Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia

Equation Chapter 1 Section 1 Trabajo Fin de Grado Grado en Ingeniería Civil Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Dep. Ingeniería Gráfica Escuela Técnica Superior de Ingeniería Universidad de Sevilla Autora: María del Mar Pino Cáceres Tutoras: Cristina Torrecillas Lozano Noelia Cáceres Sánchez Sevilla, 2017 iii Trabajo Fin de Grado Grado en Ingeniería Civil Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Autora: María del Mar Pino Cáceres Tutoras: Cristina Torrecillas Lozano Profesora contratada doctora Noelia Cáceres Sánchez Dep. de Ingeniería Gráfica Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2017 v Trabajo Fin de Grado: Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Autor: María del Mar Pino Cáceres Tutoras: Cristina Torrecillas Lozano Noelia Cáceres Sánchez El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2017 El Secretario del Tribunal vii A mi familia, gracias por su apoyo constante. A mi tutora, por su ayuda y orientaciones. ix Resumen Hoy en día ha surgido el concepto de Ciudad Inteligente y se hace necesario armonizar grandes potenciales de datos y técnicas disponibles para el logro de nuevos modelos de ciudades. Entre estas técnicas está el desarrollo de una gestión eficiente y sostenible del transporte y del tráfico. Además, las iniciativas de Datos Abiertos en esta temática permiten compartir información en tiempo real desde los contadores de tráfico, la disponibilidad de plazas de aparcamiento o la situación de los sistemas públicos de bicicletas, facilitando así la realización de estudios ajenos a la administración. El presente trabajo presenta por un lado, una metodología para la obtención de información del tráfico y de condiciones meteorológicas y su integración con información demográfica y de centros atractores y, por otro lado, la construcción de modelos estadísticos y geoestadísticos de la intensidad de tráfico ciclista y motorizado, utilizando el sistema de información geográfico ArcGIS y el paquete informático R, para determinar el comportamiento actual de la movilidad urbana en la ciudad de Valencia de cara a proponer futuras mejoras. La primera parte desarrolla un script que permite la descarga autónoma de datos procedentes de portales de datos abiertos y se analizan las principales componentes del tráfico urbano. En la segunda se integran: un análisis descriptivo de la información; un modelo de regresión lineal; interpolaciones espaciales de las intensidades horarias de tráfico recopiladas; análisis de puntos calientes y modelos predictivos de krigeado espacial y espacio-temporal. Los resultados obtenidos muestran cómo existen zonas estables en las que el tráfico suele ser más intenso independientemente de la hora. Del análisis de las variables que afectan a la intensidad del tráfico destacan el día de la semana, la hora de medida y las variables climatologicas (dirección del viento, velocidad del viento y humedad). Además el uso que da la juventud a la bicicleta como medio de transporte queda reflejado en la zona universitaria de la ciudad, que ejerce una fuerte influencia sobre la movilidad ciclista. Respecto al tráfico motorizado la conclusión obtenida es que las zonas de mayores intensidades se ubican en el centro de la ciudad y las grandes avenidas. Estas conclusiones pueden ser de interés para los gestores de infraestructuras públicas de transporte y para las nuevas iniciativas de gestión de flotas de vehículos compartidos (free-float car sharing systems). xvii ÍNDICE DE FIGURAS Figura 1-1. Representación descriptiva de la herramienta Cubo Espacio-Tiempo 8 Figura 2-1. Evolución de la población en la ciudad de Valecia 11 Figura 2-2. Densidad de población por distritos 11 Figura 2-3. Población española y extranjera (%) 13 Figura 2-4. Población de hombres y mujeres 13 Figura 2-5. Población por rango de edad 14 Figura 2-6. Estructura de la población según edad y sexo 14 Figura 2-7. Carril bici y estaciones de Valenbisi 15 Figura 2-8. Estaciones de Valenbisi por mil habitantes 16 Figura 2-9. Paradas EMT por distrito 16 Figura 2-10. Nº de líneas EMT por distrito 17 Figura 2-11. Paradas EMT por cada 1000 habitantes 17 Figura 2-12. Plano red de metrovalencia 18 Figura 2-13. Usuarios del metro de Valencia según línea y mes 19 Figura 2-14. Trenes diarios por línea y día 19 Figura 2-15. Principales paradas de metro 20 Figura 2-16. Parque de vehículos de la ciudad de Valencia 21 Figura 2-17. Antigüedad del parque de vehículos. (Dirección General de Tráfico, s.f.) 21 Figura 2-18. Turismos por distrito y habitante 22 Figura 2-19. Plazas de aparcamiento y parkings 22 Figura 2-20. Centros sanitarios 23 Figura 2-21. Alumnado según distrito y nivel educativo 25 Figura 2-22. Alumnado por nivel educativo 26 Figura 2-23. Centros universitarios y área de influencia a 300 metros 27 Figura 2-24. Principales estaciones ferroviarias y de autobuses 28 Figura 2-25. Reparto modal de la movilidad urbana 29 Figura 2-26. Relaciones O/D de bicicletas 29 Figura 2-27.Intensidad media del tráfico de bicicletas 29 Figura 2-28. Relaciones O/D bicicleta privada 30 Figura 2-29. Relaciones O/D bicicleta pública 30 Figura 2-30. Nº medio de viajes diarios en bicicleta pública según mes 30 Figura 2-31. Evolución servicio EMT. Kilómetros y plazas. (Ayuntamiento de Valencia, 2013) 31 Figura 2-32. Usuarios anuales de las líneas diurnas de autobús urbano 31 Figura 2-33. Recorrido de la Línea 2, Malva rosa – Campanar. (EMT, s.f.) 32 Figura 2-34. Recorrido de la Línea 81, Estación del Norte – Blasco Ibañez. (EMT, s.f.) 32 Figura 2-35. Recorrido de las líneas 89 y 90, Circulares. (EMT, s.f.) 33 Figura 2-36. Evolución de los usuarios del transporte público de autobús 33 Figura 2-37. Programador de tareas (I) 35 Figura 2-38. Programador de tareas (II) 35 Figura 2-39. Programador de tareas (III) 36 Figura 2-40. Ubicación de las espiras de bicicletas 37 Figura 2-41. Ubicación de las espiras de tráfico motorizado 37 Figura 3-1. Modelo separable 45 Figura 3-2. Modelo producto-suma 46 Figura 3-3. Modelo métrico 46 Figura 3-4. Modelo suma-métrico 47 Figura 3-5. Modelo suma-métrico simple 48 Figura 4-1. Evolución horaria de la intensidad media del tráfico de bicicletas 49 Figura 4-2. Evolución horaria de la intensidad media del tráfico motorizado 50 Figura 4-3. Intensidad horaria media de bicicletas según el día de la semana 50 Figura 4-4. Intensidad horaria media de tráfico motorizado según el día de la semana 51 Figura 4-5. Intensidad horaria media de bicicletas según mes 51 Figura 4-6. Intensidad horaria media del tráfico rodado según mes 52 Figura 4-7. Intensidad horaria de tráfico motorizado de la espira 209 durante el mes de febrero 52 Figura 4-8. Intensidad horaria de bicicletas de la espira 3932 durante el mes de marzo 52 Figura 4-9. Intensidad horaria media de tráfico en día laborable a las 8:00 am 53 Figura 4-10. Intensidad horaria media de tráfico en fin de semana a las 8:00 am 53 Figura 4-11. Ih media bicicletas en día laborable a las 8:00 am 54 Figura 4-12. Ih media bicicletas en fin de semana a las 8:00 am 54 Figura 4-13. Ubicación de las espiras 230, 3410 y 1044 55 Figura 4-14. Bondad de ajuste medida mediante R2 ajustado. Bicicletas 56 Figura 4-15. Bondad de ajuste medida mediante R2 ajustado. Tráfico motorizado 57 Figura 4-16. Representación R2 por espiras de tráfico motorizado 58 Figura 4-17. Interpolación usando Krigeado de bicicletas en día laborable. 6 h (veh/h) 59 Figura 4-18. Interpolación usando Krigeado de bicicletas en fin de semana. 6 h. (veh/h) 59 Figura 4-19. Interpolación usando Krigeado de bicicletas en día laborable. 12 h (veh/h) 60 Figura 4-20. Interpolación usando Krigeado de bicicletas en fin de semana. 12 h (veh/h) 60 Figura 4-21. Interpolación usando Krigeado de bicicletas en día laborable. 18 h (veh/h) 61 Figura 4-22. Interpolación usando Krigeado de bicicletas en fin de semana. 18 h (veh/h) 61 xix Figura 4-23. Interpolación usando Krigeado de motorizado en día laborable. 6 h (veh/h) 62 Figura 4-24. Interpolación usando Krigeado de motorizado en fin de semana. 6 h (veh/h) 62 Figura 4-25. Interpolación usando Krigeado de motorizado en día laborable. 12 h (veh/h) 63 Figura 4-26. Interpolación usando Krigeado de en fin de semana. 12 h (veh/h) 63 Figura 4-27. Interpolación usando Krigeado de motorizado en día laborable. 18 h (veh/h) 64 Figura 4-28. Interpolación usando Krigeado de motorizado en fin de semana. 18 h (veh/h) 64 Figura 4-29. Comparación ih de bicicletas con población y universidades 65 Figura 4-30. Comparación ih de tráfico motorizado con elementos de la ciudad 66 Figura 4-31. Comparación ih tráfico motorizado con principales estaciones 67 Figura 4-32. Puntos calientes. Bicicletas en fin de semana intervalo [6:12] 68 Figura 4-33. Puntos calientes. Bicicletas en día laborable intervalo [6:12] 68 Figura 4-34. Puntos calientes. Bicicletas en fin de semana intervalo [12:18] 69 Figura 4-35. Puntos calientes. Bicicletas en día laborable intervalo [12:18] 69 Figura 4-36. Puntos calientes. Bicicletas en fin de semana intervalo [18:23] 70 Figura 4-37. Puntos calientes. Bicicletas en día laborable intervalo [18:23] 70 Figura 4-38. Puntos calientes. Tráfico en fin de semana intervalo [6:12] 71 Figura 4-39. Puntos calientes. Tráfico en día laborable intervalo [6:12] 71 Figura 4-40. Puntos calientes. Tráfico en fin de semana intervalo [12:18] 72 Figura 4-41. Puntos calientes. Tráfico en día laborable intervalo [12:18] 72 Figura 4-42. Puntos calientes. Tráfico en fin de semana intervalo [18:23] 73 Figura 4-43. Puntos calientes. Tráfico en día laborable intervalo [18:23] 73 Figura 4-44. Variograma espacio-temporal empírico (bicicletas) 75 Figura 4-45. Variograma espacio-temporal empírico tipo mapa de calor (bicicletas) 76 Figura 4-46. Variograma espacio-temporal empírico tipo 3D (bicicletas) 76 Figura 4-47. Variograma teórico ajustado a la muestra 77 Figura 4-48. Grid espacial para la predicción 77 Figura 4-49. Resultados del krigeado espacio-temporal 78 Figura 4-50. Variograma espacial empírico y ajustado para bicicletas a las 8 h. 78 Figura 4-51. Mapa de predicción de bicicletas a las 8h. 79 Figura 4-52. Variograma espacial empírico y ajustado para tráfico motorizado en laborable. 8h. 79 Figura 4-53. Mapa de predicción de tráfico motorizado día laborable a las 8 h. 80 Figura 4-54. Comparativa interpolación con barreras y krigeado en bicicletas. 8h 81 Figura 4-55. Comparativa interpolación con barreras y krigeado en laborable motorizado. 8h 82 1 1 INTRODUCCIÓN El fenómeno de globalización está presente hoy día en casi todos los ámbitos de la vida moderna. Las actividades y rutinas de las personas han ido avanzando en paralelo al comercio, la economía y el desarrollo de este último siglo. Sin embargo, las ciudades en las que habita cada vez un mayor porcentaje de la población mundial han variado poco sus modelos de funcionamiento y servicios. No obstante, existen actualmente múltiples herramientas y un gran potencial tecnológico con los que afrontar la adaptación global de las ciudades a las necesidades y mejoras que nos demanda el presente. Debido a esta falta de adaptación y motivado por el crecimiento exponencial de las nuevas tecnologías, surge el movimiento de las Smart Cities. 1.1 Hacia la ciudad inteligente El concepto de Smart City nace muy ligado a la sostenibilidad ambiental y reducciones de gases efecto invernadero (GEI). Pese a que no existe una definición exacta que esté aceptada globalmente, podemos determinar que inicialmente la ciudad inteligente quedaba definida como la implementación de las nuevas tecnologías a algún ámbito urbano como podría ser la movilidad o la eficiencia energética. Hoy día el concepto se ha expandido, pudiéndose definir la ciudad inteligente como aquella en la que mediante el uso intensivo de las nuevas tecnologías de la información (TIC), se consigue una gestión eficiente del conjunto de actividades que componen una ciudad. Tratando elementos tan dispares como movilidad, los suministros energéticos, los servicios urbanos o la actividad gubernamental. Dentro de esta nueva visión de las ciudades, los propios ciudadanos toman un papel protagonista, situándose en primera línea de la toma de decisiones, asumiendo la tarea de aportar información y opiniones de valor decisivo, haciéndose indispensable el uso y análisis práctico de ingentes volúmenes de datos (BIG DATA). Se configura el concepto de una ciudad que sirva a sus habitantes, mejorando la calidad de vida y proclamándose un centro atractivo para el crecimiento económico, atrayendo actividad empresarial y visitantes. En su artículo "Current trends in Smart City initiatives: Some stylised facts", Paolo Neirotti et al. clasifican en dos grandes grupos los factores que participan en la ciudad inteligente: factores "Hard" y "Soft". Great design is a multi-layered relationship between human life and its environment. - Naoto Fukasawa - Introducción 2 2 Tabla 1-1. Factores “Hard” de la Smart City Factor Objetivos Redes de energía Establecer redes automatizadas que empleen tecnología TIC para proveer energía, intercambiando información para conseguir un consumo eficiente, así como reducir costes y aumentar la transparencia de los servicios energéticos. Alumbrado público, recursos naturales y gestión del agua Gestionar el alumbrado público y los recursos naturales. Implementar el uso de las fuentes de energía renovables. Gestión de residuos Aplicar la innovación para una gestión efectiva de los residuos urbanos, considerando ésta como la recolección, disposición, reciclaje y recuperación de residuos. Medio ambiente Usar la tecnología para proteger y gestionar mejor los recursos naturales y las infraestructuras relacionadas con los mismos, con el fin de aumentar la sostenibilidad. Se incluye el control de la contaminación. Transporte, movilidad y logística Optimizar las actividades logísticas y el transporte en áreas urbanas teniendo en cuenta las condiciones del tráfico y el consumo energético. Aportar al usuario información dinámica y multi-modal para conseguir un tráfico y transporte eficientes, así como asegurar un transporte público sostenible que emplee combustibles respetuosos con el medio ambiente y sistemas de propulsión innovadores. Edificación Adoptar tecnologías sostenibles para edificación, creando viviendas y espacios de trabajo con recursos reducidos. Adaptar estructuras existentes para ganar eficiencia energética y mejor abastecimiento y saneamiento del agua. Salud pública Usar tecnología TIC y asistencia remota para prevenir y diagnosticar enfermedades, prestando servicios de atención médica. Proporcionar a todos los ciudadanos acceso a un sistema sanitario eficiente, caracterizado por instalaciones y servicios adecuados. Seguridad Pública Ayudar a las organizaciones públicas a proteger la integridad de los ciudadanos y sus bienes, incluyendo el uso de tecnología TIC para aportar información en tiempo real a estaciones de bomberos y comisarias de policía. 3 3 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Tabla 1-2. Factores “Soft” de la Smart City Factor Objetivos Educación y cultura Crear más oportunidades para estudiantes y profesores empleando herramientas TIC. Promover eventos culturales y motivar la participación ciudadana. Gestionar el entretenimiento, el turismo y el hospedaje. Inclusión social y bienestar Desarrollar herramientas que permitan reducir barreras en el aprendizaje social y la participación, mejorando la calidad de vida, especialmente para la población vulnerable. Implementar políticas sociales para evitar la fuga de talentos. Administración pública y e-Gobernanza Promover la digitalización de la administración pública: procesos, procedimientos y documentos. Transparencia de las actividades gubernamentales a través de las TIC para mejorar la involucración de los ciudadanos en la gestión pública. Economía Facilitar la innovación, el espíritu empresarial y la integración de la ciudad en los mercados nacionales y mundiales. (Neirotti, 2014) Formando parte de este complejo aglomerado de funciones que definen la Smart City, la correcta y eficiente gestión del tráfico, así como el fomento de la movilidad sostenible son elementos clave para su desarrollo. 1.2 La bicicleta como transporte sostenible En la última década, se han impulsado muchos proyectos a favor de este concepto nuevo de movilidad desde los organismos de la Unión Europea así como desde los gobiernos de los países miembros. Por un lado, tratando el efecto directo que ejerce la globalización sobre los medios de transporte. Del otro lado, impulsando la movilidad urbana eficiente en las ciudades. De acuerdo con Hans Bruyninckx (AEMA, 2016), director ejecutivo de la Agencia Europea del Medio Ambiente, el transporte es una pieza fundamental de la sociedad y economía modernas. Permite el tránsito de productos así como la conexión de personas y lugares, se trata de una herramienta clave en la vida diaria de las personas (ir a trabajar, actividades de ocio, viajar...) y aumenta la calidad de vida de las mismas. La demanda de transporte en los últimos años no ha parado de crecer, y previsiblemente no dejará de hacerlo. Es por ello que podemos considerar imprescindible alcanzar una movilidad respetuosa con el medio ambiente. En el ámbito urbano, los sistemas de movilidad integrados y sostenibles han tomado protagonismo en los últimos años. Vemos un claro ejemplo de ello en la implementación de sistemas de bicicleta pública. El primer sistema tal como lo conocemos hoy día se implantó en Rennes, Francia, en el año 1998. Desde entonces este tipo de sistema ha ido creciendo exponencialmente en las últimas décadas, existiendo en 2010 más de 450 sistemas instalados en todo el mundo. Cabe destacar que la gran mayoría de estos sistemas se encuentran en Europa. Centrándonos en España, en septiembre de 2015 existían 64 servicios de bicicleta pública en funcionamiento (Esther Anaya, s.f.). Acompañando a este fenómeno de crecimiento del uso de la bicicleta en la movilidad urbana, no sólo pública si no también Introducción 4 4 privada, está el aumento de las redes de carril bici. No podría imaginarse la evolución de un fenómeno sin el otro. Desde los inicios del siglo XXI las ciudades europeas han aumentado notablemente sus líneas de carril bici, contando actualmente con más de 45.000 km de vías ciclistas. Desde la UE se han promovido proyectos relacionados con la intermodalidad urbana y el uso de la bicicleta como medio de transporte. Por ejemplo, entre 2009 y 2012 se desarrolló el proyecto “Promoting cycling for everyone as daily transport mode” (PRESTO) basado en el estudio y desarrollo de estrategias para aprovechar el potencial del ciclismo en cinco ciudades. Actualmente, en la ciudad de Valencia se está desarrollando el proyecto “Supporting Urban Integrated Transport Systems: Transferable tools for authorities” (SUITS) que se trata de un programa perteneciente al Horizonte 2020 y tiene como objetivo el diseño de herramientas que ayuden a mejorar la eficiencia del Plan de Movilidad Urbana Sostenible de la ciudad (Ayuntamiento de Valencia, s.f.). Por otro lado, podemos nombrar el proyecto EuroVelo, the European cycle route network promovido por la Federación Europea de Ciclistas que busca asegurar la implantación de rutas ciclistas de alta calidad en países de toda Europa, llevándolas a través de fronteras y harmonizando normas, así como promover y dar a conocer dichas rutas. En definitiva, la inclusión de la bicicleta como modo de transporte en la planificación de movilidad de las ciudades supone un gran paso hacia la movilidad comprometida con el medio ambiente, aumenta las posibilidades de transporte de los ciudadanos y da un guiño a la descongestión del tráfico rodado. 1.3 Datos abiertos e infraestructuras de datos espaciales En el presente apartado presentaremos la importancia que han adquirido los portales de Datos Abiertos en los últimos años y las principales fuentes de información empleadas. De cara a realizar cualquier análisis formal, es necesario que las fuentes de información consultadas sean veraces y fiables. Así mismo, para el desarrollo del presente estudio ha sido necesario adquirir un volumen de datos considerable, en aras a poder contrastar los mismos, y que las conclusiones obtenidas se fundamenten sobre una base sólida. Conseguir una cantidad suficiente de datos y de calidad ha sido tradicionalmente una dificil tarea. La información perteneciente a estados y entidades de diversa índole quedaba restringida al uso y explotación propia, siendo muy complicado tener acceso a ella. Sin embargo, a principios del siglo XXI surge un movimiento a favor de la apertura de datos al público. Se empieza a considerar que el libre acceso a los datos de dominio público por parte de ciudadanos y entidades enriquecerá a la sociedad. Por un lado, mejorando la transparencia y el buen hacer de las entidades gubernamentales, del otro lado, aportando conocimiento a la sociedad y permitiendo el intercambio de información entre organismos. Actualmente existen múltiples entidades públicas y organizaciones que dan acceso a parte de sus datos de forma libre y gratuita. La información pública a disposición de los ciudadanos debe cumplir unos requisitos mínimos que faciliten su reutilización, siendo un servicio de valor añadido de las instituciones y una muestra de transparencia del sector público. Los Datos Abiertos son aquellos que se consideran datos accesibles y reutilizables, sin exigencia de permisos específicos. Es un concepto que ha ido evolucionando, así en agosto de 2010 la Sunlight Foundation publicaba “Ten Principles for Opening Up Government Information”, estos diez principios de los datos abiertos se definen como sigue: 1. Completos. Los datos deben ser tan completos como sea posible. Los datos abiertos que se difunden no pueden estar afectados por cuestiones relativas a la privacidad, la seguridad o cualquier otra restricción. 5 5 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia 2. Primarios. Los datos abiertos deben ser datos primarios originales. Se debe facilitar información sobre cómo se han obtenido los datos y dónde se encuentran los documentos originales de manera que los usuarios puedan comprobar si los datos han sido seleccionados y almacenados adecuadamente. 3. Oportunos. Los datos se facilitarán de forma rápida tan pronto como sean recogidos. En la medida de lo posible hay que facilitar los datos en tiempo real de manera que se pueda maximizar su valor. Hay que dar prioridad a la difusión de los datos que sean time sensitive. 4. Accesibles de forma física y electrónica. Los datos deben ser accesibles tanto a través de medios físicos como electrónicos para evitar los desplazamientos o la necesidad de solicitar formalmente el acceso a la información. 5. Procesables electrónicamente. Los datos deben estar disponibles en formatos de uso generalizado y que faciliten su procesamiento automático. 6. No discriminatorios. Los datos deben estar disponibles para todos, sin que sea necesario hacer una solicitud o cualquier otro trámite. 7. Uso de estándares abiertos en la difusión de la información. Los datos deben encontrarse en formatos de libre acceso sin necesidad de poseer licencias de software determinadas. 8. Sin licencia. El uso de los datos no debe someterse a ninguna regulación que restrinja su reutilización excepto, de forma razonable, cuando haya aspectos relativos a la privacidad o la seguridad. 9. Permanencia. Los datos deben estar a disposición de forma permanente. En el caso de que se modifique la información debe indicarse. 10. Costes. No se ha de establecer una contraprestación para poder acceder o reutilizar los datos y, en el caso de que se establezca, su cuantificación debe basarse en costes marginales y no en costes totales. (Cerrillo, 2014) Por otro lado, en junio de 2013 los líderes del G8 firmaban la carta sobre datos abiertos en la que se definen cinco principios y se promueve la importancia de desarrollar este tipo de servicios para la mejora gubernamental y socioeconómica. Los cinco principios de la carta del G8 son: • Principio 1: Datos abiertos por defecto • Principio 2: Calidad y Cantidad • Principio 3: De uso para todos • Principio 4: Mejor gobernanza • Principio 5: Impulso a la Innovación Queda así reflejada la importancia que adquiere la información pública al servicio de los ciudadanos. Para poder desarrollar y normalizar la apertura de datos a los ciudadanos se hace necesaria la aprobación de leyes y normativas al respecto. En el año 2003, el parlamento europeo y el consejo de la Unión Europea aprueban la Directiva 2003/98/CE, de 17 de noviembre, relativa a la reutilización de la información del sector público. Este documento establece un conjunto de normas mínimas para regular la reutilización y los instrumentos prácticos que faciliten la reutilización de los documentos Información de partida y análisis previo 12 12 La ciudad queda dividida en 19 distritos, cuya población y extensión quedan representadas a continuación. Distrito Población (hab) Superficie (km2) Densidad (hab/km2) CiutatVella 26.769 1,69 15.841,13 L'Eixample 42.406 1,73 24.467,80 Extramurs 48.287 1,97 24.491,21 Campanar 37.562 5,24 7.171,54 LaSaïdia 46.818 1,94 24.087,60 El Pla del Real 30.116 1,69 17.791,62 L'Olivereta 48.221 1,99 24.244,88 Patraix 57.573 2,87 20.044,79 Jesús 52.261 2,98 17.509,42 QuatreCarreres 73.664 11,33 6.504,49 PoblatsMaritims 57.590 8,48 6.792,85 Caminsal Grau 65.119 2,37 27.505,94 Algirós 37.191 2,96 12.568,71 Benimaclet 29.096 1,57 18.527,50 Rascanya 52.749 2,63 20.063,08 Benicalap 45.460 2,22 20.515,82 Poblesdel Nord 6.529 15,20 429,65 Poblesdel'Oest 13.993 2,01 6.957,76 Poblesdel Sud 20.228 66,18 305,67 Tabla 2-1. Distritos y características principales Quatre Carreres es el distrito más habitado seguido de Camins al Grau y ambos distritos se encuentran en la parte sureste de la ciudad. Sin embargo, si analizamos la población según la densidad medida en habitantes por km2 (Figura 2-2), es la zona circundante al casco histórico la que tiene una mayor relación de habitantes por superficie y la concentración general de la población es mayor en la parte norte y suroeste de la ciudad, exceptuando el distrito de Camins al Grau que sigue destacando en densidad poblacional. Es interesante ver cómo los distritos de mayor tamaño son los menos poblados. Se trata de Poblats del Nord y Poblats del Sud, zonas tradicionalmente agrarias que se han visto circundadas por la creciente evolución de la urbe. El caso del distrito sur es una excepción singular, pues alberga parte de la histórica albufera de la ciudad, actualmente considerada Parque Natural. 13 13 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 2-2. Densidad de población por distritos Figura 2-3. Población española y extranjera (%) Si nos fijamos en la procedencia de la población, precisamente las mencionadas zonas rurales son las que cuentan con un mayor porcentaje de población autóctona mientras que el centro histórico de la ciudad junto con los distritos de Rascanya y L’Olivereta son aquellos con un mayor porcentaje de extranjeros. Si atendemos a la diferenciación por sexo (Figura 2-4), existe un mayor número de mujeres que de hombres en el total de la población y a nivel de distritos siempre predomina el género femenino, estándo casi igualados en los distritos más rurales del norte y del sur. En cuanto a la edad poblacional (Figura 2-5), los distritos más céntricos tienen un mayor porcentaje de población de más de 65 años y los distritos más al extrarradio tienen mayor población infantil. Por otro lado, el amplio rango de población entre 16 y 64 años es similar en todos los distritos, rondando entre un 62% y 67% del total del distrito. Información de partida y análisis previo 14 14 Figura 2-4. Población de hombres y mujeres Figura 2-5. Población por rango de edad Figura 2-6. Estructura de la población según edad y sexo 0 5.000 10.000 15.000 0 3 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 63 66 69 72 75 78 81 84 87 90 93 96 99 Estructura de la población Mujeres Varones 15 15 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia 2.1.2 Elementos de transporte Los principales servicios de transporte público existentes en la ciudad son las líneas de autobuses urbanos de la EMT, el servicio de bicicleta pública Valenbisi y el metro y el tranvía que están gestionados conjuntamente por la empresa Metrovalencia. El servicio de bicicletas públicas de Valencia, Valenbisi, fue instalado en junio de 2010 y actualmente cuenta con 275 estaciones repartidas por toda la ciudad, dando un servicio total de 2.750 bicicletas a sus usuarios. (Ayuntamiento de Valencia, s.f.) Sin embargo, podemos ver en la figura 2-7 que los distritos Poblats del Nord y Poblats del Sud no cuentan con estaciones de Valenbisi. Cabe destacar la amplia red de carril bici con la que cuenta la ciudad, aunque nuevamente los distritos del norte y sur quedan aislados. Figura 2-7. Carril bici y estaciones de Valenbisi Los distritos de Ciutat Vella, Campanar y Algiros son aquellos que cuentan con un mayor servicio de bicicleta pública en función de su población, y junto con El Pla del Real forman una barrera transversal casi coincidente con los jardines del Turia donde la oferta del servicio es mayor. Información de partida y análisis previo 16 16 Figura 2-8. Estaciones de Valenbisi por mil habitantes Figura 2-9. Paradas EMT por distrito Si nos fijamos en los servicios de autobús que ejecuta la Empresa Municipal de Transportes (EMT), la parte este de la ciudad es la que cuenta con un mayor número de paradas y que en este caso, los distritos norte y sur tienen una mayor relación entre paradas y habitantes. (Figuras 2-9 y 2-11) Pese a que tienen mayor relación paradas/habitante la realidad es que conforme nos alejamos del centro de la ciudad, la accesibilidad en función de la oferta existente disminuye. Podemos ver esta disminución del servicio de una manera clara en la figura 2-10. Destacamos el hecho de que, de un total de 59 líneas existentes, sólo 3 líneas pasan por Poblats del Nord y 7 por Poblats del Sud. 17 17 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 2-10. Nº de líneas EMT por distrito Figura 2-11. Paradas EMT por cada 1000 habitantes En lo que se refiere al transporte urbano por metro y tranvía, Valencia cuenta con 9 líneas, 137 estaciones y un total de 156,3 kilómetros de red. (Ferrocarrils de la Generalitat Valenciana, 2017) En la figura 2-12 vemos los recorridos de cada línea en la ciudad de Valencia y parte de su área metropolitana. Información de partida y análisis previo 18 18 Figura 2-12. Plano red de metrovalencia Tabla 2-2. Líneas del metro de Valencia Líneas Cabeceras Kilómetros Estaciones / Paradas Tipo de linea 1 Bétera / Villanueva de Castellón 72,15 40 Metro 2 Llíria / Torrent Avinguda 39,45 33 Metro 3 Rafelbunyol / Aeroport 24,70 26 Metro 4 Mas del Rosari, Ll.Llarga Terramelar / Dr. Lluch 17,00 33 Tranvía 5 Marítim-Serrería / Aeroport 13,30 18 Metro 6 Tossal del Rei / Marítim-Serrería 3,60 21 Tranvía 7 Marítim-Serrería / Torrent Avinguda 15,50 16 Metro 8 Marina Reial Joan Carles I / Marítim-Serrería 1,23 4 Tranvía 9 Alboraya Peris Aragó / Riba-Roja de Túria 24,86 22 Metro 19 19 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 2-13. Usuarios del metro de Valencia según línea y mes Figura 2-14. Trenes diarios por línea y día Del total de 137 estaciones, destacaremos a continuación aquellas que contaron con más de 1,5 millones de usuarios en 2015 como estación de origen. Tabla 2-3. Estaciones con más de 1,5 millones de usuarios en origen en 2015 Línea L3, L5, L9 L3, L5, L7, L9 L3, L5, L9 L1, L2 L3, L9 L1, L2 L3, L5, L9 Estación Xàtiva Colón Àngel Guimerà Túria Facultats Pl. d’Espanya Mislata Total usuarios 4.445.178 3.980.832 1.968.481 1.912.079 1.807.372 1.718.794 1.573.666 0 1.000.000 2.000.000 3.000.000 4.000.000 5.000.000 6.000.000 7.000.000 Usuarios del metro de Valencia. 2015 Línea 1 Línea 2 Línea 3 Línea 4 Línea 5 Línea 6 Línea 7 Línea 8 Línea 9 0 200 400 600 800 1.000 Línea 1 Línea 2 Línea 3 Línea 4 Línea 5 Línea 6 Línea 7 Línea 8 Línea 9 Nº de trenes diarios por línea y día. 2015 Laborables lectivos Sábados / Lab. Agosto Domingos y festivos Información de partida y análisis previo 20 20 Todas las estaciones se corresponden con líneas de metro, la parada de tranvía con mayor número de usuarios en origen fue la parada Marítimo-Serrería, con un total de 1.135.790 usuarios. En esta confluyen el final de las líneas 5 y 7 de metro y las líneas 6 y 8 de tranvía. Figura 2-15. Principales paradas de metro 21 21 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia En cuanto al transporte privado, nos fijaremos en el parque de vehículos automóviles. Según la estadística municipal, el parque de vehículos a final de 2015 se componía de un total de 472.923 automóviles, de los cuales el 74,15% eran turismos. Figura 2-16. Parque de vehículos de la ciudad de Valencia El censo de conductores se componía de 449.546 individuos, obteniendo así un ratio general de 0,91 vehículos/conductor considerando únicamente turismos y motocicletas. En cuanto a la antigüedad media del parque de vehículos nos remitimos a datos de la DGT, donde se establece para finales de 2015 una edad media total de 10,4 años. Tabla 2-4. Antigüedad del parque de vehículos Tipo de vehículo Ciclomotores Motocicletas Turismos Furgonetas Camiones Antigüedad media (años) 12,5 9,5 10,1 11,5 11,9 Figura 2-17. Antigüedad del parque de vehículos. (Dirección General de Tráfico, s.f.) 350.691 50.694 1.090 58.788 3.229 8.431 Características del parque de vehículos Turismos Furgonetas y Camiones Autobuses Motocicletas Tractores Otros Vehículos Información de partida y análisis previo 28 28 2.1.3.3 Centros de Transporte Acogeremos en esta sección las principales estaciones de autobús y de trenes de la ciudad. La principal estación ferroviaria es la Estación del Norte, situada en pleno centro de la ciudad y que contó con un total de 10.564.249 de usuarios durante el año 2016. Estos se repartieron de forma equitativa entre trayectos de origen y de destino, con 5.348.245 y 5.216.004 usuarios respectivamente. En cuanto a la estación de autobuses, se encuentra junto al curso del río Turia en el cruce de dos vías principales de la ciudad. Figura 2-24. Principales estaciones ferroviarias y de autobuses 29 29 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia 2.2 Características de la movilidad Nos basaremos en este apartado en el Plan de Movilidad Urbana Sostenible (PMUS) de la ciudad de Valencia publicado en diciembre de 2013. Figura 2-25. Reparto modal de la movilidad urbana Debido al clima y extensión de la ciudad, casi la mitad de los movimientos urbanos son realizados a pie, y más de la mitad de los desplazamientos se realizan de forma sostenible. Nos centraremos en la movilidad en superficie, ya que será la principal influyente en las intensidades de tráfico rodado y de bicicleta, base del análisis del presente trabajo. 2.2.1.1 Movilidad por bicicleta La movilidad ciclista suponía un 4,76% del reparto modal de la ciudad según datos de 2012. Las mayores intensidades de tráfico de bicicleta se dan en las zonas universitarias de la ciudad, en el paseo del río y la avenida del puerto. En cuanto a las relaciones Origen-Destino, sigue siendo la zona universitaria la principal protagonista, concentrando la mayoría de los desplazamientos. Sin embargo, existen otras zonas de la ciudad donde la bicicleta también tiene fuerte presencia. Figura 2-27.Intensidad media del tráfico de bicicletas 48,2% 2,8%1,9% 18,7% 4,6% 1,1% 20,3% 2,2% Reparto modal de la movilidad urbana A pie Bicicleta privada Bicicleta pública Bus urbano (EMT) Metro/tranvía Moto Coche conductor Coche acompañante Figura 2-26. Relaciones O/D de bicicletas Información de partida y análisis previo 30 30 Al diferenciar entre el uso de bicicleta pública y bicicleta privada, vemos cómo las principales relaciones O/D de la bicicleta privada están más extendidas por toda la ciudad y reflejan desplazamientos a nivel de barrios. Por otro lado, la bicicleta pública se concentra casi únicamente en la zona este de la ciudad, donde están ubicados los centros universitarios. Figura 2-28. Relaciones O/D bicicleta privada Figura 2-29. Relaciones O/D bicicleta pública Por otro lado, cabe destacar la función como medio de transporte diario que ha adquirido la bicicleta en los últimos años. Es un medio empleado para los desplazamientos del día a día más que un elemento de ocio, aunque también tiene una presencia importante durante los días festivos. Destaca la marcada caída de viajes en agosto, nada fuera de lugar teniendo en cuenta que es el principal mes de vacaciones y durante el cual la ciudad ve reducida su población de forma considerable. Figura 2-30. Nº medio de viajes diarios en bicicleta pública según mes 0 10.000 20.000 30.000 40.000 50.000 60.000 Nº de viajes Número medio de viajes diarios en bicicleta pública. 2015 Laborables Festivos 31 31 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia 2.2.1.2 Movilidad por autobus El uso del autobús como medio de transporte ha descendido en la última década en la ciudad de Valencia y su servicio ha ido decreciendo, ajustándose a la demanda. En parte influido por la apertura de nuevas líneas de metro y por la crisis económica. Figura 2-31. Evolución servicio EMT. Kilómetros y plazas. (Ayuntamiento de Valencia, 2013) Según datos de la oficina de estadística del Ayuntamiento de Valencia en 2015 el servicio contaba con 59 líneas con un total de 761,4 kilómetros de recorrido y 404 autobuses diarios. En total se recorrieron 21.096.855 km en dicho año, produciéndose un repunte en la evolución anual y alcanzando valores similares al año 2006. Si nos fijamos en los viajeros por línea, son la L2, L81, L89 y L90 las que mayor número de pasajeros obtienen con diferencia. Mientras que las líneas L20 y L23 sólo funcionan en periodo estival. Figura 2-32. Usuarios anuales de las líneas diurnas de autobús urbano Nos fijaremos en los recorridos de dichas líneas, que hemos obtenido a través del geoportal que ofrece la web de la EMT de Valencia. Las líneas 89 y 90 son líneas circulares por la ronda de tránsitos, elementos indispensables de conexión y accesibilidad de los barrios. Por otro lado, la línea 81 conecta la principal estación de la ciudad, ubicada en pleno centro de la urbe, con la zona universitaria. Finalmete, la línea 2 atraviesa de este a oeste el entorno urbano, dando acceso a la playa y al centro histórico desde cualquier punto de acceso a la línea. 0 1.000.000 2.000.000 3.000.000 4.000.000 5.000.000 6.000.000 VIAJEROS LÍNEA Viajeros por línea diurna. 2015 Información de partida y análisis previo 32 32 Figura 2-33. Recorrido de la Línea 2, Malva rosa – Campanar. (EMT, s.f.) Figura 2-34. Recorrido de la Línea 81, Estación del Norte – Blasco Ibañez. (EMT, s.f.) 33 33 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 2-35. Recorrido de las líneas 89 y 90, Circulares. (EMT, s.f.) Anteriormente comentábamos el aumento de servicio realizado de 2015, alcanzando valores de 2006 en kilómetros recorridos. El repunte y mejora del servicio público de autobús también se ve reflejado en la demanda. Podemos ver como se ha producido un suave aumento de usuarios del servicio de autobuses en 2016 respecto al año anterior en todos los meses exceptuando el mes de enero, que se mantiene similar. Figura 2-36. Evolución de los usuarios del transporte público de autobús 0 1.000.000 2.000.000 3.000.000 4.000.000 5.000.000 6.000.000 7.000.000 8.000.000 9.000.000 10.000.000 Pasajeros totales Evolución de pasajeros de la EMT Información de partida y análisis previo 34 34 2.3 Datos de tráfico y clima Como se mencionó anteriormente, los datos de tráfico empleados en este trabajo se han obtenido a través del Portal de Transparencia y Datos Abiertos del Ayuntamiento de Valencia. Este sitio web permite la descarga de datos en tiempo real de la situación de intensidad del tráfico tanto de vehículos motorizados como de bicicletas. Se trata de las mediciones de espiras electromagnéticas ubicadas por toda la ciudad, que aportan como datos el ángulo de representación del sentido de la circulación en el punto de medida, la fecha y hora de la medida y la intensidad horaria de vehículos. Debido a la imposibilidad de obtener un histórico de datos de dichos aforos, se decidió diseñar un método de descarga que permitiera recopilar la información y crear nuestra propia base de datos. Además de los datos del tráfico, se descargan datos climáticos del Servicio de Información Meteorológica de OGIMET. En concreto se recopila información sobre temperaturas diarias, precipitaciones, humedad relativa, velocidad y dirección del viento. Estos datos se emplearán posteriormente en el análisis estadístico. Cabe destacar que pese a ser un paso o ejercicio previo al propio estudio, la toma de datos tiene una vital importancia para el éxito del mismo. Una correcta y minuciosa preparación y filtrado de los datos evitarán incongruencias en los resultados y problemas posteriores en los desarrollos geo-estadísticos de la información. Este es el principal motivo y justificación del presente capítulo, así como la transparencia en las bases del estudio. 2.3.1 Creación de la base de datos Para poder obtener una base de datos lo suficientemente grande como para realizar un estudio fiable y veraz se desarrolló un programa autónomo de descarga de datos en R. R es un entorno y lenguaje de programación de software libre enfocado al análisis estadístico. Se trata de un proyecto colaborativo y abierto en el que los usuarios participan en el desarrollo del mismo, añadiendo paquetes de trabajo con funciones específicas. Para la descarga autónoma de datos se ha empleado la herramienta “Programador de tareas” de Windows junto con los scripts desarrollados en R, que contienen funciones de las librerías XML, lubridate, xlsx y RCurl (Ver anexo II). El programa desarrollado solicita los datos a la web con una frecuencia horaria, los descarga y los acumula en un documento. Posteriormente se realiza la fase de depuración, consistente en el filtrado y organización eficiente de la información para el uso posterior con ArcGIS. • Uso del Programador de tareas: Esta aplicación del sistema Windows nos permite programar la ejecución de nuestros scripts de R, permitiendo así descargar periódicamente los datos necesarios para el estudio. Describiremos brevemente el procedimiento seguido: 35 35 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia 1. Desde la pantalla de inicio de la aplicación, clicamos en Crear tarea… Figura 2-37. Programador de tareas (I) 2. A continuación se fija la periodicidad y los límites temporales. Figura 2-38. Programador de tareas (II) Información de partida y análisis previo 36 36 3. Finalmente se le indica el script a ejecutar. Figura 2-39. Programador de tareas (III) • Librerias utilizadas en scripts para la creación de la base de datos: XML: herramienta que permite analizar y generar XML en R. Lubridate: paquete destinado a facilitar el trato de fechas en los archivos. xlsx: permite la lectura, creación y edición de archivos de Excel. RCurl: interzaf general para la consulta vía http, ftp… 2.3.2 Fase de depuración Existen 61 puntos de medida de intensidad de tráfico de bicicletas repartidos por la ciudad (Figura 2- 40), siendo los distritos de Poblats del Nord, Poblats de l'oest, Benicalap, Rascanya, Benimaclet y Poblats del Sud aquellos que no cuentan con ningún medidor en su superficie. Del registro total se eliminan dos de los puntos de medida, los denominados con los códigos 1544 y 2810. Esto se debe a la falta de datos en sus medidas, lo que haría poco representativos los resultados obtenidos de las mismas. Por tanto, nos quedamos con 59 puntos de medida de intensidad de tráfico de bicicletas para el estudio. Respecto a los puntos de medida de tráfico rodado (Figura 2-41), hay instalados 1175 medidores presentes en todos los distritos, aunque la presencia de los mismos es mínima en Poblats del Nord, Poblats de l'oest y Poblats del Sud. Para ambos conjuntos de datos, se procedió a homogeneizar las horas de registro. Esto se hizo pasando a horas enteras los registros, teniendo en cuenta la hora de la medida y despreciando los minutos. Así, una medida tomada a las 23:15 se cataloga dentro de la hora 23:00. Asimismo, se eliminaron todos los duplicados existentes y una vez obtenidos los datos climáticos se juntaron con los de tráfico en dos archivos csv, uno para las bicicletas y otro para el tráfico rodado. 37 37 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Se obtiene finalmente una base de datos con un registro temporal de 7 meses, desde el 1 de octubre de 2016 hasta el 30 de abril de 2017, con un registro total de 216.527 medidas para las bicicletas y de 4.750.569 para el tráfico motorizado. Figura 2-40. Ubicación de las espiras de bicicletas Figura 2-41. Ubicación de las espiras de tráfico motorizado Metodología 44 44 3.2.2 R En el análisis con R nos centraremos en realizar un análisis geoestadístico clásico, en base a la obtención y definición de variogramas espacio-temporales. Se ha empleado la interfaz R Studio, utilizando las librerías: gstat: paquete para la modelización geoestadística especial y espacio-temporal. Permite el modelado y representación de variogramas. sp: permite tratar datos espaciales. spacetime: métodos para datos espacio-temporales. Permite el manejo de este tipo de datos. raster: modelización y análisis de datos geográficos. Permite la manipulación de datos raster. rgdal: permite enlazar con la libreria GDAL y PROJ.4. Trato de datos geoespaciales, proyecciones, transformaciones, etc. rgeos: interfaz para poder usar Geometry Engine – Open Source (GEOS). lubridate: paquete destinado a facilitar el trato de fechas en los archivos. dplyr: herramienta de ayuda para la manipulación de datos. El Script desarrollado (ver anexo III) nos permite obtener el variograma espacio-temporal de la muestra y posteriormente realizar la predicción en base al modelo espacio-temporal teórico escogido. En este caso no se han considerado todas las variables, si no que sólo se tienen en cuenta el día, la hora y la ubicación del punto de medida. Como ya se mencionó anteriormente, la geoestadística es una de las áreas del análisis de datos espaciales y consiste en la predicción de valores distribuidos en el espacio y/o tiempo a partir de una muestra. Para ello, se desarrollan funciones denominadas variogramas o covariogramas a través de las cuales se realizan posteriormente interpolaciones espaciales mediante kriging. La forma de proceder en el presente análisis ha sido, en primer lugar, determinar los datos espaciotemporales de forma correcta: establecer las medias horarias y ubicar en las coordenadas pertinentes los puntos de medida. Se ha trabajado durante todo el proyecto con coordenadas proyectadas ETRS89 UTM 30N. Posteriormente se establece el variograma experimental de la muestra, y en base a este se determina el modelo teórico más idóneo. Los modelos espacio-temporales de variogramas presentes en la librería gstat se describen a continuación. Los parámetros propios de un variograma son rango, sill (meseta) y nugget (pepita). El rango es la distancia a la que el modelo empieza a aplanarse y la meseta el valor en el cual el modelo de semivariograma alcanza el rango. La pepita es el valor del variograma en el origen. 45 45 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia - Separable: este modelo de covarianza asume separabilidad entre el componente espacial y el componente temporal, por lo que la función covarianza viene dada por: 𝐶𝑠𝑒𝑝(ℎ,𝑢)=𝐶𝑠(ℎ)·𝐶𝑡(𝑢) Y su variograma: 𝛾𝑠𝑒𝑝(ℎ,𝑢)=𝑠𝑖𝑙𝑙·(𝛾𝑠(ℎ)+𝛾𝑡(𝑢)−𝛾𝑠(ℎ)𝛾𝑡(𝑢)) Figura 3-1. Modelo separable - Producto-suma: modelo más flexible que el anterior, que no asume separabilidad. La ecuación de covarianza del modelo se define como: 𝐶𝑝𝑟𝑜𝑑(ℎ,𝑢)=𝑘·𝐶𝑠(ℎ)·𝐶𝑡(𝑢)+𝐶𝑠(ℎ)+𝐶𝑡(𝑢) Siendo k > 0. Y su variograma: 𝛾𝑝𝑠(ℎ,𝑢)=(𝑘·𝑠𝑖𝑙𝑙𝑡+1)𝛾𝑠(ℎ)+(𝑘·𝑠𝑖𝑙𝑙𝑠+1)𝛾𝑡(𝑢)−𝑘𝛾𝑠(ℎ)𝛾𝑡(𝑢) Metodología 46 46 Figura 3-2. Modelo producto-suma - Métrico: este modelo asume idénticas funciones covarianza para ambas componentes, temporal y espacial. Pero incluye un factor de anisotropía espacio-temporal (k) que aporta cierta flexibilidad. 𝐶𝑚(ℎ,𝑢)=𝐶𝑗𝑜𝑖𝑛𝑡(√ℎ2+(𝑘·𝑢)2) Con variograma: 𝛾𝑚(ℎ,𝑢)=𝛾𝑗𝑜𝑖𝑛𝑡(√ℎ2+(𝑘·𝑢)2) Figura 3-3. Modelo métrico 47 47 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia - Suma-métrico: se trata de una versión más compleja del método anterior, el cual incluye covarianzas espaciales y temporales además del componente conjunto con anisotropía. 𝐶𝑠𝑚(ℎ,𝑢)=𝐶𝑠(ℎ)+𝐶𝑡(𝑢)+𝐶𝑗𝑜𝑖𝑛𝑡(√ℎ2+(𝑘·𝑢)2) Este modelo aporta mayor flexibilidad ya que cada componente puede establecerse independientemente. Su variograma queda definido como: 𝛾𝑠𝑚(ℎ,𝑢)=𝛾𝑠(ℎ)+𝛾𝑡(𝑢)+𝛾𝑗𝑜𝑖𝑛𝑡(√ℎ2+(𝑘·𝑢)2) Figura 3-4. Modelo suma-métrico Metodología 48 48 - Suma-métrico simple: Se trata de una versión simplificada del modelo anterior. En este caso hay que establecer los mismos parámetros pero en vez de tener total flexibilidad para cada componente, se restringen para tener una sola pepita. - 𝛾𝑠𝑠𝑚(ℎ,𝑢)=𝑛𝑢𝑔·1ℎ>0,𝑢>0+𝛾𝑠(ℎ)+𝛾𝑡(𝑢)+𝛾𝑗𝑜𝑖𝑛𝑡(√ℎ2+(𝑘·𝑢)2) Figura 3-5. Modelo suma-métrico simple 49 49 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia 4 RESULTADOS Research is formalized curiosity. It is poking and prying with a purpose. -Zora Neale Hurston- En el presente capítulo mostraremos los resultados obtenidos de los análisis descritos anteriormente. 4.1 Análisis estadístico 4.1.1 Estudio descriptivo Como se observa en las figuras 4-1 y 4-2, la evolución horaria de la intensidad media alcanza sus mayores valores durante primera hora de la mañana, mediodía y mitad de la tarde. Este resultado coincide con el esperado, pues se trata de las horas en las que se produce una mayor movilidad urbana, horas de entrada y salida del trabajo, así como horarios escolares. La evolución horaria de bicicletas y tráfico rodado es similar, aunque se puede observar como el pico a media tarde se produce algo más temprano en las bicicletas que en los coches. En el primer caso se produce entre las cinco y seis de la tarde, mientras que en el caso del tráfico motorizado se produce entre las siete y ocho. Figura 4-1. Evolución horaria de la intensidad media del tráfico de bicicletas Resultados 50 50 Figura 4-2. Evolución horaria de la intensidad media del tráfico motorizado Por otro lado, la evolución obtenida según el día de la semana difiere entre los dos medios de transporte. Si nos fijamos en los resultados de las bicicletas, la intensidad media es mayor en días entre semana que durante el fin de semana. Este hecho confirma que la bicicleta adquiere protagonismo como medio de transporte habitual, pasando a formar parte de la movilidad urbana. La bicicleta está integrada en el sistema de transporte urbano, considerándose un modo de transporte y no sólo un elemento de ocio. Figura 4-3. Intensidad horaria media de bicicletas según el día de la semana En cuanto a la intensidad media del tráfico rodado, sigue siendo mayor los días entre semana que el fin de semana. Pero existe una excepción en el viernes, ya que la intensidad se mantiene estable de lunes a jueves y el viernes sufre una subida. Esto podría deberse a los horarios intensivos que establecen muchas empresas en dicho día, haciendo que confluyan muchos más usuarios a una misma hora de salida. 51 51 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 4-4. Intensidad horaria media de tráfico motorizado según el día de la semana En cuanto a la evolución de la intensidad durante los 7 meses analizados, existen diferencias entre los dos modos de transporte, pero son resultados globalmente similares. Para las bicicletas se observa un decrecimiento de la intensidad desde octubre a enero y luego crece hasta marzo. En abril hay un descenso respecto al mes anterior. Para el tráfico motorizado, existe un descenso entre noviembre y enero, aunque podríamos considerarlo desde octubre ya que la diferencia entre el mes 10 y 11 es mínima. Luego existe un repunte alto en el mes de febrero y vuelve a decrecer hasta abril. En ambos casos la intensidad media va fluctuando durante los mismos periodos, o muy similares. Por tanto, podríamos asumir que existe cierta estacionariedad en los resultados. Figura 4-5. Intensidad horaria media de bicicletas según mes Resultados 52 52 Figura 4-6. Intensidad horaria media del tráfico rodado según mes En cuanto a los resultados obtenidos para cada espira, las intensidades horarias varian de forma similar a los resultados obtenidos para la media total. Mostramos a continuación algunos ejemplos de duración mensual: Figura 4-7. Intensidad horaria de tráfico motorizado de la espira 209 durante el mes de febrero Figura 4-8. Intensidad horaria de bicicletas de la espira 3932 durante el mes de marzo 0 500 1000 1500 2000 2500 134567910 11 12 13 14 15 15 16 22 22 23 24 25 26 27 28 Intensidad horaria Día Intensidad horaria tráfico espira 209. Febrero 0 20 40 60 80 100 313130292827262524232322212019181717161514131211109876544321 Intensidad horaria Día Intensidad horaria bicicletas espira 3932. Marzo 53 53 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Mostramos a continuación algunas muestras de las intensidades horarias medias obtenidas: Figura 4-9. Intensidad horaria media de tráfico en día laborable a las 8:00 am Figura 4-10. Intensidad horaria media de tráfico en fin de semana a las 8:00 am Resultados 60 60 Figura 4-19. Interpolación usando Krigeado de bicicletas en día laborable. 12 h (veh/h) Figura 4-20. Interpolación usando Krigeado de bicicletas en fin de semana. 12 h (veh/h) 61 61 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 4-21. Interpolación usando Krigeado del número de bicicletas en día laborable. 18 h (veh/h) Figura 4-22. Interpolación usando Krigeado del número de bicicletas en fin de semana. 18 h (veh/h) Resultados 62 62 Figura 4-23. Interpolación usando Krigeado del tráfico motorizado en día laborable. 6 h (veh/h) Figura 4-24. Interpolación usando Krigeado del tráfico motorizado en fin de semana. 6 h (veh/h) 63 63 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 4-25. Interpolación usando Krigeado del tráfico motorizado en día laborable. 12 h (veh/h) Figura 4-26. Interpolación usando Krigeado del tráfico motorizado en fin de semana. 12 h (veh/h) Resultados 64 64 Figura 4-27. Interpolación usando Krigeado del tráfico motorizado en día laborable. 18 h (veh/h) Figura 4-28. Interpolación usando Krigeado del tráfico motorizado en fin de semana. 18 h (veh/h) 65 65 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia En el caso de las bicicletas podemos ver cómo las zonas de mayores intensidades horarias suelen coincidir ya se trate de día laboral o de fin de semana. Sin embargo, podemos ver en las figuras 4-17 y 4-18 cómo a primera hora de la mañana si existe una diferencia sustancial en las zonas más transitadas según el tipo de día. Analizando los resultados vemos cómo las zonas con mayores intensidades horarias de bicicletas coinciden con la zona universitaria, el paseo del Turia en su zona central y este y la Avinguda de Peris i Valero. También el centro histórico de la ciudad mantiene altos niveles de intensidad. Vemos como los resultados obtenidos de la interpolación son coherentes con la demografía de la ciudad, así como con la ubicación de centros universitarios. Tiene coherencia que la población joven sea influyente en el uso de la bicicleta. (Figura 4-29) Asi mismo, se obtienen resultados que concuerdan con las características de la movilidad ciclista vistas anteriormente. (Figuras 2-26 a 2-29) Figura 4-29. Comparación ih de bicicletas con población y universidades En cuanto al tráfico motorizado, también mantiene unas zonas más o menos constantes con mayores intensidades horarias. Estas son principalmente el centro histórico de la ciudad y las grandes avenidas. Cabe mencionar que dichos resultados son los esperados, ya que la estructuración de la ciudad en un conjunto de grandes avenidas permite direccionar los flujos mayores del tráfico. Podemos observar en las figuras anteriores como la entrada de la ciudad desde la carretera de Madrid se reitera como foco de altas intensidades. Se trata de la conexión con la Autovía del Este (A3), que da acceso al aeropuerto de Valencia así como a municipios cercanos con un alto tejido empresarial. Así mismo, el resto de grandes vías que dan salida o acceso a la ciudad también son zonas de altas intensidades: - La Avinguda de Catalunya, situada junto a la Universidad Politécnica de Valencia y que enlaza con la V-21, autovía que discurre junto a la costa en sentido norte. - La Gran Vía Ferràn el Catòlic, dónde se ubica un gran centro comercial, y enlaza la carretera CV-35, dando acceso a la zona noroeste de la provincia donde se ubican municipios importantes como Burjassot o Paterna. Resultados 66 66 - La Avinguda d’Ausiàs March, que da acceso al principal hospital de la ciudad y se une con la V-31, constituida como el acceso sur. Por otro lado, la Gran Vía Marqués del Turia también localiza altas intensidades. No se trata en este caso de una vía de acceso o salida de la ciudad, pero sí se trata de un eje viario principal, que junto a la Gran Vía Ferràn el Catòlic y los jardines del Turia componen la ronda interna circular de la ciudad. Si comparamos los resultados con las líneas de autobús que más pasajeros transportaban, vemos como las mencionadas líneas L2, L89 y L90 circulan en gran parte de su recorrido por las grandes vías mencionadas (Figuras 2-33, 2-34 y 2-35). También debemos mencionar que las principales paradas de metros estudiadas anteriormente se ubican en las mismas (Figura 2-15). Figura 4-30. Comparación ih de tráfico motorizado con elementos de la ciudad En lo que refiere a los hospitales, no parece que haya una relación directa o inmediata de la intensidad. Sin embargo, para el foco de intensidad existente en la parte noreste de la ciudad, si podríamos considerar una relación con los numerosos centros universitarios que se ubican en su entorno, a parte de ser un punto donde comienza la Avinguda de Catalunya. 67 67 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 4-31. Comparación ih tráfico motorizado con principales estaciones Respecto a la influencia de las principales estaciones ferroviarias y de la estación de autobuses, podríamos concluir que afectan relativamente a la intensidad, ya que la mayoría se encuentran en zonas que suelen tener altas intensidades. Pese a ello no podemos decir que sea por motivo de estas, ya que se ubican próximas a grandes avenidas, que de por sí son elementos viales clave en la distribución del tráfico. Pero si podríamos considerar que participan de ese alto nivel de circulación, sobre todo a determinadas horas. 4.2.2 Resultados obtenidos del análisis de puntos calientes En el presente apartado se muestran y comentan los resultados obtenidos del análisis de puntos calientes. Recordamos que a través de esta herramienta podemos analizar la tendencia espaciotemporal de la intensidad de tráfico. Para poder emplear la herramienta Hot Spot Analysis se realizan previamente cubos espacio-tiempo mediante la herramienta Crear Cubo de espacio-tiempo definiéndose tres intervalos temporales de estudio: un intervalo matutino de 6:00 a 12:00 horas, un intervalo de tarde de 12:00 a 18:00 horas y un intervalo de tarde-noche de 18:00 a 23:00 horas. Diferenciando en cada caso los días laborables y fines de semana. Justificamos el último intervalo hasta las once y no hasta las doce porque si recordamos cómo se homogeneizó la base de datos, todas las medidas realizadas en la hora 23, independientemente del minuto correspondiente se redondearon a la hora 23 (incluyedo por ejemplo las 23:59). El período nocturno de doce de la noche a seis de la mañana no se ha estudiado ya que los datos muestran intensidades muy bajas y son horas de baja actividad de tráfico. 68 Figura 4-33. Puntos calientes. Bicicletas en día laborable intervalo [6:12] Figura 4-32. Puntos calientes. Bicicletas en fin de semana intervalo [6:12] 69 69 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 4-35. Puntos calientes. Bicicletas en día laborable intervalo [12:18] Figura 4-34. Puntos calientes. Bicicletas en fin de semana intervalo [12:18] Resultados 76 76 Figura 4-45. Variograma espacio-temporal empírico tipo mapa de calor (bicicletas) Figura 4-46. Variograma espacio-temporal empírico tipo 3D (bicicletas) 77 77 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Se analizaron los diferentes modelos de variogramas espacio-temporales descritos en el capítulo 3, eligiéndose el modelo suma-métrico para el ajuste por ser el de menor error cuadrático medio. En la figura 4-46 se muestra el modelo elegido. Figura 4-47. Variograma teórico ajustado a la muestra Para la predicción se crea un grid espacio-temporal cuyo componente espacial es una muestra de 500 puntos extraídos del cojunto de puntos de medida de tráfico motorizado. Figura 4-48. Grid espacial para la predicción En cuanto al eje temporal se definen 11 intervalos para una duración total de 24 horas. Una vez desarrollado el modelo de variograma espacio-temporal y el grid sobre el que ejecutarlo, se realiza el krigeado espacio-temporal. Los resultados aparecen en la figura 4-48. Resultados 78 78 Figura 4-49. Resultados del krigeado espacio-temporal Como podemos observar, la componente temporal enmascara el efecto espacial. Obtenemos un mismo valor medio para todos los puntos de la muestra para cada instante. Se aprecia una correcta evolución de la intensidad en función del tiempo, pero el modelo no es capaz de discriminar según el espacio. Para los datos obtenidos de tráfico motorizado, no ha sido posible estimar el variograma empírico con las 1175 espiras electromagnéticas. Trabajando con muestras de tamaño ochenta los modelos resultantes y la homogeneidad espacial de las predicciones son similares a las obtenidas para las bicicletas. Como se indica en el documento “Spatio-Temporal Interpolation using gstat” (Benedikt Gräler, 2016), habitualmente es preferible fijar el tiempo y realizar un krigeado espacial. El krigeado espaciotemporal da como valor añadido la posibilidad de obtener valores para momentos temporales en los que no se dispone de información. Se decide entonces realizar un krigeado espacial a través de la herramienta Geostatistical Analyst de ArcGIS. En la figura 4-51 y 4-53 se muestran como ejemplo los mapas de predicción obtenidos para las bicicletas y para el tráfico motorizado en día laborable a las 8 horas respectivamente. Figura 4-50. Variograma espacial empírico y ajustado para bicicletas a las 8 h. 79 79 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 4-51. Mapa de predicción de bicicletas a las 8h. Figura 4-52. Variograma espacial empírico y ajustado para tráfico motorizado en día laborable. 8h. Resultados 80 80 Figura 4-53. Mapa de predicción de tráfico motorizado día laborable a las 8 h. 4.2.4 Comparativa Para poder valorar la semejanza de los mapas predictivos a los mapas realizados con interpolación con barreras, se exponen a continuación los mapas interpolados a través de la media de intensidades horarias para las 8:00 horas. En el caso de las bicicletas se han empleado tanto en el mapa predictivo como en la interpolación los datos medios totales de bicicletas, sin distinguir entre laborable y festivo. Para los coches, se han empleado en ambos casos los datos de días laborables. 81 81 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Figura 4-54. Comparativa interpolación con barreras y krigeado en bicicletas. 8h Los mapas A y B representan la interpolación con barreras y el krigeado respectivamente. Podemos apreciar al atribuirles una rampa de colores similar cómo los resultados de ambos mapas son coherentes a grandes rasgos (mapa C), y cómo en determinadas zonas se nota la influencia de la interpolación con barreras. Por ejemplo, en la zona este el mapa predictivo solo presenta un pequeño foco de bajas intensidades de color verde mientras que en la interpolación con barreras una zona más amplia dentro de la red de carril bici adquiere valores mínimos. Analizamos las diferencias entre ambas metodologías realizando la resta de los valores de ambas (mapa D), y se observa cómo las zonas con mayores diferencias son aquellas que se encuentran alejadas de los puntos de medida. En las zonas rojas el krigeado ha dado valores menores de los esperados mientras que en las verdes los valores son mayores que los de la interpolación con barreras. Se considera que la interpolación con barreras aporta información mejor respecto a los datos de partida, y se propone la mejora de los mapas de krigeado explorando variogramas que se ajusten mejor a la muestra. De todas formas, se destaca como ambos resultados reflejan bien de manera global la intensidad horaria del tráfico por zonas de la ciudad. Resultados 82 82 Figura 4-55. Comparativa interpolación con barreras y krigeado en laborable tráfico motorizado. 8h En el caso del tráfico motorizado el mapa predictivo difiere más del mapa resultante de la interpolación con barreras que en el caso de bicicletas. Existen zonas coincidentes, sobre todo de bajas intensidades. Hemos de tener en cuenta que el krigeado que se realiza no tiene ninguna limitación direccional, por lo que tiene sentido que los resultados difieran más para el tráfico motorizado donde la red es mucho más extensa y existen calles de distintas características (calles de un único sentido, de doble sentido, grandes avenidas, etc.). Pese a ello el mapa prediccitivo obtenido permite evaluar a nivel de zonas o barrios los niveles de intensidad de tráfico según la hora. 83 83 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia 5 CONCLUSIONES Las principales conclusiones extraidas de este trabajo son: • El crecimiento de las nuevas fuentes de información y en especial los Portales de Datos Abiertos son una oportunidad para la mejora de la gestión de múltiples aspectos relacionados con las ciudades. En nuestro trabajo nos hemos centrado en la movilidad y en concreto en las intesidades de tráfico medidas por los sistemas de aforo. Sin embargo, la información por si sola carece de interés si no se dispone de herramientas informáticas y conocimientos que permitan extraer conclusiones que puedan ser empleadas en la toma de decisiones. • Se ha visto el enorme potencial de ArcGIS en la tarea de analizar los factores que influyen en la movilidad. Aunque lógicamente ningún software por si solo puede abordar todos los aspectos de una realidad tan compleja como el tráfico urbano. En el presente trabajo hemos integrado técnicas estadísticas implementadas en R como complemento a las herramientas exploradas de ArcGIS: Spline with barriers, Create Space-Time Cube, Hot Spot Analysis y Kriging. • La aplicación de la metodología desarrollada a la ciudad de Valencia nos ha permitido comprender la dinámica espacio-temporal del tráfico, concluyéndose: o La variabilidad temporal es el factor más relevante en los cambios de intensidad del tráfico. o Se ha observado como las zonas con mayores y menores intensidades son mayoritariamente estables con independencia de la hora, destacando como zonas de más tráfico la zona central y las universitarias. Destaca en los resultados como la zona universitaria genera una gran influencia en la movilidad ciclista, siendo en dicha zona donde casi siempre se presentan los máximos valores de intensidad independientemente de la hora que sea. Resulta lógico que la población joven sea tan influyente en la movilidad ciclista. En cuanto al tráfico motorizado destacan las grandes avenidas, que son las que albergan mayores intensidades de tráfico rodado. Son resultados coherentes ya que la estructuración de la ciudad en un conjunto de grandes avenidas permite direccionar los flujos mayores del tráfico. o Los resultados obtenidos frente a los centros atractores considerados al inicio del estudio muestran que los hospitales no parecen guardar una relación directa o inmediata con la intesidad. De las principales estaciones ferroviarias y la estación de autobuses podemos concluir que afectan relativamente a la intensidad, ya que la mayoría se encuentran en zonas que suelen tener altas intensidades. Y respecto a los centros universitarios, se da un foco de alta intensidad de forma persistente en la zona noreste de la ciudad que puede estar relacionado con los mismos, ya que existe una gran cantidad de centros ubicados en su entorno, además de ser el comienzo de una gran avenida, la Avinguda de Catalunya. o Respecto a las variables meteorológicas se ha tenido la limitación de que el periodo analizado (de octubre de 2016 a abril de 2017) ha sido muy seco en Valencia, obteniéndose como factor climático más relevante la velocidad y la dirección del viento, así como la temperatura. De hecho, los resultados obtenidos del modelo de regresión lineal definían como significativas las precipitaciones en el caso de tráfico Conclusiones 84 84 motorizado y no significativas para las bicicletas. Esto llama la atención puesto que la lluvia es un factor que a priori influye notablemente en el uso de la bicicleta. Es curioso también que, en el modelo de regresión lineal, tanto para bicicletas como tráfico motorizado se refleja la influencia del día del mes en la intensidad del tráfico pero sin seguir una pauta clara, siendo algunos días relevantes y otros no, y resultando que no todos los mismos días de la semana se comportan igual. Es decir, no todos los lunes de un mes presentan la misma influencia en la intensidad del tráfico. • Los modelos de predicción desarrollados pueden ser de utilidad para los gestores de infraestructuras de tráfico y transportes. Entre los potenciales usuarios identificados se encuentran los planificadores de las nuevas iniciativas de car-sharing (free-float car sharing systems) en los que los usuarios pueden alquilar un vehículo en el lugar donde se encuentren y dejarlo en el punto que deseen dentro de un área amplia de la ciudad. Para este tipo de flotas es fundamental estimar la probabilidad de que el vehículo sea alquilado en el sitio donde se encuentre en un intervalo dado de tiempo. • Los modelos de predicción espacio-temporales desarrollados con R han resultado útiles solo para obtener valores de la intensidad horaria media según la hora del día, ya que la componente tiempo adquiere un peso mucho mayor en el modelo, enmascarando así la componente espacio y no distinguiendo entre posiciones. A veces resulta de mayor utilidad fijar el tiempo y desarrollar un modelo de predicción espacial, y en nuestro caso se han realizado pruebas de krigeado espacial con ArcGIS. Los resultados obtenidos son coherentes con los valores de nuestra base de datos, aportando información más precisa para instantes determinados. En el caso de las bicicletas las predicciones se asemejan bastante bien a las observaciones, mientras que para el tráfico motorizado difieren más los datos de las intensidades predichas. Sin embargo, a nivel de barrios las predicciones son buenas, permitiendo adquirir una orientación de los niveles de intensidad de tráfico según la hora en las distintas zonas de la ciudad. • De la comparación entre la interpolación con barreras y el krigeado espacial se concluye que la interpolación se aproxima mejor a la situación real de la movilidad, pero se debe considerar la mejora de los modelos de variogramas. Como líneas futuras de trabajo están disponer de series de datos más amplias, que permitan un estudio anual. De esta forma, se podrían analizar las tendencias estacionales. También sería de interés profundizar en la estimación de los variogramas espacio-temporales, o aplicar técnicas de co-kriging utilizando como variables predictoras la información de partida obtenida, e incluir fenómenos coyunturales de atracción de viajes como partidos de fútbol o grandes conciertos. 85 85 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia REFERENCIAS AEMA. (2016). Señales de la AEMA 2016. Hacia una movilidad limpia e inteligente. Copenhagen. Ahmadreza Faghih-Imani, N. E. (2016). Incorporating the impact of spatio-temporal interactions on bicycle sharing system demand: A case study of New York CitiBike system. Journal of Transport Geography, 218-227. Alonso, C. M. (2015). Tesis Doctoral. Desarrollo de un modelo de evaluación de ciudades basado en el concepto de ciudad inteligente (smart city). Madrid. Andreas Kaltenbrunner, R. M. (2010). Urban cycles and mobility patterns: Exploring and predicting trends in a bicycle-based public transport system. Pervasive and Mobile Computing, 455-466. Ayuntamiento de Valencia. (2013). Plan de Movilidad Urbana Sostenible de Valencia. Valencia. Ayuntamiento de Valencia. (2016). Oficina de Estadística. Recuperado el enero de 2017, de http://www.valencia.es/ayuntamiento/estadistica.nsf/vDocumentosTituloAux/Principal?open document&lang=1&nivel=1_1&bdOrigen=ayuntamiento/estadistica.nsf&idapoyo=58FB3C 7A3D56E414C1257DD40057EB6C Ayuntamiento de Valencia. (s.f.). Fundación InnDEA Valencia. Recuperado el 24 de 04 de 2017, de http://inndeavalencia.com/es/ Ayuntamiento de Valencia. (s.f.). Valenbisi. Recuperado el 11 de enero de 2017, de http://www.valenbisi.com/ Baslé, M. (2016). Smarter citties' attractiveness. Testing new criteria or Facets. "Data Scientist" and "Data Platforms". Journal of the Knowledge Economy, 1-11. Benedikt Gräler, E. P. (25 de marzo de 2016). cran.r-project.org. Obtenido de https://cran.rproject.org/web/packages/gstat/vignettes/spatio-temporal-kriging.pdf Brent Selby, K. M. (2013). Spatial prediction of traffic levels in unmeasured locations: applications of universal. Journal of Transport Geography, 24-32. Cerrillo, A. (2014). Los principios de los datos abiertos en la legislación española. Revista de Internet, Derecho y Política (19), 62-77. Cressie, N. A. (1993). Statistics for Spatial Data. Iowa: Wiley-Interscience. Darcin Akin, V. P. (2011). Impacts of Weather on Traffic Flow Characteristics of Urban Freeways in Istanbul . Procedia Social and Behavioral Science, 89-99. Dirección General de Tráfico. (s.f.). Portal estadístico DGT. Obtenido de https://sedeapl.dgt.gob.es/WEB_IEST_CONSULTA/categoria.faces EMT. (s.f.). Planificador de rutas EMT. Obtenido de https://www.emtvalencia.es/geoportal/ ESRI. (s.f.). Recuperado el marzo de 2017, de https://pro.arcgis.com/es/pro-app/tool-reference/spacetime-pattern-mining/learnmorecreatecube.htm ANEXO I. DATOS 92 92 TRANSPORTE Tabla 0-9. Paradas y líneas de la EMT por distrito y población Distrito Paradas EMT Población Paradas/1000hab Líneas EMT 1.CIUTAT VELLA 60 26.769 2,24 44 2.L'EIXAMPLE 61 42.406 1,44 32 3.EXTRAMURS 51 48.287 1,06 29 4.CAMPANAR 63 37.562 1,68 21 5.LA SAIDIA 52 46.818 1,11 19 6.EL PLA DEL REAL 62 30.116 2,06 34 7.L'OLIVERETA 60 48.221 1,24 14 8.PATRAIX 50 57.573 0,87 14 9.JESUS 54 52.261 1,03 12 10.QUATRE CARRERES 145 73.664 1,97 21 11.POBLATS MARITIMS 102 57.590 1,77 14 12.CAMINS AL GRAU 63 65.119 0,97 16 13.ALGIROS 47 37.191 1,26 16 14.BENIMACLET 22 29.096 0,76 10 15.RASCANYA 56 52.749 1,06 12 16.BENICALAP 43 45.460 0,95 12 17.POBLATS DEL NORD 39 6.529 5,97 3 18.POBLATS DE L'OEST 27 13.993 1,93 3 19.POBLATS DEL SUD 61 20.228 3,02 7 Tabla 0-10. Pasajeros totales de la EMT por mes y año (en millones de pasajeros) AÑO 2015 EN FEB MZ AB MY JN JL AG SE OC NO DI 7,30 7,31 8,01 7,10 7,93 7,82 7,01 4,68 7,38 7,93 7,90 7,55 AÑO 2016 EN FEB MZ AB MY JN JL AG SE OC NO DI 7,22 7,84 7,73 7,90 8,57 8,30 7,29 5,33 8,09 8,65 8,53 7,89 93 93 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Tabla 0-11. Turismos según distrito y habitantes Distrito Turismos Población Turismos/habitante 1.CIUTAT VELLA 13.634 26.769 0,51 2.L'EIXAMPLE 19.679 42.406 0,46 3.EXTRAMURS 21.031 48.287 0,44 4.CAMPANAR 16.346 37.562 0,44 5.LA SAIDIA 19.122 46.818 0,41 6.EL PLA DEL REAL 15.522 30.116 0,52 7.L'OLIVERETA 19.562 48.221 0,41 8.PATRAIX 26.377 57.573 0,46 9.JESUS 21.978 52.261 0,42 10.QUATRE CARRERES 31.105 73.664 0,42 11.POBLATS MARITIMS 23.356 57.590 0,41 12.CAMINS AL GRAU 25.289 65.119 0,39 13.ALGIROS 17.120 37.191 0,46 14.BENIMACLET 12.506 29.096 0,43 15.RASCANYA 20.150 52.749 0,38 16.BENICALAP 17.991 45.460 0,4 17.POBLATS DEL NORD 3.203 6.529 0,49 18.POBLATS DE L'OEST 6.223 13.993 0,44 19.POBLATS DEL SUD 10.401 20.228 0,51 Tabla 0-12. Metrovalencia. Usuarios por línea y mes en el año 2015 Mes L1 L2 L3 L4 L5 L6 L7 L8 L9 Enero 1.442.573 - 1.581.742 1.172.318 - - 418.015 170.338 - Feb 1.501.038 - 1.627.465 1.217.606 - - 507.577 205.636 - Marzo 973.380 916.800 1.323.380 981.877 721.691 853.334 613.182 191.117 49.367 Abril 735.194 671.496 947.211 684.701 508.762 588.462 486.210 163.874 46.379 Mayo 792.010 714.227 1.016.584 728.296 539.919 629.459 571.098 192.359 56.687 Jun 751.002 691.155 977.407 704.220 526.452 604.424 560.023 194.373 61.696 Jul 676.629 641.720 882.829 645.087 479.652 544.602 499.738 174.307 64.294 Agos 461.453 448.536 589.983 452.703 319.483 352.070 328.092 115.849 52.042 Sept 759.209 688.682 981.250 702.320 518.735 610.314 548.981 188.760 49.394 Oct 828.829 735.382 1.073.213 756.751 565.169 667.101 588.108 195.241 46.914 Nov 853.452 758.158 1.083.738 762.774 571.942 681.190 604.175 199.834 41.759 Dic 818.057 739.067 1.053.794 753.531 563.435 660.706 493.635 162.534 39.270 ANEXO I. DATOS 94 94 95 95 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia ANEXO II. DESCARGA DE DATOS Se exponen y explican a continuación los códigos desarrollados para la descarga de datos. Descarga de datos de tráfico de bicicletas y motorizado Como se mencionó anteriormente, se desarrolla un código en R para la descarga de datos. Dichos datos proceden del Portal de Transparencia y Datos Abiertos del Ayuntamiento de Valencia, cuyo link de acceso es http://gobiernoabierto.valencia.es/es/. Intensidad de los puntos de medida de bicicletas (espiras electromagnéticas): se trata de datos geográficos de puntos de medida de bicicletas. Incluyen información de la intensidad horaria de cada espira medida en vehículos/hora, el identificador del punto de medida, la fecha y hora de actualización y el ángulo de representación del sentido de la circulación en el punto de medida. Intensidad de los puntos de medida de tráfico (espiras electromagnéticas): al igual que en el caso de las bicicletas, se trata de las medidas de intensidad horaria de vehículos/hora, junto con el indicador del punto de medida, el ángulo representativo del sentido de circulación en el punto de medida y la fecha y hora de actualización. Vemos a continuación el código, donde los comentarios están precedidos de almohadilla (#). SCRIPT 1 # ESTE SCRIPT SE EJECUTA CADA HORA MEDIANTE EL PROGRAMADOR DE TAREAS DE WINDOWS library(XML) library(lubridate) library(xlsx) # LA IDEA GENERAL ES ESTA: CARGAR UNA URL Y GUARDAR LA TABLA CON LOS RESULTADOS. url<"http://apigobiernoabiertortod.valencia.es/apirtod/rest/datasets/intensidad_espiras. csv?items=60&rnd=724091116" url2<"http://apigobiernoabiertortod.valencia.es/apirtod/rest/datasets/estado_trafico.csv ?items=360&rnd=774590040" url3<-"http://mapas.valencia.es/lanzadera/opendata/tra_espiras_p/CSV" # POR DEFECTO ESTA FUNCIÓN GUARDA LA TABLA MÁS GRANDE, # QUE EN ESTE CASO ES LA QUE QUEREMOS. datos<-read.csv2(url) datos2<-read.csv2(url2) datos3<-read.csv2(url3) datos$hora<-ymd_hms(datos$modified) datos2$hora<-ymd_hms(datos2$modified) # GUARDA UN LIBRO EXCEL CADA VEZ QUE SE EJECUTA nombre_fichero<-paste("biciValencia",horacaptura,".xlsx") ANEXO II. DESCARGA DE DATOS 96 96 write.xlsx(datos,file=nombre_fichero) nombre_fichero2<-paste("traficoValencia",horacaptura,".xlsx") # ES PRECISO CREAR LOS VALORES ACUMULADOS LA PRIMERA VEZ load("datosacu.RData") names(datos)<-names(datosacu) datosacu = rbind(datos,datosacu) horacaptura_acu = c(horacaptura,horacaptura_acu) save(datosacu,horacaptura_acu,file="datosacu.RData") load("historico2.RData") names(datos2)<-names(historico2) historico2<-rbind(historico2,datos2) save(historico2, file="historico2.RData") load("historico3.RData") historico3<-rbind(historico3,datos3) save(historico3, file="historico3.RData") Descarga de datos climáticos La descarga de datos climáticos se realiza a través del Servicio de Información Meteorológica de OGIMET, cuyo link de acceso es www.ogimet.com. Las variables climáticas descargadas se describen a continuación: Temperatura: corresponde a la temperatura del aire de una observación determinada. Se presenta en grados centígrados y con una precisión de una décima de grado. - Temperatura máxima: la temperatura más alta registrada durante el periodo de 24 horas previas al momento de referencia. - Temperatura mínima: Análoga a la temperatura máxima. Es la temperatura más baja registrada durante un periodo previo al de referencia. - Temperatura media: Es la temperatura promedio de un periodo dado. Se representa la temperatura media en un intervalo de 24 horas. - Temperatura del punto de rocío (Td.Med): hace referencia a la temperatura a la que comenzaría a formarse rocío o niebla si el aire se enfriase sin variación en su contenido de humedad. Humedad relativa: a una tempertura dada, la presión parcial del vapor de agua en el aire no puede superar un cierto valor, llamado tensión de vapor saturante. La humedad relativa es el tanto por ciento de la tension de vapor existente en relación con ese máximo. Viento: - Dirección: referencia a la dirección del viento expresada a través de los puntos cardinales definidos en la “rosa naútica”. - Velocidad: velocidad del viento medida en km/h. 97 97 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Precipitación: se expresa en mm. Se muestra la acumulada durante 24 horas. El código de descarga desarrollado se muestra a continuación. Los comentarios están precedidos por almohadilla (#). SCRIPT 2 library(XML) library(lubridate) library(xlsx) library(RCurl) # CONSTRUCCIÓN DE LA URL PARA UNA FECHA DADA urlOgimet<-function(a,m,d,h) {nf<-paste("http://www.ogimet.com/cgibin/gsynres?state=Spa&osum=no&fmt=html&ord=REV&ano=",a, "&mes=",m,"&day=",d,"&hora=",h,"&ndays=1&Enviar=Ver",sep = "")} # DÍA DE COMIENZO DE LA OBTENCIÓN DE INFORMACIÓN METEOROLÓGICA a<-"2016" m<-"10" d<-"01" h<-"00" cfecha<-paste(a,"-",m,"-",d," ",h,":00:00",sep="") fecha<-as.POSIXct(cfecha) # "2016-10-01 CEST" nfichero2<-urlOgimet(a,m,d,h) # readHTMLTable GUARDA LA TABLA MÁS GRANDE, QUE EN ESTE CASO ES LA QUE QUEREMOS. datos4<-getURL(nfichero2, followlocation = TRUE) datos4b<-htmlParse(datos4,asText=TRUE) datos4d<-readHTMLTable(datos4b,stringsAsFactors= FALSE) DATOSa<-datos4d[[1]] # NOS QUEDAMOS CON LAS PRIMERAS QUINCE VARIABLES DATOS<-DATOSa[,c(1:15)] # ESTACIÓN METEREOLÓGICA DEL AEROPUERTO DE VALENCIA fila<-DATOS[,1]=="Valencia / Aeropu..." NOMBRES<-DATOS[4,] for (i in 1: length(NOMBRES) ) {names(NOMBRES)[i] <-NOMBRES[i]} DATOS_VALENCIA<-cbind(fecha,DATOS[fila,]) DATOS_ACU<-DATOS_VALENCIA # BUCLE PARA EL MES DE OCTUBRE DE 2016 for (d in "01":"31") ANEXO II. DESCARGA DE DATOS 98 98 for(h in "00": "23") { cat(d,h,"\n ") cfecha<-paste(a,"-",m,"-",d," ",h,":00:00",sep="") fecha<-as.POSIXct(cfecha) nfichero2<-urlOgimet(a,m,d,h) datos4<-getURL(nfichero2, followlocation = TRUE) datos4b<-htmlParse(datos4,asText=TRUE) datos4d<-readHTMLTable(datos4b,stringsAsFactors= FALSE) DATOSa<-datos4d[[1]] DATOS<-DATOSa[,c(1:15)] DATOS_VALENCIA<-cbind(fecha,DATOS[fila,]) DATOS_ACU<-rbind(DATOS_ACU,DATOS_VALENCIA) } for (i in 1: length(names(DATOS_ACU)) ) {names(DATOS_ACU)[i] <-NOMBRESf[i]} names(DATOS_ACU)[1]<-substr(names(NOMBRESf[1]),2,6) save(DATOS_ACU,file="datos_clima_01oct16_31oct16.RData") 99 99 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia ANEXO III. ANÁLISIS Se expondrán a continuación los Scripts desarrollados para el análisis estadístico y espacio-temporal realizado con R. Modelo de regresión lineal SCRIPT 3 library(dplyr) library(lubridate) library(sp) library(gstat) library(automap) library(spacetime) library(lattice) # LECTURA DE LOS DATOS PARA LAS BICICLETAS DEL PERIODO 1 DE OCTUBRE DE 2016 A 30 DE # ABRIL DE 2017 load(“m1_07-05-17.RData”) # RECODIFICAMOS EL DÍA DE LA SEMANA AL ESPAÑOL m1$wday<-lubridate::wday(m1$hora) m1$wday<-as.factor(m1$wday) levels(m1$wday)<-c(“domingo”,”lunes”,”martes”,”miércoles”,”jueves”,”viernes”,”sábado”) # SELECCIÓN DE VARIABLES A UTILIZAR EN EL MODELO DE REGRESIÓN datos_bic<- m1[,c(“vlc.intensidad”,”vlc.punto_medida”,”day”,”month”,”hour”,”wday”,”Tmax”,”Tmin”,”Tme d”,”Hr.Med…”,”VDir”,”VVelocidad”,”Prec.mm.”)] # MODELO CON TODAS LAS VARIABLES model_bic1<-lm(vlc.intensidad~.,data=datos_bic) summary(model_bic1) ## Call: ## lm(formula = vlc.intensidad ~ ., data = datos_bic) ## ## Residuals: ## Min 1Q Median 3Q Max ## -89.79 -15.43 -3.50 10.50 2088.48 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 2.194e+01 1.517e+00 14.467 < 2e-16 *** ## vlc.punto_medida333 -2.444e+01 7.663e-01 -31.899 < 2e-16 *** ## vlc.punto_medida432 -3.107e+01 7.834e-01 -39.667 < 2e-16 *** ## vlc.punto_medida433 1.015e+01 7.414e-01 13.686 < 2e-16 *** ## vlc.punto_medida536 -5.487e+00 7.694e-01 -7.131 9.96e-13 *** ## vlc.punto_medida538 -8.750e+00 7.505e-01 -11.658 < 2e-16 *** ## vlc.punto_medida539 -4.324e+00 7.439e-01 -5.813 6.13e-09 *** ## vlc.punto_medida835 -1.513e+01 7.665e-01 -19.740 < 2e-16 *** ## vlc.punto_medida836 -2.317e+01 7.572e-01 -30.602 < 2e-16 *** ANEXO III. ANÁLISIS 100 100 ## vlc.punto_medida931 -2.864e+01 7.662e-01 -37.381 < 2e-16 *** ## vlc.punto_medida932 -2.802e+01 7.628e-01 -36.728 < 2e-16 *** ## vlc.punto_medida1042 -1.992e+01 7.592e-01 -26.230 < 2e-16 *** ## vlc.punto_medida1043 -3.513e+01 7.896e-01 -44.486 < 2e-16 *** ## vlc.punto_medida1044 -1.535e+00 7.595e-01 -2.021 0.043272 * ## vlc.punto_medida1159 -1.531e+01 7.516e-01 -20.377 < 2e-16 *** ## vlc.punto_medida1162 -1.978e+01 7.530e-01 -26.267 < 2e-16 *** ## vlc.punto_medida1334 -3.015e+01 7.863e-01 -38.343 < 2e-16 *** ## vlc.punto_medida1437 -8.347e+00 7.459e-01 -11.191 < 2e-16 *** ## vlc.punto_medida1438 6.907e+00 7.466e-01 9.252 < 2e-16 *** ## vlc.punto_medida1439 -4.201e+00 7.437e-01 -5.649 1.62e-08 *** ## vlc.punto_medida1440 -3.694e+01 7.922e-01 -46.626 < 2e-16 *** ## vlc.punto_medida1441 1.634e+01 7.411e-01 22.050 < 2e-16 *** ## vlc.punto_medida1442 1.036e+01 7.432e-01 13.940 < 2e-16 *** ## vlc.punto_medida1443 1.631e+01 7.429e-01 21.949 < 2e-16 *** ## vlc.punto_medida1444 3.099e+01 7.423e-01 41.753 < 2e-16 *** ## vlc.punto_medida1535 -9.459e+00 7.480e-01 -12.646 < 2e-16 *** ## vlc.punto_medida1536 7.095e+00 7.453e-01 9.520 < 2e-16 *** ## vlc.punto_medida1537 1.018e+01 7.444e-01 13.670 < 2e-16 *** ## vlc.punto_medida1543 1.318e+01 7.422e-01 17.751 < 2e-16 *** ## vlc.punto_medida1545 1.365e+01 7.406e-01 18.434 < 2e-16 *** ## vlc.punto_medida1622 1.895e+01 7.434e-01 25.496 < 2e-16 *** ## vlc.punto_medida1820 4.293e+00 7.424e-01 5.783 7.35e-09 *** ## vlc.punto_medida1821 7.694e+00 7.421e-01 10.367 < 2e-16 *** ## vlc.punto_medida1822 -1.674e+01 7.606e-01 -22.011 < 2e-16 *** ## vlc.punto_medida1921 -1.830e+01 7.508e-01 -24.374 < 2e-16 *** ## vlc.punto_medida1922 -2.166e+01 7.521e-01 -28.808 < 2e-16 *** ## vlc.punto_medida2136 -1.980e+01 7.592e-01 -26.081 < 2e-16 *** ## vlc.punto_medida2253 -3.049e+01 7.688e-01 -39.660 < 2e-16 *** ## vlc.punto_medida2254 -1.392e+01 7.517e-01 -18.520 < 2e-16 *** ## vlc.punto_medida2255 -2.947e+01 7.701e-01 -38.270 < 2e-16 *** ## vlc.punto_medida2260 -3.667e+01 7.880e-01 -46.529 < 2e-16 *** ## vlc.punto_medida2438 -4.149e+01 1.009e+00 -41.099 < 2e-16 *** ## vlc.punto_medida2542 -1.364e+01 7.537e-01 -18.103 < 2e-16 *** ## vlc.punto_medida2543 -1.457e+01 7.680e-01 -18.968 < 2e-16 *** ## vlc.punto_medida2822 -1.790e+01 7.548e-01 -23.721 < 2e-16 *** ## vlc.punto_medida3131 6.643e+00 7.539e-01 8.811 < 2e-16 *** ## vlc.punto_medida3135 -4.371e+00 8.935e-01 -4.892 9.97e-07 *** ## vlc.punto_medida3410 -1.409e+00 7.691e-01 -1.832 0.066928 . ## vlc.punto_medida3633 -3.487e+01 7.777e-01 -44.843 < 2e-16 *** ## vlc.punto_medida3634 -3.650e+01 7.979e-01 -45.744 < 2e-16 *** ## vlc.punto_medida3636 -3.785e+01 7.996e-01 -47.330 < 2e-16 *** ## vlc.punto_medida3637 -4.443e+01 8.327e-01 -53.362 < 2e-16 *** ## vlc.punto_medida3932 -2.507e+01 7.632e-01 -32.847 < 2e-16 *** ## vlc.punto_medida3933 -2.992e+01 7.668e-01 -39.014 < 2e-16 *** ## vlc.punto_medida3934 -2.095e+00 7.462e-01 -2.807 0.004996 ** ## vlc.punto_medida3936 -2.810e+01 7.644e-01 -36.757 < 2e-16 *** ## vlc.punto_medida4113 -1.286e+01 7.661e-01 -16.789 < 2e-16 *** ## vlc.punto_medida4124 -2.274e+01 7.569e-01 -30.049 < 2e-16 *** ## vlc.punto_medida4321 -1.118e+01 7.554e-01 -14.800 < 2e-16 *** ## day2 1.765e+00 5.827e-01 3.029 0.002450 ** ## day3 3.096e+00 5.700e-01 5.431 5.61e-08 *** ## day4 2.404e+00 5.979e-01 4.020 5.81e-05 *** ## day5 -1.621e+00 5.588e-01 -2.901 0.003722 ** ## day6 2.580e-01 5.600e-01 0.461 0.645002 ## day7 3.461e+00 5.518e-01 6.272 3.58e-10 *** ## day8 -1.727e-01 5.566e-01 -0.310 0.756356 ## day9 2.121e+00 5.674e-01 3.738 0.000185 *** ## day10 2.107e+00 5.534e-01 3.807 0.000141 *** 101 101 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia ## day11 2.381e+00 5.546e-01 4.292 1.77e-05 *** ## day12 -7.597e-01 5.526e-01 -1.375 0.169209 ## day13 -2.193e+00 5.744e-01 -3.818 0.000134 *** ## day14 3.162e+00 6.017e-01 5.255 1.48e-07 *** ## day15 1.006e+00 6.234e-01 1.613 0.106751 ## day16 1.537e+00 6.672e-01 2.303 0.021255 * ## day17 -3.652e+00 6.776e-01 -5.390 7.05e-08 *** ## day18 -4.878e+00 6.619e-01 -7.369 1.72e-13 *** ## day19 -4.170e+00 6.637e-01 -6.283 3.32e-10 *** ## day20 1.033e+00 6.699e-01 1.542 0.122980 ## day21 3.709e+00 6.090e-01 6.091 1.13e-09 *** ## day22 -2.258e+00 5.715e-01 -3.952 7.76e-05 *** ## day23 -2.239e+00 5.572e-01 -4.018 5.88e-05 *** ## day24 -8.721e-01 5.658e-01 -1.541 0.123233 ## day25 6.212e-01 5.579e-01 1.114 0.265493 ## day26 4.045e-01 5.619e-01 0.720 0.471552 ## day27 -5.699e-01 5.568e-01 -1.023 0.306083 ## day28 3.709e+00 5.555e-01 6.677 2.45e-11 *** ## day29 -3.527e+00 5.654e-01 -6.239 4.42e-10 *** ## day30 9.544e-01 5.674e-01 1.682 0.092555 . ## day31 4.544e-01 6.490e-01 0.700 0.483859 ## month2 3.484e+00 3.257e-01 10.697 < 2e-16 *** ## month3 7.219e+00 3.386e-01 21.321 < 2e-16 *** ## month4 1.034e+00 3.961e-01 2.611 0.009022 ** ## month10 5.026e+00 5.531e-01 9.086 < 2e-16 *** ## month11 -5.183e-02 3.440e-01 -0.151 0.880249 ## month12 -5.641e-01 3.232e-01 -1.745 0.080963 . ## hour1 -4.026e+00 5.386e-01 -7.475 7.76e-14 *** ## hour2 -6.317e+00 5.696e-01 -11.091 < 2e-16 *** ## hour3 -6.198e+00 5.854e-01 -10.588 < 2e-16 *** ## hour4 -5.248e+00 5.793e-01 -9.059 < 2e-16 *** ## hour5 -3.009e+00 5.578e-01 -5.395 6.88e-08 *** ## hour6 1.459e+01 5.247e-01 27.810 < 2e-16 *** ## hour7 3.563e+01 5.035e-01 70.760 < 2e-16 *** ## hour8 3.624e+01 5.013e-01 72.289 < 2e-16 *** ## hour9 2.956e+01 4.999e-01 59.136 < 2e-16 *** ## hour10 3.152e+01 4.996e-01 63.091 < 2e-16 *** ## hour11 3.499e+01 4.977e-01 70.307 < 2e-16 *** ## hour12 3.784e+01 5.062e-01 74.747 < 2e-16 *** ## hour13 4.169e+01 4.960e-01 84.052 < 2e-16 *** ## hour14 3.726e+01 5.005e-01 74.455 < 2e-16 *** ## hour15 3.454e+01 5.042e-01 68.498 < 2e-16 *** ## hour16 3.906e+01 5.002e-01 78.099 < 2e-16 *** ## hour17 4.013e+01 5.028e-01 79.819 < 2e-16 *** ## hour18 3.944e+01 4.988e-01 79.069 < 2e-16 *** ## hour19 3.478e+01 4.975e-01 69.897 < 2e-16 *** ## hour20 2.352e+01 4.951e-01 47.515 < 2e-16 *** ## hour21 1.208e+01 4.942e-01 24.452 < 2e-16 *** ## hour22 4.747e+00 4.918e-01 9.651 < 2e-16 *** ## hour23 2.987e+00 5.027e-01 5.941 2.84e-09 *** ## wdaylunes 1.016e+01 2.984e-01 34.045 < 2e-16 *** ## wdaymartes 1.100e+01 3.076e-01 35.766 < 2e-16 *** ## wdaymiercoles 1.256e+01 2.866e-01 43.828 < 2e-16 *** ## wdayjueves 1.141e+01 2.891e-01 39.465 < 2e-16 *** ## wdayviernes 7.670e+00 3.068e-01 25.002 < 2e-16 *** ## wdaysabado 4.177e-04 2.937e-01 0.001 0.998865 ## Tmax 5.980e-03 6.473e-02 0.092 0.926402 ## Tmin -5.777e-01 7.857e-02 -7.352 1.96e-13 *** ## Tmed 1.289e+00 1.369e-01 9.412 < 2e-16 *** ## Hr.Med... -2.820e-01 9.456e-03 -29.821 < 2e-16 *** ANEXO III. ANÁLISIS 108 108 ## day27 -1.255732 1.549125 -0.811 0.417646 ## day28 -0.560515 1.523068 -0.368 0.712883 ## day29 -4.781643 1.558570 -3.068 0.002172 ** ## day30 -0.901517 1.548938 -0.582 0.560589 ## day31 -0.415880 1.785308 -0.233 0.815817 ## month2 3.434941 0.886138 3.876 0.000108 *** ## month3 3.509298 0.927048 3.785 0.000156 *** ## month4 0.615138 1.088765 0.565 0.572119 ## month10 5.153508 1.504205 3.426 0.000619 *** ## month11 0.302588 0.944366 0.320 0.748674 ## month12 0.174538 0.883588 0.198 0.843422 ## hour1 0.961042 1.469814 0.654 0.513250 ## hour2 0.861513 1.565855 0.550 0.582226 ## hour3 1.905350 1.757074 1.084 0.278268 ## hour4 -2.347356 2.123084 -1.106 0.268961 ## hour5 0.848648 1.834677 0.463 0.643709 ## hour6 6.637657 1.506004 4.407 1.08e-05 *** ## hour7 16.453928 1.378791 11.934 < 2e-16 *** ## hour8 20.005294 1.348398 14.836 < 2e-16 *** ## hour9 13.093014 1.336894 9.794 < 2e-16 *** ## hour10 16.715094 1.338432 12.489 < 2e-16 *** ## hour11 16.540953 1.341459 12.331 < 2e-16 *** ## hour12 17.195100 1.356071 12.680 < 2e-16 *** ## hour13 22.972029 1.319852 17.405 < 2e-16 *** ## hour14 20.702295 1.335946 15.496 < 2e-16 *** ## hour15 19.158433 1.358296 14.105 < 2e-16 *** ## hour16 19.768012 1.329695 14.867 < 2e-16 *** ## hour17 18.145355 1.343351 13.508 < 2e-16 *** ## hour18 20.120538 1.348381 14.922 < 2e-16 *** ## hour19 19.008892 1.323844 14.359 < 2e-16 *** ## hour20 10.898028 1.329457 8.197 3.41e-16 *** ## hour21 3.839205 1.315889 2.918 0.003550 ** ## hour22 2.622850 1.314136 1.996 0.046025 * ## hour23 1.987122 1.306414 1.521 0.128338 ## wdaylunes 9.553373 0.826393 11.560 < 2e-16 *** ## wdaymartes 10.260418 0.842810 12.174 < 2e-16 *** ## wdaymiercoles 10.897492 0.785592 13.872 < 2e-16 *** ## wdayjueves 11.836846 0.803363 14.734 < 2e-16 *** ## wdayviernes 9.760410 0.839129 11.632 < 2e-16 *** ## wdaysabado 1.756561 0.796295 2.206 0.027455 * ## Tmax -0.103899 0.178686 -0.581 0.560967 ## Tmin 0.042655 0.218526 0.195 0.845251 ## Tmed 0.246068 0.379477 0.648 0.516743 ## Hr.Med... -0.177097 0.026121 -6.780 1.41e-11 *** ## VDirENE -1.383507 1.140517 -1.213 0.225192 ## VDirESE -0.122528 1.347715 -0.091 0.927565 ## VDirN -2.129295 1.397526 -1.524 0.127695 ## VDirNE 0.484649 1.212715 0.400 0.689447 ## VDirNNE 0.380059 1.378091 0.276 0.782728 ## VDirNNW -0.796334 1.393000 -0.572 0.567583 ## VDirNW -0.810648 1.287534 -0.630 0.528989 ## VDirS 0.542456 2.209376 0.246 0.806065 ## VDirSE 1.553570 1.284801 1.209 0.226671 ## VDirSSE 3.521807 2.085096 1.689 0.091301 . ## VDirSSW 3.437364 2.282966 1.506 0.132246 ## VDirSW 2.452148 1.778440 1.379 0.168039 ## VDirW 0.885190 1.270351 0.697 0.485970 ## VDirWNW -0.111716 1.318500 -0.085 0.932481 ## VDirWSW 1.236421 1.246806 0.992 0.321427 109 109 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia ## VVelocidad -0.274023 0.060809 -4.506 6.81e-06 *** ## Prec.mm. -0.000392 0.003014 -0.130 0.896515 ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 11.75 on 3492 degrees of freedom ## (3 observations deleted due to missingness) ## Multiple R-squared: 0.4289, Adjusted R-squared: 0.4148 ## F-statistic: 30.49 on 86 and 3492 DF, p-value: < 2.2e-16 ## ## Punto de medida: 432 ## ## Call: ## lm(formula = vlc.intensidad ~ ., data = datos) ## ## Residuals: ## Min 1Q Median 3Q Max ## -21.099 -5.405 -1.084 4.071 68.324 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 3.349971 2.940999 1.139 0.25476 ## day2 1.090471 1.180400 0.924 0.35565 ## day3 2.594212 1.156145 2.244 0.02491 * ## day4 1.037115 1.210637 0.857 0.39169 ## day5 1.293078 1.123968 1.150 0.25004 ## day6 0.408748 1.136424 0.360 0.71911 ## day7 1.085495 1.114337 0.974 0.33007 ## day8 1.400634 1.131466 1.238 0.21585 ## day9 1.202615 1.141753 1.053 0.29228 ## day10 1.716973 1.146250 1.498 0.13426 ## day11 1.105480 1.186893 0.931 0.35171 ## day12 0.003032 1.162229 0.003 0.99792 ## day13 0.494139 1.190316 0.415 0.67807 ## day14 1.984455 1.310855 1.514 0.13016 ## day15 0.495269 1.379991 0.359 0.71970 ## day16 0.622163 1.483010 0.420 0.67486 ## day17 -0.133667 1.506957 -0.089 0.92933 ## day18 -1.272413 1.402574 -0.907 0.36437 ## day19 -2.839469 1.446963 -1.962 0.04981 * ## day20 -3.781799 1.350184 -2.801 0.00513 ** ## day21 1.767678 1.237423 1.429 0.15324 ## day22 -1.953924 1.157113 -1.689 0.09139 . ## day23 -1.853664 1.126779 -1.645 0.10005 ## day24 1.110953 1.148472 0.967 0.33345 ## day25 1.664820 1.131103 1.472 0.14116 ## day26 0.676252 1.148021 0.589 0.55586 ## day27 1.069394 1.129571 0.947 0.34385 ## day28 1.270162 1.134428 1.120 0.26295 ## day29 -0.865625 1.148355 -0.754 0.45103 ## day30 1.431218 1.133611 1.263 0.20685 ## day31 1.694152 1.313738 1.290 0.19729 ## month2 1.413515 0.662341 2.134 0.03291 * ## month3 2.276706 0.748071 3.043 0.00236 ** ## month4 1.777968 0.827359 2.149 0.03171 * ## month10 1.327927 1.142057 1.163 0.24502 ## month11 -0.498948 0.701636 -0.711 0.47706 ## month12 -0.074373 0.655907 -0.113 0.90973 ## hour1 -0.275117 1.162046 -0.237 0.81286 ## hour2 -1.125042 1.358968 -0.828 0.40781 ANEXO III. ANÁLISIS 110 110 ## hour3 -0.683484 1.578190 -0.433 0.66499 ## hour4 -1.443519 2.417041 -0.597 0.55040 ## hour5 -0.975602 1.341340 -0.727 0.46707 ## hour6 1.168788 1.062195 1.100 0.27126 ## hour7 5.104960 1.080199 4.726 2.39e-06 *** ## hour8 9.785742 1.035384 9.451 < 2e-16 *** ## hour9 8.515292 1.040712 8.182 3.97e-16 *** ## hour10 10.836931 1.028805 10.534 < 2e-16 *** ## hour11 11.201349 1.019012 10.992 < 2e-16 *** ## hour12 8.492540 1.030657 8.240 2.48e-16 *** ## hour13 10.547815 1.007276 10.472 < 2e-16 *** ## hour14 9.135511 1.031287 8.858 < 2e-16 *** ## hour15 9.571367 1.044188 9.166 < 2e-16 *** ## hour16 12.094287 1.022579 11.827 < 2e-16 *** ## hour17 10.408947 1.026201 10.143 < 2e-16 *** ## hour18 14.482018 1.031998 14.033 < 2e-16 *** ## hour19 13.325629 1.010384 13.189 < 2e-16 *** ## hour20 5.737931 0.999424 5.741 1.03e-08 *** ## hour21 1.420381 1.014947 1.399 0.16177 ## hour22 0.507385 1.017112 0.499 0.61792 ## hour23 0.475602 1.031666 0.461 0.64483 ## wdaylunes 3.029857 0.620771 4.881 1.11e-06 *** ## wdaymartes 4.053002 0.640770 6.325 2.88e-10 *** ## wdaymiercoles 6.327479 0.603665 10.482 < 2e-16 *** ## wdayjueves 5.279987 0.605991 8.713 < 2e-16 *** ## wdayviernes 4.462765 0.635674 7.021 2.69e-12 *** ## wdaysabado 0.757563 0.611916 1.238 0.21580 ## Tmax 0.125224 0.139665 0.897 0.37000 ## Tmin 0.128480 0.167991 0.765 0.44445 ## Tmed -0.055146 0.293476 -0.188 0.85096 ## Hr.Med... -0.051554 0.019760 -2.609 0.00912 ** ## VDirENE -0.087524 0.865870 -0.101 0.91949 ## VDirESE 1.357189 1.016286 1.335 0.18183 ## VDirN -0.033362 1.052560 -0.032 0.97472 ## VDirNE 0.986711 0.930603 1.060 0.28909 ## VDirNNE 1.512185 1.051119 1.439 0.15035 ## VDirNNW -0.051384 1.037091 -0.050 0.96049 ## VDirNW 0.177496 0.971362 0.183 0.85502 ## VDirS -1.553213 1.690860 -0.919 0.35838 ## VDirSE 0.458348 0.987407 0.464 0.64254 ## VDirSSE 4.234594 1.547803 2.736 0.00626 ** ## VDirSSW -2.009380 1.803026 -1.114 0.26517 ## VDirSW 2.183130 1.321111 1.652 0.09853 . ## VDirW 0.582552 0.958466 0.608 0.54337 ## VDirWNW 1.611105 0.991379 1.625 0.10424 ## VDirWSW 1.809044 0.939082 1.926 0.05414 . ## VVelocidad -0.125726 0.046473 -2.705 0.00686 ** ## Prec.mm. 0.001029 0.002266 0.454 0.64964 ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 8.492 on 3213 degrees of freedom ## (1 observation deleted due to missingness) ## Multiple R-squared: 0.3269, Adjusted R-squared: 0.3088 ## F-statistic: 18.14 on 86 and 3213 DF, p-value: < 2.2e-16 ## ## Punto de medida: 433 ## ## Call: 111 111 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia ## lm(formula = vlc.intensidad ~ ., data = datos) ## ## Residuals: ## Min 1Q Median 3Q Max ## -85.49 -18.44 -2.35 14.93 243.20 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 17.985597 9.004899 1.997 0.045859 * ## day2 10.529087 3.712894 2.836 0.004594 ** ## day3 7.886899 3.638139 2.168 0.030230 * ## day4 6.612625 3.807350 1.737 0.082499 . ## day5 -1.541278 3.566904 -0.432 0.665688 ## day6 1.598496 3.536879 0.452 0.651329 ## day7 9.029180 3.498196 2.581 0.009884 ** ## day8 1.528477 3.517241 0.435 0.663900 ## day9 4.986719 3.596336 1.387 0.165638 ## day10 4.673566 3.503489 1.334 0.182288 ## day11 6.707573 3.514442 1.909 0.056389 . ## day12 1.322891 3.499228 0.378 0.705412 ## day13 -3.346791 3.649475 -0.917 0.359166 ## day14 1.938692 3.828287 0.506 0.612595 ## day15 2.237262 3.937105 0.568 0.569897 ## day16 8.905515 4.189508 2.126 0.033592 * ## day17 -7.143174 4.324622 -1.652 0.098665 . ## day18 -6.125660 4.223767 -1.450 0.147058 ## day19 -11.388986 4.221045 -2.698 0.007002 ** ## day20 -3.747274 4.216771 -0.889 0.374240 ## day21 6.617745 3.866024 1.712 0.087017 . ## day22 -0.720071 3.613166 -0.199 0.842045 ## day23 -2.445723 3.544814 -0.690 0.490270 ## day24 1.067824 3.579610 0.298 0.765484 ## day25 4.488092 3.529854 1.271 0.203637 ## day26 2.068435 3.560016 0.581 0.561261 ## day27 3.082444 3.501625 0.880 0.378756 ## day28 7.895267 3.515323 2.246 0.024761 * ## day29 -1.250401 3.580294 -0.349 0.726924 ## day30 6.433890 3.602575 1.786 0.074189 . ## day31 8.767291 4.097500 2.140 0.032442 * ## month2 4.767897 2.071638 2.302 0.021414 * ## month3 9.560509 2.157108 4.432 9.58e-06 *** ## month4 1.494849 2.536860 0.589 0.555726 ## month10 6.044208 3.539970 1.707 0.087822 . ## month11 -3.833704 2.176133 -1.762 0.078196 . ## month12 -4.600171 2.049292 -2.245 0.024838 * ## hour1 -5.452875 3.078347 -1.771 0.076577 . ## hour2 -6.746282 3.243692 -2.080 0.037606 * ## hour3 -7.865255 3.294022 -2.388 0.016999 * ## hour4 -8.768827 3.114767 -2.815 0.004898 ** ## hour5 -0.431236 3.388487 -0.127 0.898737 ## hour6 23.415544 3.203322 7.310 3.22e-13 *** ## hour7 69.119732 3.138436 22.024 < 2e-16 *** ## hour8 63.918492 3.120500 20.483 < 2e-16 *** ## hour9 48.282836 3.140371 15.375 < 2e-16 *** ## hour10 44.814741 3.125246 14.340 < 2e-16 *** ## hour11 47.925668 3.132161 15.301 < 2e-16 *** ## hour12 58.416440 3.171555 18.419 < 2e-16 *** ## hour13 70.473656 3.118376 22.599 < 2e-16 *** ## hour14 52.246608 3.115466 16.770 < 2e-16 *** ## hour15 52.351935 3.177439 16.476 < 2e-16 *** ANEXO III. ANÁLISIS 112 112 ## hour16 65.653152 3.109360 21.115 < 2e-16 *** ## hour17 66.287256 3.145476 21.074 < 2e-16 *** ## hour18 67.460803 3.140403 21.482 < 2e-16 *** ## hour19 63.567565 3.123318 20.353 < 2e-16 *** ## hour20 41.904613 3.134290 13.370 < 2e-16 *** ## hour21 23.034933 3.131989 7.355 2.31e-13 *** ## hour22 5.868015 3.031614 1.936 0.052987 . ## hour23 1.941333 3.075136 0.631 0.527881 ## wdaylunes 20.480789 1.891333 10.829 < 2e-16 *** ## wdaymartes 23.258555 1.952539 11.912 < 2e-16 *** ## wdaymiercoles 24.765451 1.812332 13.665 < 2e-16 *** ## wdayjueves 26.646084 1.834536 14.525 < 2e-16 *** ## wdayviernes 16.987556 1.942450 8.745 < 2e-16 *** ## wdaysabado 0.960466 1.870734 0.513 0.607688 ## Tmax 0.001451 0.410012 0.004 0.997177 ## Tmin -0.507929 0.491686 -1.033 0.301651 ## Tmed 1.573646 0.858809 1.832 0.066973 . ## Hr.Med... -0.471287 0.060031 -7.851 5.28e-15 *** ## VDirENE -0.519305 2.627255 -0.198 0.843321 ## VDirESE 5.519276 3.216166 1.716 0.086221 . ## VDirN -0.251012 3.220296 -0.078 0.937874 ## VDirNE 4.769152 2.833967 1.683 0.092482 . ## VDirNNE 3.434081 3.228331 1.064 0.287514 ## VDirNNW 0.211699 3.278484 0.065 0.948518 ## VDirNW 0.032266 2.987298 0.011 0.991383 ## VDirS 0.334160 5.025389 0.066 0.946988 ## VDirSE 5.353466 2.944051 1.818 0.069078 . ## VDirSSE 16.447741 4.970232 3.309 0.000944 *** ## VDirSSW 3.572234 5.416917 0.659 0.509639 ## VDirSW 6.308213 3.960716 1.593 0.111308 ## VDirW 6.218882 2.957814 2.103 0.035570 * ## VDirWNW 3.402659 3.035348 1.121 0.262351 ## VDirWSW 7.109025 2.906587 2.446 0.014495 * ## VVelocidad -0.942008 0.139492 -6.753 1.66e-11 *** ## Prec.mm. -0.001742 0.007026 -0.248 0.804259 ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 29.14 on 3982 degrees of freedom ## (1 observation deleted due to missingness) ## Multiple R-squared: 0.5682, Adjusted R-squared: 0.5588 ## F-statistic: 60.92 on 86 and 3982 DF, p-value: < 2.2e-16 ## ## Punto de medida: 536 ## ## Call: ## lm(formula = vlc.intensidad ~ ., data = datos) ## ## Residuals: ## Min 1Q Median 3Q Max ## -58.261 -13.406 -1.838 11.171 132.299 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 4.741515 6.833475 0.694 0.487813 ## day2 4.834959 2.682555 1.802 0.071575 . ## day3 10.366188 2.637227 3.931 8.64e-05 *** ## day4 6.654620 2.766012 2.406 0.016187 * ## day5 6.132420 2.582059 2.375 0.017603 * 113 113 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia ## day6 2.406732 2.598212 0.926 0.354353 ## day7 10.758922 2.545451 4.227 2.43e-05 *** ## day8 5.404806 2.689987 2.009 0.044591 * ## day9 8.194562 2.746429 2.984 0.002868 ** ## day10 10.311632 2.631866 3.918 9.10e-05 *** ## day11 8.783965 2.653007 3.311 0.000939 *** ## day12 4.167391 2.655359 1.569 0.116641 ## day13 2.693798 2.743435 0.982 0.326215 ## day14 4.543660 2.963653 1.533 0.125336 ## day15 8.719120 3.081324 2.830 0.004687 ** ## day16 12.107421 3.360797 3.603 0.000320 *** ## day17 -0.615964 3.493928 -0.176 0.860072 ## day18 -0.118458 3.359090 -0.035 0.971870 ## day19 -0.962507 3.350806 -0.287 0.773941 ## day20 0.622323 3.460454 0.180 0.857290 ## day21 9.054256 3.019927 2.998 0.002736 ** ## day22 -0.250305 2.755880 -0.091 0.927636 ## day23 1.464227 2.663201 0.550 0.582492 ## day24 2.056987 2.699186 0.762 0.446066 ## day25 8.139582 2.679760 3.037 0.002404 ** ## day26 4.286075 2.685261 1.596 0.110548 ## day27 6.080203 2.578577 2.358 0.018431 * ## day28 10.464486 2.580611 4.055 5.12e-05 *** ## day29 4.007635 2.610861 1.535 0.124879 ## day30 8.942926 2.622434 3.410 0.000657 *** ## day31 13.489377 2.978941 4.528 6.15e-06 *** ## month2 0.387561 1.515239 0.256 0.798140 ## month3 -9.878466 1.951454 -5.062 4.36e-07 *** ## month4 2.926934 1.961539 1.492 0.135748 ## month10 3.285039 2.735198 1.201 0.229824 ## month11 -3.593452 1.627153 -2.208 0.027280 * ## month12 -1.862778 1.501663 -1.240 0.214884 ## hour1 1.550831 2.374675 0.653 0.513754 ## hour2 -2.235588 2.683990 -0.833 0.404939 ## hour3 2.253339 2.781089 0.810 0.417861 ## hour4 0.519923 2.635970 0.197 0.843650 ## hour5 0.918209 2.656500 0.346 0.729630 ## hour6 19.443336 2.367553 8.212 3.03e-16 *** ## hour7 41.091465 2.399722 17.123 < 2e-16 *** ## hour8 40.695686 2.338364 17.403 < 2e-16 *** ## hour9 37.174729 2.358627 15.761 < 2e-16 *** ## hour10 35.210082 2.341547 15.037 < 2e-16 *** ## hour11 35.791718 2.295221 15.594 < 2e-16 *** ## hour12 41.015443 2.312417 17.737 < 2e-16 *** ## hour13 48.278537 2.329001 20.729 < 2e-16 *** ## hour14 40.773090 2.340260 17.422 < 2e-16 *** ## hour15 40.256823 2.381767 16.902 < 2e-16 *** ## hour16 48.378148 2.328053 20.781 < 2e-16 *** ## hour17 52.015283 2.367214 21.973 < 2e-16 *** ## hour18 56.305890 2.359104 23.867 < 2e-16 *** ## hour19 44.375639 2.346323 18.913 < 2e-16 *** ## hour20 29.571536 2.332662 12.677 < 2e-16 *** ## hour21 16.372411 2.330645 7.025 2.57e-12 *** ## hour22 6.214070 2.251543 2.760 0.005812 ** ## hour23 4.775535 2.278750 2.096 0.036183 * ## wdaylunes 16.008241 1.433980 11.164 < 2e-16 *** ## wdaymartes 17.906443 1.464593 12.226 < 2e-16 *** ## wdaymiercoles 19.138309 1.424368 13.436 < 2e-16 *** ## wdayjueves 18.645237 1.456047 12.805 < 2e-16 *** ## wdayviernes 16.832130 1.477531 11.392 < 2e-16 *** ANEXO III. ANÁLISIS 114 114 ## wdaysabado 4.532161 1.412309 3.209 0.001344 ** ## Tmax -0.159206 0.326132 -0.488 0.625465 ## Tmin 0.068551 0.385036 0.178 0.858704 ## Tmed 1.053221 0.677796 1.554 0.120302 ## Hr.Med... -0.298706 0.046206 -6.465 1.16e-10 *** ## VDirENE -2.872157 2.035558 -1.411 0.158337 ## VDirESE 1.839106 2.370217 0.776 0.437848 ## VDirN 0.037764 2.448557 0.015 0.987696 ## VDirNE 0.948625 2.161043 0.439 0.660714 ## VDirNNE -0.059617 2.466017 -0.024 0.980714 ## VDirNNW 1.178069 2.439083 0.483 0.629129 ## VDirNW -0.250452 2.234724 -0.112 0.910772 ## VDirS -3.747129 3.770104 -0.994 0.320339 ## VDirSE 2.310079 2.253102 1.025 0.305299 ## VDirSSE 10.224548 3.940239 2.595 0.009502 ** ## VDirSSW 0.234908 6.083969 0.039 0.969203 ## VDirSW 6.416997 3.145138 2.040 0.041398 * ## VDirW 2.152903 2.248674 0.957 0.338427 ## VDirWNW 1.574980 2.304473 0.683 0.494372 ## VDirWSW 3.830668 2.205737 1.737 0.082533 . ## VVelocidad -0.671710 0.108340 -6.200 6.32e-10 *** ## Prec.mm. 0.009570 0.005221 1.833 0.066875 . ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 20.65 on 3439 degrees of freedom ## (3 observations deleted due to missingness) ## Multiple R-squared: 0.5359, Adjusted R-squared: 0.5243 ## F-statistic: 46.17 on 86 and 3439 DF, p-value: < 2.2e-16 npm<-length(levels(datos_bic$vlc.punto_medida)) pm<-1 res_bic<- as.numeric(c(levels(datos_bic$vlc.punto_medida)[pm],model_pm(datos_bic,pm)$adj.r.squared )) for(pm in 1:npm){respm<- as.numeric(c(levels(datos_bic$vlc.punto_medida)[pm],model_pm(datos_bic,pm)$adj.r.squared )) res_bic<-rbind(res_bic,respm)} res_bic<-res_bic[-1] colnames(res_bic)<-c(“vlc.punto_medida”,”R_cuadrado_ajustado”) head(res_bic) head(res_bic) ## vlc.punto_medida R_cuadrado_ajustado ## respm 230 0.4517280 ## respm 333 0.4148046 ## respm 432 0.3088335 ## respm 433 0.5588370 ## respm 536 0.5242567 ## respm 538 0.5079166 summary(res_bic[,2]) ## Min. 1st Qu. Median Mean 3rd Qu. Max. ## 0.0858 0.3219 0.4517 0.4232 0.5378 0.6412 res.df.bic<-as.data.frame(res_bic) rownames(res.df.bic)<-1:59 res.df.bic$vlc.punto_medida<-as.factor(res.df.bic$vlc.punto_medida) # DIBUJO DE LA BONDAD DE AJUSTE load(“datosBicicletas.RData”) 115 115 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia coords<-unique(datosbici[4:6]) media_punto_medida<-datosbici %>% group_by(vlc.punto_medida) %>% summarise(intensidad_media=mean(vlc.intensidad)) media_pm<-as.data.frame(media_punto_medida) levels(media_pm$vlc.punto_medida)==levels(coords$vlc.punto_medida) levels(media_pm$vlc.punto_medida)==levels(res.df.bic$vlc.punto_medida) media_pm_cc<-left_join(media_pm,cords,by=”vlc.punto_medida”) media_pm_cc<-as.data.frame(media_pm_cc) media_pm_cc$cart.xcoord<-as.numeric(as.character(media_pm_cc$cart.xcoord)) media_pm_cc$cart.ycoord<-as.numeric(as.character(media_pm_cc$cart.ycoord)) coordinates(media_pm_cc) = ~cart.xcoord+cart.ycoord # REPRESENTAMOS MEDIANTE CÍRCULOS bubble(media_pm_cc , "R_cuadrado_ajustado", col=c("red", "green"),fill=FALSE, main = "Bondad de ajuste medida por R cuadrado ajustado") # PASAMOS AL MODELO PARA EL TRÁFICO MOTORIZADO # LECTURA DE LOS DATOS PARA EL TRÁFICO DEL PERIODO 1 DE OCTUBRE DE 2016 AL 30 DE ABRIL # DE 2017 load(“m3_07-05-17.RData”) str(m3) m3$wday<-lubridate::wday(m3$hora) m3$way<-as.factor(m3$wday) levels(m3$wday)<-c("domingo","lunes","martes","miercoles","jueves","viernes","sabado") datos_traf<- m3[,c("ih","idpm","day","month","hour","wday","Tmax","Tmin","Tmed","Hr.Med...","VDir","V Velocidad","Prec.mm.")] # MODELOS CON TODOS LOS PUNTOS DE MEDIDA # Modelo 1, análisis de las variables temporales model_traf1<-lm(ih~hour+wday+day+month, data=datos_traf) summary(model_traf1) ## Call: ## lm(formula = ih ~ hour + wday + day + month, data = datos_traf) ## ## Residuals: ## Min 1Q Median 3Q Max ## -821.8 -317.9 -89.8 134.8 6553.4 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 37.8644 1.8585 20.373 < 2e-16 *** ## hour1 -35.5594 1.5793 -22.516 < 2e-16 *** ## hour2 -86.4714 1.5700 -55.078 < 2e-16 *** ## hour3 -113.4257 1.5833 -71.637 < 2e-16 *** ## hour4 -118.2025 1.5878 -74.444 < 2e-16 *** ## hour5 -111.7197 1.5808 -70.672 < 2e-16 *** ## hour6 -67.2595 1.5852 -42.430 < 2e-16 *** ## hour7 89.0051 1.5816 56.274 < 2e-16 *** ## hour8 422.3985 1.5737 268.405 < 2e-16 *** ## hour9 444.0724 1.5777 281.460 < 2e-16 *** ## hour10 341.7005 1.5800 216.266 < 2e-16 *** ## hour11 366.7526 1.5703 233.557 < 2e-16 *** ## hour12 432.7730 1.5781 274.241 < 2e-16 *** ## hour13 465.8586 1.5906 292.886 < 2e-16 *** ## hour14 549.0314 1.5690 349.934 < 2e-16 *** ## hour15 412.9806 1.5553 265.529 < 2e-16 *** ## hour16 363.2643 1.5831 229.470 < 2e-16 *** ANEXO III. ANÁLISIS 116 116 ## hour17 454.3224 1.5758 288.308 < 2e-16 *** ## hour18 516.4987 1.5880 325.242 < 2e-16 *** ## hour19 539.9078 1.5760 342.581 < 2e-16 *** ## hour20 502.2780 1.5575 322.489 < 2e-16 *** ## hour21 392.6470 1.5737 249.504 < 2e-16 *** ## hour22 184.6745 1.5825 116.701 < 2e-16 *** ## hour23 24.8818 1.5793 15.755 < 2e-16 *** ## wdaylunes 130.4997 0.9216 141.604 < 2e-16 *** ## wdaymartes 136.3988 0.9427 144.689 < 2e-16 *** ## wdaymiercoles 145.9149 0.8910 163.759 < 2e-16 *** ## wdayjueves 145.4940 0.8952 162.528 < 2e-16 *** ## wdayviernes 154.1077 0.9585 160.778 < 2e-16 *** ## wdaysabado 45.4518 0.9280 48.979 < 2e-16 *** ## day2 48.3685 1.9878 24.333 < 2e-16 *** ## day3 59.7378 1.9398 30.796 < 2e-16 *** ## day4 41.2345 1.8493 22.297 < 2e-16 *** ## day5 32.6643 1.8153 17.994 < 2e-16 *** ## day6 -10.3113 1.7800 -5.793 6.91e-09 *** ## day7 51.2832 1.7706 28.964 < 2e-16 *** ## day8 9.3332 1.7883 5.219 1.80e-07 *** ## day9 35.0969 1.7926 19.579 < 2e-16 *** ## day10 51.0956 1.7779 28.739 < 2e-16 *** ## day11 48.8009 1.7766 27.469 < 2e-16 *** ## day12 13.2358 1.7776 7.446 9.62e-14 *** ## day13 17.6639 1.8490 9.553 < 2e-16 *** ## day14 -5.7339 1.9170 -2.991 0.00278 ** ## day15 -3.2299 1.9642 -1.644 0.10010 ## day16 -2.9877 2.1151 -1.413 0.15779 ## day17 -59.1594 2.1984 -26.911 < 2e-16 *** ## day18 22.2454 2.0692 10.751 < 2e-16 *** ## day19 25.5129 2.0556 12.411 < 2e-16 *** ## day20 34.3248 2.0690 16.590 < 2e-16 *** ## day21 37.1578 1.9494 19.062 < 2e-16 *** ## day22 26.4765 1.8134 14.601 < 2e-16 *** ## day23 36.2420 1.7824 20.333 < 2e-16 *** ## day24 20.3496 1.7889 11.375 < 2e-16 *** ## day25 43.7507 1.7788 24.596 < 2e-16 *** ## day26 11.1339 1.7997 6.187 6.15e-10 *** ## day27 45.5710 1.8094 25.186 < 2e-16 *** ## day28 51.5241 1.7750 29.028 < 2e-16 *** ## day29 33.1529 1.8112 18.304 < 2e-16 *** ## day30 32.6408 1.8382 17.757 < 2e-16 *** ## day31 13.7355 2.0800 6.604 4.01e-11 *** ## month2 25.0253 0.9029 27.715 < 2e-16 *** ## month3 7.5878 0.7880 9.629 < 2e-16 *** ## month4 -18.4017 0.8042 -22.882 < 2e-16 *** ## month10 12.3355 0.8413 14.662 < 2e-16 *** ## month11 15.7035 0.8705 18.040 < 2e-16 *** ## month12 -15.4193 0.9070 -17.001 < 2e-16 *** ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 500.8 on 4750503 degrees of freedom ## Multiple R-squared: 0.201, Adjusted R-squared: 0.201 ## F-statistic: 1.839e+04 on 65 and 4750503 DF, p-value: < 2.2e-16 # MODELO CON TODAS LAS VARIABLES PARA UN PUNTO DE MEDIDA model12_pm<-function(datos_traf,pm){ 117 117 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia datos<-datos_traf[datos_traf$idpm==levels(datos_traf$idpm)[pm],] datos<-datos[,-2] model_traf2<-lm(ih~.,data=datos) summary(model_traf2) } # APLICAMOS EL MODELO PARA LOS CINCO PRIMEROS PUNTOS DE MEDIDA For(pm in 1:5) {cat(“Punto de medida de intensidad de tráfico: “,levels(datos_traf$idpm)[pm],” \n”) Print(model12_pm(datos_traf,pm))} ## Punto de medida de intensidad de tráfico: 101 ## ## Call: ## lm(formula = ih ~ ., data = datos) ## ## Residuals: ## Min 1Q Median 3Q Max ## -1152.52 -156.51 8.65 196.28 1517.89 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 139.03395 87.57230 1.588 0.112446 ## day2 151.63491 38.91845 3.896 9.93e-05 *** ## day3 201.29862 38.26113 5.261 1.51e-07 *** ## day4 136.44209 38.41884 3.551 0.000388 *** ## day5 83.27276 36.05532 2.310 0.020962 * ## day6 14.80639 35.63290 0.416 0.677779 ## day7 151.43192 35.25307 4.296 1.78e-05 *** ## day8 115.13563 35.86120 3.211 0.001335 ** ## day9 78.19022 36.11198 2.165 0.030431 * ## day10 144.65901 35.39624 4.087 4.46e-05 *** ## day11 151.54728 35.72831 4.242 2.27e-05 *** ## day12 80.88603 35.35140 2.288 0.022187 * ## day13 88.19278 36.18195 2.437 0.014834 * ## day14 12.28172 37.92129 0.324 0.746050 ## day15 70.91431 39.18565 1.810 0.070418 . ## day16 -42.28193 41.52677 -1.018 0.308652 ## day17 -170.20165 43.64138 -3.900 9.78e-05 *** ## day18 -6.08966 41.88792 -0.145 0.884418 ## day19 5.21680 42.52660 0.123 0.902374 ## day20 129.71301 41.72889 3.108 0.001894 ** ## day21 171.22974 38.81849 4.411 1.06e-05 *** ## day22 120.15153 36.19901 3.319 0.000911 *** ## day23 114.50400 35.36562 3.238 0.001215 ** ## day24 57.09451 35.84641 1.593 0.111295 ## day25 99.98500 35.81900 2.791 0.005273 ** ## day26 36.31444 35.70369 1.017 0.309165 ## day27 127.01070 35.71421 3.556 0.000380 *** ## day28 146.09484 35.20556 4.150 3.40e-05 *** ## day29 133.63483 36.19987 3.692 0.000226 *** ## day30 95.95229 36.17824 2.652 0.008028 ** ## day31 131.66968 41.01639 3.210 0.001337 ** ## month2 7.12750 20.03579 0.356 0.722055 ## month3 -103.83723 21.09508 -4.922 8.90e-07 *** ## month4 -24.63483 24.83958 -0.992 0.321376 ## month10 -6.65188 34.49003 -0.193 0.847076 ## month11 -0.89400 21.03215 -0.043 0.966097 ## month12 -2.14423 19.88982 -0.108 0.914156 ## hour1 -109.73573 30.63718 -3.582 0.000345 *** ## hour2 -224.37385 30.55574 -7.343 2.52e-13 *** ANEXO III. ANÁLISIS 124 124 ## VDirSE 41.19265 16.28769 2.529 0.011475 * ## VDirSSE 71.87536 27.03618 2.658 0.007881 ** ## VDirSSW 2.61273 30.52861 0.086 0.931802 ## VDirSW 93.93230 21.73204 4.322 1.58e-05 *** ## VDirW 31.13795 16.28358 1.912 0.055919 . ## VDirWNW 53.61546 16.72185 3.206 0.001355 ** ## VDirWSW 48.28347 16.11910 2.995 0.002758 ** ## VVelocidad -1.15891 0.76245 -1.520 0.128595 ## Prec.mm. 0.12967 0.03872 3.349 0.000819 *** ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 159.5 on 3971 degrees of freedom ## (2 observations deleted due to missingness) ## Multiple R-squared: 0.7533, Adjusted R-squared: 0.7479 ## F-statistic: 141 on 86 and 3971 DF, p-value: < 2.2e-16 ## ## Punto de medida de intensidad de tráfico: 108 ## ## Call: ## lm(formula = ih ~ ., data = datos) ## ## Residuals: ## Min 1Q Median 3Q Max ## -1141.32 -139.44 -1.91 155.35 885.69 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 101.00353 75.40244 1.340 0.180476 ## day2 103.21365 33.50998 3.080 0.002084 ** ## day3 134.34436 32.94401 4.078 4.63e-05 *** ## day4 117.21678 33.07980 3.543 0.000399 *** ## day5 88.15239 31.04474 2.840 0.004541 ** ## day6 -15.70781 30.68102 -0.512 0.608699 ## day7 122.86249 30.35397 4.048 5.27e-05 *** ## day8 73.59298 30.87759 2.383 0.017201 * ## day9 87.68746 31.09352 2.820 0.004824 ** ## day10 112.59331 30.47725 3.694 0.000223 *** ## day11 121.43993 30.76317 3.948 8.03e-05 *** ## day12 55.91696 30.43864 1.837 0.066279 . ## day13 44.04120 31.15377 1.414 0.157537 ## day14 -20.61249 32.65139 -0.631 0.527887 ## day15 30.98925 33.74005 0.918 0.358428 ## day16 -64.41154 35.75582 -1.801 0.071711 . ## day17 -166.26254 37.57657 -4.425 9.92e-06 *** ## day18 -35.04204 36.06678 -0.972 0.331315 ## day19 -46.68023 36.61671 -1.275 0.202443 ## day20 70.76645 35.92985 1.970 0.048957 * ## day21 79.33773 33.42391 2.374 0.017659 * ## day22 41.48870 31.16846 1.331 0.183229 ## day23 46.96733 30.45089 1.542 0.123057 ## day24 6.23307 30.86486 0.202 0.839968 ## day25 90.83483 30.84126 2.945 0.003246 ** ## day26 52.32562 30.74197 1.702 0.088817 . ## day27 112.45711 30.75103 3.657 0.000258 *** ## day28 112.02214 30.31306 3.696 0.000222 *** ## day29 106.78182 31.16919 3.426 0.000619 *** ## day30 69.44392 31.15058 2.229 0.025850 * ## day31 53.12812 35.31637 1.504 0.132571 125 125 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia ## month2 18.72000 17.25143 1.085 0.277931 ## month3 7.44745 18.16351 0.410 0.681812 ## month4 5.13489 21.38764 0.240 0.810275 ## month10 24.51490 29.69698 0.826 0.409136 ## month11 17.79154 18.10933 0.982 0.325937 ## month12 13.96425 17.12575 0.815 0.414895 ## hour1 -74.26072 26.37955 -2.815 0.004900 ** ## hour2 -136.92455 26.30943 -5.204 2.04e-07 *** ## hour3 -183.47759 26.47057 -6.931 4.84e-12 *** ## hour4 -177.32187 26.51758 -6.687 2.60e-11 *** ## hour5 -161.77727 26.40298 -6.127 9.81e-10 *** ## hour6 -50.57308 26.51704 -1.907 0.056568 . ## hour7 151.47834 26.56031 5.703 1.26e-08 *** ## hour8 761.51815 26.46012 28.780 < 2e-16 *** ## hour9 854.25355 26.55802 32.166 < 2e-16 *** ## hour10 864.63370 26.66381 32.427 < 2e-16 *** ## hour11 880.06143 26.55434 33.142 < 2e-16 *** ## hour12 931.99743 26.65887 34.960 < 2e-16 *** ## hour13 852.09258 26.86230 31.721 < 2e-16 *** ## hour14 757.74601 26.39318 28.710 < 2e-16 *** ## hour15 575.57827 26.15030 22.010 < 2e-16 *** ## hour16 722.59565 26.61225 27.153 < 2e-16 *** ## hour17 819.51689 26.48786 30.939 < 2e-16 *** ## hour18 975.75897 26.70661 36.536 < 2e-16 *** ## hour19 881.90582 26.48504 33.298 < 2e-16 *** ## hour20 770.63089 26.17144 29.445 < 2e-16 *** ## hour21 566.38585 26.43025 21.429 < 2e-16 *** ## hour22 270.97606 26.57484 10.197 < 2e-16 *** ## hour23 33.84100 26.48562 1.278 0.201426 ## wdaylunes 292.04500 15.59775 18.724 < 2e-16 *** ## wdaymartes 327.37602 16.04063 20.409 < 2e-16 *** ## wdaymiercoles 312.66374 15.11127 20.691 < 2e-16 *** ## wdayjueves 312.31629 15.18920 20.562 < 2e-16 *** ## wdayviernes 343.66875 16.17654 21.245 < 2e-16 *** ## wdaysabado 170.66067 15.64645 10.907 < 2e-16 *** ## Tmax 0.82221 3.43537 0.239 0.810858 ## Tmin 20.29983 4.10935 4.940 8.14e-07 *** ## Tmed -22.54538 7.17997 -3.140 0.001702 ** ## Hr.Med... -0.58990 0.49437 -1.193 0.232855 ## VDirENE 65.09081 22.25605 2.925 0.003468 ** ## VDirESE 34.89664 27.18884 1.283 0.199395 ## VDirN 11.26657 27.05579 0.416 0.677125 ## VDirNE 28.49738 24.04447 1.185 0.236011 ## VDirNNE 121.46843 27.08479 4.485 7.51e-06 *** ## VDirNNW 69.76593 27.42364 2.544 0.010996 * ## VDirNW 59.75661 25.02850 2.388 0.017008 * ## VDirS -5.61237 47.40031 -0.118 0.905754 ## VDirSE 60.17229 24.86597 2.420 0.015571 * ## VDirSSE 59.47605 41.27537 1.441 0.149676 ## VDirSSW -41.15740 46.60717 -0.883 0.377252 ## VDirSW 131.26034 33.17770 3.956 7.75e-05 *** ## VDirW 51.82251 24.85969 2.085 0.037169 * ## VDirWNW 55.58347 25.52878 2.177 0.029518 * ## VDirWSW 92.12847 24.60858 3.744 0.000184 *** ## VVelocidad -0.60274 1.16401 -0.518 0.604618 ## Prec.mm. -0.11593 0.05912 -1.961 0.049944 * ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 243.4 on 3971 degrees of freedom ANEXO III. ANÁLISIS 126 126 ## (2 observations deleted due to missingness) ## Multiple R-squared: 0.7811, Adjusted R-squared: 0.7764 ## F-statistic: 164.8 on 86 and 3971 DF, p-value: < 2.2e-16 npm<-length(levels(datos_traf$idpm)) pm<-1 res<-as.numeric(c(levels(datos_traf$idpm)[pm],model2_pm(datos_traf,pm)$adj.r.squared)) for(pm in 1:npm) {respm<- as.numeric(c(levels(datos_traf$idpm)[pm],model2_pm(datos_traf,pm)$adj.r.squared)) res<-rbind(res,respm)} res<-res[-1] colnames(res)<-c(“idpm”,”R_cuadrado_ajustado”) head(res) ## idpm R_cuadrado_ajustado ## respm 101 0.7525924 ## respm 103 0.7818650 ## respm 105 0.7933585 ## respm 106 0.7479329 ## respm 108 0.7763569 ## respm 109 0.7867033 summary(res[,2]) ## Min. 1st Qu. Median Mean 3rd Qu. Max. ## 0.04005 0.70680 0.76120 0.73130 0.79230 0.99780 plot(res) res.df<-as.data.frame(res) #Puntos con peores ajustes jpa<-res.df$`R cuadrado ajustado` < 0.6 pm_pa<-res[jpa,] # REPRESENTACIÓN DE LA BONDAD DE AJUSTE load("datostrafico2.RData") coords_tr<-unique(datostrafico2[c(1,2,6)]) media_punto_medida_tr <- datostrafico2 %>% group_by(idpm) %>% summarise(intensidad_media=mean(ih)) res.df2<-res.df res.df2$idpm<-as.factor(res.df2$idpm) media_pm_cc_tr<-left_join(media_punto_medida_tr, coords_tr, by = "idpm") str(media_pm_cc_tr) media_pm_cc_tr<-left_join(media_pm_cc_tr, res.df2, by = "idpm") media_pm_cc_tr<-as.data.frame(media_pm_cc_tr) media_pm_cc_tr$X<-as.numeric(as.character(media_pm_cc_tr$X)) media_pm_cc_tr$Y<-as.numeric(as.character(media_pm_cc_tr$Y)) coordinates(media_pm_cc_tr) = ~X+Y bubble(media_pm_cc_tr , "R_cuadrado_ajustado", col=c("#d01c8b", "#4dac26"),fill=FALSE, main = "R_cuadrado_ajustado") 127 127 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia Análisis espacio-temporal SCRIPT 4 # CARGA DE LAS LIBRERÍAS NECESARIAS library(gstat) library(sp) library(spacetime) library(raster) library(rgdal) library(rgeos) library(lubridate) library(dplyr) #CARGA DE LOS DATOS load("datosBicicletas.RData") dim(datosbici) # [1] 216527 14 # 216527 observaciones de 14 variables #FECHA PARA REALIZAR LAS PREDICCIONES fecha<-as.POSIXlt("2017-05-01") #CÁLCULO DE LA MEDIA POR HORA EN CADA PUNTO DE MEDIDA media_h_pm <- datosbici %>% group_by(vlc.punto_medida,hour) %>% summarise(X=min(as.numeric(as.character(cart.xcoord))), Y=min(as.numeric(as.character(cart.ycoord))), intensidad_media=mean(vlc.intensidad )) summary(media_h_pm) # VEMOS UN RESUMEN DE LOS DATOS ###################################################################### # vlc.punto_medida hour X Y intensidad_media # 230 : 24 0 : 59 Min. :4369741 Min. :723173 Min. : 3.917 # 333 : 24 1 : 59 1st Qu.:4371146 1st Qu.:724845 1st Qu.: 8.639 # 432 : 24 2 : 59 Median :4372146 Median :726458 Median : 20.256 # 433 : 24 3 : 59 Mean :4372087 Mean :726277 Mean : 29.525 # 536 : 24 4 : 59 3rd Qu.:4373057 3rd Qu.:727302 3rd Qu.: 43.202 # 538 : 24 5 : 59 Max. :4374128 Max. :729212 Max. :119.355 ####################################################################### media_h_pm$hora<-as.numeric(as.character(media_h_pm$hour)) media_h_pm$fecha<-as.POSIXlt(fecha+hours(media_h_pm$hora)) media_h_pm$LAT<- media_h_pm$Y media_h_pm$LON<- media_h_pm$X dm<-dim(media_h_pm)[1] for (i in 1:dm){ ANEXO III. ANÁLISIS 128 128 media_h_pm$LAT[i] <- media_h_pm$LAT[i]+runif(1,-0.1,0.1) media_h_pm$LON[i] <- media_h_pm$LON[i]+runif(1,-0.1,0.1) } sum(is.na(media_h_pm)) sub.df<-data.frame(media_h_pm) #CREACIÓN DEL SpatialPointsDataFrame coordinates(sub.df)=~LON+LAT projection(sub.df)=CRS("+init=epsg:32630") #TRANSFORMACIÓN A PROYECCIÓN MERCATOR media_sel.UTM <- spTransform(sub.df,CRS("+init=epsg:32630")) media_sel.SP <- SpatialPoints(media_sel.UTM@coords,CRS("+init=epsg:32630")) # LA COMPROBACIÓN DE QUE NO HAYA VALORES DUPLICADOS SERÍA: # dupl <- zerodist(media_sel.SP) # media_sel.DF <- data.frame(ih=media_sel.UTM$intensidad_media[-dupl[,2]]) media_sel.DF <- data.frame(INTENSIDAD=media_sel.UTM$intensidad_media) media_sel.TM <- as.POSIXct(media_sel.UTM$fecha,tz="CET") # CONSTRUCCIÓN DEL OBJETO ESPACIO TEMPORAL timeDF <- STIDF(media_sel.SP,media_sel.TM,data=media_sel.DF) stplot(timeDF,number=14,main="Medias por hora") # DIBUJA LAS INTENSIDADES MEDIAS DE LA MUESTRA COMPLETA stplot(timeDF,number=21,main="Medias por hora") 129 129 Estudio espacio-temporal del aforo del tráfico motorizado y ciclista de la ciudad de Valencia str(timeDF) ####################################################################### # Formal class 'STIDF' [package "spacetime"] with 4 slots # ..@ data :'data.frame': 1416 obs. of 1 variable: # .. ..$ INTENSIDAD: num [1:1416] 18.65 6.93 6.85 15.88 9.37 ... # ..@ sp :Formal class 'SpatialPoints' [package "sp"] with 3 slots # .. .. ..@ coords : num [1:1416, 1:2] 4372348 4371278 4371009 4370881 4370571 ... # .. .. .. ..- attr(*, "dimnames")=List of 2 # .. .. .. .. ..$ : chr [1:1416] "1" "25" "49" "73" ... # .. .. .. .. ..$ : chr [1:2] "LON" "LAT" # .. .. ..@ bbox : num [1:2, 1:2] 4369190 723172 4373572 729211 # .. .. .. ..- attr(*, "dimnames")=List of 2 # .. .. .. .. ..$ : chr [1:2] "LON" "LAT" # .. .. .. .. ..$ : chr [1:2] "min" "max" # .. .. ..@ proj4string:Formal class 'CRS' [package "sp"] with 1 slot # .. .. .. .. ..@ projargs: chr "+init=epsg:32630 +proj=utm +zone=30 +datum=WGS84 +units=m +no_defs +ellps=WGS84 +towgs84=0,0,0" # ..@ time :An ‘xts’ object on 2017-05-01/2017-05-01 23:00:00 containing: # Data: int [1:1416, 1] 1 25 49 73 97 121 145 169 193 217 ... # - attr(*, "dimnames")=List of 2 # ..$ : NULL # ..$ : chr "timeIndex" # Indexed by objects of class: [POSIXct,POSIXt] TZ: CET # xts Attributes: # NULL # ..@ endTime: POSIXct[1:1416], format: "2017-05-01 00:00:00" "2017-05-01 00:00:00" "2017- 05-01 00:00:00" "2017-05-01 00:00:00" ... # CALCULAMOS EL VARIOGRAMA ESPACIO TEMPORAL EMPÍRICO var <- variogramST(INTENSIDAD~1,data=timeDF,tunit="hours",assumeRegular=F,na.omit=T) # Y LO DIBUJAMOS plot(var,map=F) plot(var,map=T) plot(var,wireframe=T) ANEXO III. ANÁLISIS 130 130 # REFERENCIAS ESPECÍFICAS PARA EL AJUSTE ESPACIO TEMPORAL: # https://www.rdocumentation.org/packages/gstat/versions/1.1-3/topics/vgmST # https://www.rdocumentation.org/packages/gstat/versions/1.1-3/topics/fit.StVariogram # http://r-spatial.org/r/2016/02/14/gstat-variogram-fitting.html # DEFINICIÓN DE LOS LÍMITES INFERIORES Y SUPERIORES DE LOS PARÁMETROS pars2.l <- c(sill.s = 0, range.s = 500, nugget.s = 50,sill.t = 0, range.t = 1, nugget.t = 0,sill.st = 0, range.st = 10, nugget.st = 0, anis = 0) pars2.u <- c(sill.s = 500, range.s = 1000, nugget.s = 100,sill.t = 200, range.t = 60, nugget.t = 100,sill.st = 200, range.st = 1000, nugget.st = 100,anis = 700) sumMetric2_Vgm <- fit.StVariogram(var, sumMetric, method="L-BFGS- B",lower=pars2.l,upper=pars2.u,tunit="hours") plot(var,sumMetric2_Vgm,map=F) tm.grid <- seq(as.POSIXct('2017-05-01 00:00 CET'),as.POSIXct('2017-05-01 23:00 CET'),length.out=12) setwd("~/TRA_ESPIRAS_P (1)") # EMPLEAMOS UNA MUESTRA ALEATORIA DE 500 PUNTOS SACADOS DE LAS PUNTOS DE MEDIDA DE TRÁFICO puntos <- shapefile("TRA_ESPIRAS_P.shp") sp.grid.UTM <- spsample(puntos,n=500,type="random") plot(sp.grid.UTM) setwd("~/datos_MMAR") grid.ST <- STF(sp.grid.UTM,tm.grid) proj4string(grid.ST) <- proj4string(timeDF) # OBTENEMOS LA PREDICCIÓN pred <- krigeST(INTENSIDAD~1, data=timeDF, modelList=sumMetric2_Vgm, newdata=grid.ST) stplot(pred)