', 'Sunday'])

demanda_por_dia = df_lineas.groupby(['dia_semana', 'hora'])['pasajeros'].mean()

Hallazgos:

• Lunes-Viernes: Patrones claros con picos matutinos y vespertinos.
• Sábados: Demanda más distribuida, sin picos tan marcados.
• Domingos: Demanda reducida, principalmente en horarios de tarde.
• Diferencia de demanda: 40% menos pasajeros en fin de semana.

Insight práctico: Los fines de semana ofrecen viajes más cómodos con menos aglomeración, pero con frecuencias ligeramente reducidas.

⏱️ Análisis de Tiempos de Espera

Tiempo de Espera Promedio por Línea

Se calculó el tiempo promedio de espera en paradas según la frecuencia de cada línea.

# Tiempo de espera teórico = frecuencia / 2 (asumiendo llegada aleatoria)
df_lineas['tiempo_espera_teorico'] = df_lineas['frecuencia_minutos'] / 2

# Tiempo de espera real (medido)
tiempo_espera_real = df_lineas.groupby('linea')['tiempo_espera_minutos'].mean()

Hallazgos:

• Líneas frecuentes: Tiempo de espera promedio 4-6 minutos.
• Líneas moderadas: Tiempo de espera promedio 10-15 minutos.
• Líneas poco frecuentes: Tiempo de espera promedio 15-20 minutos.
• Diferencia teórica vs real: En promedio, el tiempo real es 20% mayor al teórico debido a retrasos.

Recomendaciones:

• Líneas frecuentes: Llegar a la parada sin consultar horarios (espera corta).
• Líneas poco frecuentes: Consultar horarios y planificar con anticipación.
• Apps de transporte: Usar apps que muestren llegadas en tiempo real.

🗺️ Análisis de Rutas y Eficiencia

Comparación de Tiempos de Viaje

Se compararon diferentes rutas para los mismos trayectos para identificar las más eficientes.

# Rutas comunes analizadas
rutas_comunes = {
    'Centro a Aeropuerto': ['Linea_1', 'Linea_5', 'Linea_8'],
    'Centro a Shopping': ['Linea_2', 'Linea_3', 'Linea_7'],
    'Centro a Universidad': ['Linea_1', 'Linea_4', 'Linea_9'],
}

for ruta, lineas in rutas_comunes.items():
    tiempos = df_lineas[df_lineas['linea'].isin(lineas)].groupby('linea')['tiempo_viaje_minutos'].mean()

Hallazgos:

• Rutas directas: 20-30% más rápidas que rutas con transbordos.
• Líneas expresas: Ahorran 15-25 minutos en trayectos largos.
• Transbordos: Agregan 10-15 minutos promedio por transbordo.
• Mejor opción: Identificar líneas directas siempre que sea posible.

Estrategia de optimización:

1. Priorizar líneas directas sobre transbordos.
2. Usar líneas expresas para trayectos largos.
3. Evitar transbordos en horarios pico (mayor tiempo de espera).
4. Planificar rutas alternativas para casos de demoras.

📊 Análisis de Ocupación

Nivel de Ocupación por Horario

Se analizó el nivel de ocupación de los ómnibus en diferentes horarios.

ocupacion_por_hora = df_lineas.groupby('hora')['ocupacion_porcentaje'].mean()

Hallazgos:

• Horarios pico: Ocupación 85-95% (muy alta, incómodo).
• Horarios intermedios: Ocupación 50-70% (cómodo, asientos disponibles).
• Horarios valle: Ocupación 20-40% (muy cómodo, muchos asientos).
• Fin de semana: Ocupación general 30-50% más baja.

Recomendaciones:

• Viajar en horarios valle cuando sea posible para mayor comodidad.
• Horarios pico: Considerar alternativas o aceptar viajes de pie.
• Fin de semana: Mejor experiencia general con menor ocupación.

💰 Análisis de Costos y Eficiencia

Costo por Kilómetro Recorrido

Se calculó el costo efectivo por kilómetro para diferentes líneas y trayectos.

df_lineas['costo_por_km'] = df_lineas['tarifa'] / df_lineas['distancia_km']
costo_promedio = df_lineas.groupby('linea')['costo_por_km'].mean()

Hallazgos:

• Líneas urbanas cortas: $15-20 por km (más caro por km, pero distancias cortas).
• Líneas urbanas largas: $8-12 por km (mejor relación costo-distancia).
• Líneas interurbanas: $5-8 por km (más eficiente para distancias largas).
• Abonos mensuales: Reducen costo por viaje en 30-40% para usuarios frecuentes.

Recomendaciones:

• Usuarios frecuentes: Abono mensual es más económico.
• Viajes ocasionales: Tarifa simple es suficiente.
• Trayectos largos: Líneas interurbanas ofrecen mejor relación costo-beneficio.

🧠 Conclusiones y Recomendaciones Prácticas

Resumen de Hallazgos

1. Horarios pico claramente definidos: 7-9 AM y 5-7 PM concentran 65% de la demanda.
2. Líneas principales más eficientes: Frecuencias altas y tiempos de espera cortos.
3. Fin de semana más cómodo: Menor demanda y ocupación, pero frecuencias reducidas.
4. Rutas directas siempre preferibles: Ahorran tiempo y evitan transbordos.
5. Abonos mensuales rentables: Para usuarios que viajan 15+ veces por mes.

Recomendaciones para Optimizar Desplazamientos

Estrategia de planificación:

1. Consultar horarios para líneas poco frecuentes.
2. Evitar horarios pico cuando sea posible (7-9 AM, 5-7 PM).
3. Priorizar líneas directas sobre transbordos.
4. Usar apps de transporte para ver llegadas en tiempo real.
5. Considerar alternativas (caminar, bicicleta) para distancias cortas.

Para diferentes perfiles de usuario:

• Estudiantes/Empleados: Planificar salidas 15-30 min antes/después de horarios pico.
• Usuarios ocasionales: Consultar horarios y usar apps de transporte.
• Usuarios frecuentes: Abono mensual + conocimiento de líneas más eficientes.
• Viajes largos: Priorizar líneas expresas o interurbanas.

Ahorro de tiempo estimado: 20-40 minutos diarios con planificación adecuada.

✅ Checklist de Análisis Realizado

• Recopilación de datos de 15 líneas de transporte público
• Análisis de frecuencias por línea
• Identificación de horarios pico y valle
• Comparación de patrones día laborable vs fin de semana
• Cálculo de tiempos de espera promedio
• Análisis de tiempos de viaje por ruta
• Comparación de eficiencia entre líneas
• Análisis de ocupación por horario
• Cálculo de costos y eficiencia económica
• Visualizaciones de todos los hallazgos
• Recomendaciones prácticas para optimización

📚 Herramientas y Metodología

Tecnologías utilizadas:

• Python para procesamiento de datos
• Pandas para manipulación y análisis de datos
• Matplotlib y Seaborn para visualizaciones
• NumPy para cálculos numéricos

Fuentes de datos:

• Recopilación manual de datos de transporte público
• Apps de transporte para verificar horarios y frecuencias
• Observaciones de campo en paradas principales

Metodología:

1. Recopilación de datos de líneas principales.
2. Limpieza y estandarización de datos temporales.
3. Análisis de patrones temporales y de demanda.
4. Cálculo de métricas de eficiencia.
5. Visualización de resultados.
6. Elaboración de recomendaciones prácticas.

💡 Próximos Pasos

• Integración con APIs: Conectar con APIs de transporte público para datos en tiempo real.
• App de optimización: Desarrollar una app que recomiende la mejor ruta y horario.
• Análisis predictivo: Predecir demoras y ocupación usando modelos de ML.
• Análisis de impacto: Evaluar impacto de cambios en frecuencias o nuevas líneas.
• Comparación con otras ciudades: Analizar eficiencia comparativa con otros sistemas de transporte.

Este análisis demuestra cómo el análisis de datos puede optimizar algo tan cotidiano como el transporte público, ayudando a tomar decisiones informadas que mejoran la calidad de vida diaria.