Traffic Analyzer - Sistema de Análisis de Tráfico Vehicular con Machine Learning

🚦 Descripción

Traffic Analyzer es un sistema avanzado de análisis de tráfico vehicular que utiliza técnicas de Machine Learning para procesar, analizar y predecir patrones de tráfico. El sistema está diseñado para trabajar con datos de sensores de tráfico almacenados en archivos Excel, proporcionando insights valiosos para la gestión del tráfico urbano.

🎯 Características Principales

📊 Análisis Exploratorio

• Carga automática de datos: Procesamiento recursivo de archivos Excel desde múltiples carpetas
• Preprocesamiento inteligente: Limpieza de datos, detección de valores atípicos y normalización
• Análisis temporal: Identificación de patrones por hora, día de la semana y estacionalidad
• Detección de horas punta: Identificación automática de períodos de alta congestión

🤖 Machine Learning

• Modelos predictivos: Random Forest para predicción de flujo vehicular y ocupación
• Detección de anomalías: Isolation Forest para identificar datos atípicos
• Análisis de clustering: K-means para identificar patrones de tráfico similares
• Ingeniería de características: Extracción automática de features temporales y categóricas

📈 Visualizaciones

• Dashboards interactivos: Visualizaciones comprensivas con matplotlib y seaborn
• Heatmaps temporales: Análisis de patrones por hora y día de la semana
• Análisis comparativo: Comparación entre diferentes períodos (2024 vs 2025)
• Métricas de rendimiento: Visualización de la importancia de características

🔮 Predicción

• Predicción en tiempo real: Estimación de flujo y ocupación para condiciones específicas
• Análisis de tendencias: Identificación de cambios significativos en el tráfico
• Clustering de patrones: Agrupación de comportamientos similares de tráfico

🛠️ Instalación

Requisitos Previos

• Python 3.7 o superior
• Jupyter Notebook
• Google Colab (opcional)

Dependencias

pip install pandas numpy matplotlib seaborn plotly scikit-learn
pip install openpyxl xlrd

Configuración en Google Colab

1. Abrir el notebook en Google Colab
2. Montar Google Drive para acceder a los archivos de datos
3. Ejecutar las celdas de instalación de dependencias

📁 Estructura de Datos

Formato de Entrada

El sistema espera archivos Excel con la siguiente estructura:

Columna	Descripción	Tipo
Fecha	Fecha de la medición	DateTime
Hora	Hora de la medición	Time
Pista	Identificador de la pista	Integer
Flujo	Número de vehículos	Float
Ocupación	Tiempo de ocupación en ms	Float

Estructura de Carpetas

/content/drive/MyDrive/Mediciones/
├── 2024/
│   ├── enero/
│   │   ├── medicion_01.xlsx
│   │   └── medicion_02.xlsx
│   └── febrero/
└── 2025/
    └── enero/
        └── medicion_01.xlsx

🚀 Uso

Ejecución Básica

# Inicializar el analizador
analyzer = TrafficAnalyzer()

# Cargar todos los archivos Excel
analyzer.load_all_excel_files()

# Ejecutar análisis completo
analyzer.generate_comprehensive_report()

Análisis Específicos

1. Análisis Comparativo de Horas Punta

# Comparar tráfico entre 2024 y 2025
results = analyzer.analyze_peak_hours_comparison()

2. Predicción con Machine Learning

# Entrenar modelos predictivos
rf_flujo, rf_ocupacion, features = analyzer.ml_traffic_prediction()

# Realizar predicción
flujo_pred, ocupacion_pred = predict_traffic(
    analyzer, rf_flujo, rf_ocupacion, features,
    hora=8, pista=1, dia_semana=1, mes=7
)

3. Análisis de Clustering

# Identificar patrones de tráfico
patterns, kmeans_model = analyzer.clustering_analysis()

📊 Resultados y Métricas

Métricas de Rendimiento

• R² Score: Coeficiente de determinación para evaluar la calidad del modelo
• MAE (Mean Absolute Error): Error absoluto medio
• RMSE (Root Mean Square Error): Raíz del error cuadrático medio

Outputs Generados

1. Visualizaciones temporales: Gráficos de flujo y ocupación por hora/día
2. Heatmaps: Mapas de calor que muestran patrones de tráfico
3. Clusters de comportamiento: Agrupaciones de patrones similares
4. Predicciones: Estimaciones de tráfico futuro
5. Reportes estadísticos: Resúmenes numéricos y comparativos

🔧 Configuración Avanzada

Personalización de Horas Punta

analyzer = TrafficAnalyzer()
analyzer.peak_hours_morning = (6, 10)  # 6 AM - 10 AM
analyzer.peak_hours_evening = (16, 21)  # 4 PM - 9 PM

Ajuste de Parámetros de ML

# Personalizar Random Forest
rf_flujo = RandomForestRegressor(
    n_estimators=200,
    max_depth=15,
    random_state=42
)

# Personalizar detección de outliers
iso_forest = IsolationForest(
    contamination=0.05,  # 5% de outliers esperados
    random_state=42
)

📈 Casos de Uso

1. Gestión de Tráfico Urbano

• Identificación de cuellos de botella
• Optimización de semáforos
• Planificación de rutas alternativas

2. Análisis de Infraestructura

• Evaluación de la capacidad de las vías
• Planificación de ampliaciones
• Estudios de impacto de nuevas construcciones

3. Predicción y Planificación

• Estimación de tráfico futuro
• Planificación de eventos especiales
• Gestión proactiva de congestiones

🤝 Contribuciones

Las contribuciones son bienvenidas. Para contribuir:

1. Fork el repositorio
2. Crear una rama feature (git checkout -b feature/AmazingFeature)
3. Commit los cambios (git commit -m 'Add some AmazingFeature')
4. Push a la rama (git push origin feature/AmazingFeature)
5. Abrir un Pull Request

📝 Licencia

Este proyecto está licenciado bajo la Licencia MIT - ver el archivo LICENSE para más detalles.

🙏 Agradecimientos

• Desarrollado para análisis de tráfico vehicular urbano
• Utiliza bibliotecas de código abierto de la comunidad Python
• Inspirado en metodologías de ingeniería de tráfico moderna

📞 Contacto

Para preguntas, sugerencias o soporte técnico, por favor contacta al equipo de desarrollo: proyectos@eleventechs.cl

---

Nota: Este sistema está optimizado para trabajar con Google Colab y requiere acceso a Google Drive para la carga de archivos de datos.