Valenbisi Pulse

Centro de control reproducible para analizar un snapshot de Valenbisi: calidad de datos, riesgo por estación y vecindario, redistribución de coste mínimo y pruebas de estrés conservativas.

Problema

El total de bicicletas no describe por sí solo la calidad del servicio. Una estación vacía bloquea el inicio de viaje; una llena bloquea la devolución. El proyecto trabaja sobre un snapshot, no sobre un histórico, y responde:

1. ¿Qué estaciones requieren revisión inmediata y por qué?
2. ¿Qué zonas analíticas concentran riesgo operativo y presión local?
3. ¿Qué movimientos de bicicletas cubren más déficit dentro de una distancia máxima explícita?
4. ¿Cómo cambia el equilibrio si se simula un flujo entre periferia y centro?

No presenta predicciones de demanda ni rutas operativas reales. Cada salida documenta ese límite.

Resultados de la muestra reproducible

Estos valores se generan desde data/sample_valenbisi.csv; no representan el estado actual de la red:

• 30 estaciones, 624 plazas declaradas y 226 bicicletas disponibles.
• 21 estaciones críticas con los umbrales base de la muestra.
• 7 orígenes y 14 destinos elegibles para redistribución; 49 arcos quedan dentro de 2,5 km.
• El solver de transporte mínimo asigna 53 de 152 bicicletas de necesidad modelada (34,9%) con 91,28 bici-km de distancia geodésica acumulada.
• Las dos pruebas de estrés conservan bicicletas dentro de la red y se etiquetan como simulación, no como pronóstico.

Arquitectura

CityBikes API o muestra versionada
            |
Limpieza, consistencia y controles de calidad
            |
Clasificación de estado + riesgo local k-NN
            |
KMeans de zonas analíticas + diagnóstico de exposición
            |
LP de transporte con necesidad no cubierta penalizada
            |
Escenarios conservativos centro <-> periferia
            |
Dashboard Streamlit, CSV, JSON y figuras reproducibles

Métodos

Componente	Implementación	Salida
Calidad	Duplicados, coordenadas, capacidad, inventario y operación	Tabla de controles auditables.
Riesgo	Estado actual, desequilibrio, presión k-NN e aislamiento	Score de snapshot de 0 a 100.
Zonas	KMeans reproducible sobre coordenadas locales	Riesgo y proporción crítica agregados.
Redistribución	Problema lineal de transporte con scipy.optimize.linprog	Plan de coste mínimo y necesidad no cubierta.
Estrés	Flujo determinista que conserva bicicletas	Cambio de estados bajo escenarios declarados.

La metodología incluye fórmulas, restricciones y límites; la tarjeta de decisión delimita el uso correcto.

Dashboard interactivo

streamlit run app.py

El panel comienza con la muestra local para que sea reproducible. Se puede activar la consulta de CityBikes desde la barra lateral; los resultados de una consulta en vivo son volátiles y no se guardan en el repositorio.

Instalación

python -m venv .venv

En Windows:

.venv\Scripts\Activate.ps1
python -m pip install -r requirements-dev.txt

En macOS o Linux:

source .venv/bin/activate
python -m pip install -r requirements-dev.txt

Reconstrucción y validación

python -m ruff check .
python -m pytest
python scripts/generate_sample_report.py
streamlit run app.py

La acción de GitHub ejecuta lint, tests, importación del dashboard y reconstrucción de todos los artefactos de muestra.

Salidas principales

Archivo	Contenido
reports/sample_snapshot.json	Métricas del snapshot y resumen del solver.
reports/sample_station_risk.csv	Snapshot enriquecido con riesgo, vecindario y zonas.
reports/sample_quality_checks.csv	Controles de calidad del snapshot.
reports/sample_zone_summary.csv	Diagnóstico agregado por zona KMeans.
reports/sample_rebalancing.csv	Plan de transporte de coste mínimo.
reports/sample_rebalancing_greedy.csv	Referencia de la heurística greedy original.
reports/sample_stress_scenarios.csv	Resultados de pruebas de estrés deterministas.
reports/figures/operations_decision_dashboard.png	Panel estático de revisión rápida.

Datos y privacidad

• Fuente en vivo: CityBikes API para Valenbisi.
• La API identifica a JCDecaux como proveedor de la red.
• La muestra local se incluye solo para reproducibilidad y no contiene datos personales.

Consulta data/README.md antes de reutilizar snapshots o afirmar que describen el estado actual de la red.

Limitaciones

• Un snapshot no permite aprender patrones temporales ni predecir demanda.
• Las distancias son geodésicas; no son rutas de vehículo ni tiempos de viaje.
• El LP no incluye capacidad de furgonetas, turnos, tráfico, costes ni restricciones de calle.
• KMeans agrupa posiciones para el análisis, no representa barrios administrativos.
• Las pruebas de estrés conservan stock mediante reglas explícitas, pero no son una simulación de usuarios reales.

Autor

Proyecto de portfolio de Ciencia de Datos desarrollado por 0227lia. Código bajo licencia MIT; los datos conservan las condiciones de sus fuentes.