Skip to contents

Introducción

El paquete walkability ofrece un conjunto integral de herramientas de alto rendimiento para el análisis cuantitativo de la movilidad peatonal, la transitabilidad activa y la morfología del espacio urbano.

Respaldado por un núcleo computacional en Rust paralelizado a nivel de hilos de CPU con rayon, walkability incorpora capacidades analíticas avanzadas:

  1. Ruteo peatonal individual y análisis de circuidad (walk_shortest_path).
  2. Generación de polígonos de isócronas y subredes alcanzables (walk_isochrone).
  3. Métricas morfológicas de intersecciones y conectividad urbana (walk_intersection_density).
  4. Accesibilidad acumulativa a equipamientos urbanos (POIs) (walk_compute_access).
  5. Simulación de intervenciones urbanas y análisis de escenarios (walk_scenario_close, walk_compare_scenarios).
  6. Interoperabilidad con grafos espaciales (as_sfnetwork, as_tidygraph).

En esta viñeta demostraremos el uso de cada una de estas funciones utilizando los conjuntos de datos reales de calles incluidos en el paquete.


1. Carga de Datos y Preparación de la Red

Cargamos la red vial del Centro Histórico de Cusco (streets_cusco), proyectada en coordenadas métricas UTM Zona 19S (EPSG:32719):

library(walkability)
library(sf)
#> Linking to GEOS 3.12.1, GDAL 3.8.4, PROJ 9.4.0; sf_use_s2() is TRUE

# Cargar dataset real empaquetado
data(streets_cusco)

# Construir grafo peatonal limpio y estructurado
net <- walk_build_network(
  data = streets_cusco,
  walk_speed_kmh = 4.5,
  repair = TRUE,
  snap_tolerance_m = 5.0,
  keep_components = "largest",
  verbose = FALSE
)

print(net)
#> 
#> ── Walkability Network ─────────────────────────────────────────────────────────
#> ✔ Total nodes: 566 (Giant component: 211)
#> ✔ Total edges: 234 segments (23.2 km)
#> ✔ Walking speed: 4.5 km/h (1.25 m/s)
#> ✔ Connected components: 119
#> ✔ CRS: EPSG:32719

2. Ruteo Peatonal Origen-Destino y Circuidad (walk_shortest_path)

La función walk_shortest_path() calcula el camino óptimo entre dos coordenadas geográficas o índices de nodo. Utiliza una implementación de Dijkstra en Rust que reconstruye el trayecto mediante un arreglo de predecesores prev_node y prev_edge, devolviendo la geometría exacta de la ruta (LINESTRING), el tiempo de viaje a velocidad de diseño peatonal y el ratio de circuidad:

Circuidad=Distancia sobre la red (m)Distancia euclidiana en línea recta (m)\text{Circuidad} = \frac{\text{Distancia sobre la red (m)}}{\text{Distancia euclidiana en línea recta (m)}}

Un ratio cercano a 1.01.0 indica un trayecto prácticamente rectilíneo, mientras que valores superiores a 1.31.3 reflejan desvíos obligados por la trama urbana.

# Seleccionar dos puntos extremos dentro del componente conectado
nodos_principales <- net$nodes[net$nodes$is_giant, ]
coords <- st_coordinates(nodos_principales)

origen  <- coords[1, 1:2]
destino <- coords[50, 1:2]

ruta <- walk_shortest_path(net, from = origen, to = destino)
print(ruta)
#> 
#> ── Walkability Shortest Path ───────────────────────────────────────────────────
#> ✔ Origin Node: 1 -> Destination Node: 88
#> ✔ Nodes Visited: 11
#> • Walking Distance: 1062.3 m (1.06 km)
#> • Estimated Time: 14.2 min (850 s)
#> • Route Circuity: 1.357

Podemos visualizar la ruta sobre la red vial usando el método S3 plot():

plot(ruta)


3. Polígonos de Isócronas y Subredes Alcanzables (walk_isochrone)

Las isócronas peatonales delimitan el área y los tramos de calle que un peatón puede recorrer partiendo de un punto determinado en un presupuesto de tiempo (por ejemplo, 5 o 10 minutos).

walk_isochrone() extrae la subred peatonal alcanzable con corte fraccional de aristas perimetrales (partial-edge truncation) y sintetiza los polígonos envolventes mediante dos metodologías: * "concave": Envolvente cóncava (concave hull / alpha shape) calculada con sf::st_concave_hull(). * "buffer": Disolución de buffers aplicados a lo largo de los ejes de calle transitables.

# Calcular isócrona a 5 minutos a pie desde el punto de origen
iso_5m <- walk_isochrone(net, origin = origen, time_min = 5.0, method = "concave")
print(iso_5m)
#> 
#> ── Walkability Isochrones ──────────────────────────────────────────────────────
#> ✔ Origin Node: 1
#> ✔ Enveloping Method: concave
#> ✔ Topology Type: Non-overlapping concentric rings (Disjoint)
#> ✔ Cutoffs Evaluated: 5 min
#> • [0 - 5 min] Reachable length: 1.36 km | Area: 0.07 km² | Edges: 18

Visualización del polígono de isócrona y de los tramos de red alcanzables:

plot(iso_5m)


4. Morfología Urbana y Tipología de Intersecciones (walk_intersection_density)

La caminabilidad de un barrio depende estrechamente de la conectividad de su red de calles. Calles sin salida (cul-de-sacs) obstaculizan el tránsito y obligan a rodeos, mientras que intersecciones en cuadrícula de 4 o más direcciones multiplican las rutas alternativas.

walk_intersection_density() analiza la valencia topológica de cada nodo de la red y reporta: * Cul-de-sacs (grado 1): Extremos ciegos y calles sin salida. * Nodos de paso (grado 2): Vértices intermedios de curvatura o continuidad. * Intersecciones en T (grado 3): Bifurcaciones de tres direcciones. * Cruces ortogonales (grado 4+): Cruces regulares en cuadrícula. * Densidad de intersecciones: Número de cruces (≥3\ge 3 direcciones) por km2\text{km}^2. * Ratio de Cul-de-sacs: Proporción de extremos ciegos respecto al total de cruces reales. * Ratio de Ortogonalidad: Proporción de cruces de 4 o más vías.

morfologia <- walk_intersection_density(net)
print(morfologia)
#> 
#> ── Walkability Network Morphology & Intersection Density ───────────────────────
#> ✔ Total Intersections (≥ 3-way): 79
#> ✔ Cul-de-sacs (Dead ends, 1-way): 74
#> ✔ 3-way Junctions (T-junctions): 45
#> ✔ 4-way+ Crossings (Grid nodes): 34
#> • Intersection Density: 33.8 / km² (Convex hull of network nodes)
#> • Cul-de-sac Ratio: 93.7 % of intersections
#> • Grid Orthogonality Ratio (4-way+ / Intersections): 43.0 %
#> • Mean Node Degree: 0.83

Visualización espacial de los tipos de cruce e intersecciones:

plot(morfologia)


5. Accesibilidad Acumulativa a Equipamientos Urbanos (walk_compute_access)

En planificación urbana orientada a la proximidad (la «ciudad de los 15 minutos»), una métrica fundamental es cuántos equipamientos esenciales (paradas de transporte, farmacias, colegios, centros de salud) son alcanzables a pie desde cada esquina de la ciudad.

walk_compute_access() evalúa esta accesibilidad de forma multi-hilo en Rust para todos los cruces de la red de manera simultánea:

# Simular 5 equipamientos urbanos (p. ej. paradas de transporte público o farmacias)
# ubicados en nodos de la red
set.seed(42)
pois_muestra <- nodos_principales[c(5, 25, 45, 65, 85), ]
pois_muestra$tipo <- c("Salud", "Educación", "Transporte", "Comercio", "Salud")

# Calcular accesibilidad acumulativa en 5 minutos a pie
acc <- walk_compute_access(
  network = net,
  pois = pois_muestra,
  time_min = 5.0,
  category_col = "tipo",
  verbose = FALSE
)

print(acc)
#> 
#> ── Walkability Cumulative POI Accessibility ────────────────────────────────────
#> ✔ Isochrone Threshold: 5.0 minutes
#> ✔ Facilities Evaluated: 5
#> ✔ Evaluated Junctions: 211
#> • [Salud] Avg reachable: 0.2 | Max: 2 | Reachability coverage: 18.5% of network
#> • [Educación] Avg reachable: 0.1 | Max: 1 | Reachability coverage: 9.0% of
#>   network
#> • [Transporte] Avg reachable: 0.2 | Max: 1 | Reachability coverage: 15.6% of
#>   network
#> • [Comercio] Avg reachable: 0.1 | Max: 1 | Reachability coverage: 5.2% of
#>   network

La tabla resultante acc$nodes incluye el conteo de equipamientos alcanzables y el tiempo mínimo de acceso a pie por cada categoría (access_salud_count, access_educacion_count, etc.):

cols_acc <- grep("^access_", names(acc$nodes), value = TRUE)
head(sf::st_drop_geometry(acc$nodes)[, c("node_id", head(cols_acc, 4))])
#>   node_id access_salud_count access_salud_min_time_min access_educaci_n_count
#> 1       0                 NA                        NA                     NA
#> 2       1                  0                       NaN                      0
#> 3       2                  0                       NaN                      0
#> 4       3                 NA                        NA                     NA
#> 5       4                 NA                        NA                     NA
#> 6       5                  0                       NaN                      0
#>   access_educaci_n_min_time_min
#> 1                            NA
#> 2                           NaN
#> 3                           NaN
#> 4                            NA
#> 5                            NA
#> 6                           NaN

Visualización cartográfica del gradiente de accesibilidad:

plot(acc)


6. Simulación de Intervenciones Urbanas y Análisis de Escenarios

Los planificadores a menudo necesitan responder a preguntas como: ¿Qué sucede con la transitabilidad si se peatonaliza un tramo vial? o ¿Cuál es el impacto en la red si se clausura una calle por obras o emergencias?

walkability permite modelar estos escenarios con walk_scenario_close() y comparar rigurosamente el impacto frente al escenario base mediante walk_compare_scenarios():

# Simular el cierre de dos tramos viales (por ejemplo, para paseo peatonal o mantenimiento)
aristas_cierre <- c(5, 12)
net_proyecto <- walk_scenario_close(
  network = net,
  edge_indices = aristas_cierre,
  name = "Peatonalización Eje Central"
)

# Comparar ambos escenarios en un horizonte de 5 minutos
comparacion <- walk_compare_scenarios(
  base = net,
  scenario = net_proyecto,
  time_min = 5.0,
  verbose = FALSE
)

print(comparacion)
#> 
#> ── Walkability Scenario Comparison ─────────────────────────────────────────────
#> ℹ Evaluation budget: 5 minutes at 4.5 km/h
#>                      Metric   Base Scenario  Delta
#>                 Total Edges 234.00   232.00  -2.00
#>         Network Length (km)  23.15    22.71  -0.44
#>       Giant Component Nodes 211.00   211.00   0.00
#>  Total Connected Components 119.00   356.00 237.00
#>             Mean Reach (km)   1.90     1.82  -0.08
#>              Max Reach (km)   4.42     4.42   0.00

Visualización del impacto y deltas de accesibilidad entre ambos escenarios:

plot(comparacion)


7. Interoperabilidad con sfnetworks y tidygraph

Para integrar walkability con paquetes avanzados de análisis de redes espaciales como sfnetworks y tidygraph:

# Conversión a objeto sfnetwork
if (requireNamespace("sfnetworks", quietly = TRUE)) {
  sfn <- as_sfnetwork(net)
  print(sfn)
}
#> # A sfnetwork with 566 nodes and 234 edges
#> #
#> # CRS:  EPSG:32719 
#> #
#> # An undirected multigraph with 356 components with spatially explicit edges
#> #
#> # Node data: 566 × 4 (active)
#>   node_id component is_giant           geometry
#>     <int>     <int> <lgl>           <POINT [m]>
#> 1       0       550 FALSE    (178123.7 8503446)
#> 2       1       520 TRUE     (177744.5 8503236)
#> 3       2       520 TRUE     (177510.2 8503648)
#> 4       3       496 FALSE    (178153.6 8503156)
#> 5       4       550 FALSE    (177925.3 8503817)
#> 6       5       520 TRUE     (177432.4 8503780)
#> # ℹ 560 more rows
#> #
#> # Edge data: 234 × 12
#>    from    to osm_id name  highway street_id                  geometry from_node
#>   <int> <int> <chr>  <chr> <chr>       <int>          <LINESTRING [m]>     <int>
#> 1     2   366 48197… Puen… tertia…         2 (177744.5 8503236, 17774…         1
#> 2     3   147 48197… Aven… tertia…         3 (177510.2 8503648, 17751…         2
#> 3     6   114 48201… Hauq… reside…         6 (177432.4 8503780, 17743…         5
#> # ℹ 231 more rows
#> # ℹ 4 more variables: to_node <int>, length_m <dbl>, travel_time_s <dbl>,
#> #   is_giant <lgl>

# Conversión a objeto tidygraph tbl_graph
if (requireNamespace("tidygraph", quietly = TRUE)) {
  tg <- as_tidygraph(net)
  print(tg)
}
#> # A tbl_graph: 566 nodes and 234 edges
#> #
#> # An undirected multigraph with 356 components
#> #
#> # Node Data: 566 × 4 (active)
#>    node_id component is_giant           geometry
#>      <int>     <int> <lgl>           <POINT [m]>
#>  1       0       550 FALSE    (178123.7 8503446)
#>  2       1       520 TRUE     (177744.5 8503236)
#>  3       2       520 TRUE     (177510.2 8503648)
#>  4       3       496 FALSE    (178153.6 8503156)
#>  5       4       550 FALSE    (177925.3 8503817)
#>  6       5       520 TRUE     (177432.4 8503780)
#>  7       6       520 TRUE     (177312.1 8503514)
#>  8       7       367 FALSE    (177724.3 8503413)
#>  9       8       368 FALSE    (178002.4 8503664)
#> 10       9       520 TRUE     (177493.5 8503190)
#> # ℹ 556 more rows
#> #
#> # Edge Data: 234 × 12
#>    from    to osm_id name  highway street_id                  geometry from_node
#>   <int> <int> <chr>  <chr> <chr>       <int>          <LINESTRING [m]>     <int>
#> 1     2   366 48197… Puen… tertia…         2 (177744.5 8503236, 17774…         1
#> 2     3   147 48197… Aven… tertia…         3 (177510.2 8503648, 17751…         2
#> 3     6   114 48201… Hauq… reside…         6 (177432.4 8503780, 17743…         5
#> # ℹ 231 more rows
#> # ℹ 4 more variables: to_node <int>, length_m <dbl>, travel_time_s <dbl>,
#> #   is_giant <lgl>

Esta interoperabilidad bidireccional permite utilizar algoritmos de centralidad (tidygraph), flujo de tráfico y ruteo multimodal sobre la red construida y optimizada por walkability.


Conclusión

El conjunto de módulos implementados en walkability proporciona un ecosistema completo para el análisis de transitabilidad activa en ciudades. Al combinar la velocidad nativa de Rust con la flexibilidad analítica y cartográfica del ecosistema espacial de R, el paquete permite evaluar desde trayectos puntuales hasta planes maestros urbanos con precisión métrica y respaldo teórico.