Un dashboard interactivo que permite estudiar dinámicas de tráfico vehicular en zonas críticas de la ciudad mediante datos simulados
Autores
Alberto García Robledo, SECIHTI – CentroGeo
Mahboobeh Zangiabady, University of Twente
Resumen
Este artículo presenta un ejercicio demostrativo del uso de Dash Sylvereye, una biblioteca desarrollada por el Observatorio Metropolitano CentroGeo, para representar datos simulados de tráfico vehicular en la ciudad de Querétaro. Se construyó un dashboard interactivo que permite explorar dinámicas temporales sobre una red vial real, usando datos generados con el simulador SUMO. Este ejemplo permite ilustrar cómo herramientas de visualización urbana pueden contribuir a la comprensión de patrones de movilidad y apoyar procesos de planificación en zonas metropolitanas.
Introducción
El crecimiento acelerado de las zonas metropolitanas plantea desafíos cada vez más complejos para la movilidad urbana. La gestión del tráfico vehicular requiere herramientas que permitan no solo analizar grandes volúmenes de datos, sino también representarlos de forma accesible y territorialmente contextualizada. En particular, las simulaciones vehiculares como las que ofrece SUMO generan información detallada que, sin una visualización adecuada, puede resultar difícil de interpretar.
Desde el Observatorio Metropolitano CentroGeo desarrollamos Dash Sylvereye, una biblioteca de visualización interactiva que permite representar redes viales y datos dinámicos sobre mapas web. Construida sobre tecnologías como Leaflet.js, PixiJS y WebGL, esta herramienta permite generar dashboards coordinados que integran visualización geoespacial, exploración temporal e interacción con múltiples componentes.
En este artículo presentamos un ejemplo práctico de su aplicación en la ciudad de Querétaro, donde se utilizó Dash Sylvereye para visualizar una simulación de tráfico vehicular. El objetivo es mostrar cómo herramientas accesibles y abiertas pueden contribuir al análisis visual de la movilidad urbana, y servir como base para estudios, diagnósticos y procesos de planeación en entornos metropolitanos.
Marco urbano: la ciudad de Querétaro
La ciudad de Querétaro, cabecera de la Zona Metropolitana del mismo nombre, constituye uno de los polos urbanos más dinámicos de México. De acuerdo con datos del INEGI, esta zona metropolitana, integrada por los municipios de Querétaro, Corregidora, El Marqués y Huimilpan, alberga a más de un millón de habitantes y ha mostrado un crecimiento sostenido en población, infraestructura, vivienda y parque vehicular durante las últimas dos décadas.
El desarrollo económico de Querétaro —basado en sectores como la industria aeroespacial, manufactura avanzada, tecnologías de la información y servicios financieros— ha venido acompañado de una expansión acelerada del territorio urbano y una creciente complejidad en sus flujos de movilidad cotidiana. La ciudad funciona como nodo logístico y de servicios a nivel regional, lo que genera una alta demanda de conectividad tanto intraurbana como metropolitana.
Este contexto plantea importantes desafíos para la planeación de la movilidad y el uso eficiente del espacio vial. La congestión en zonas centrales, la expansión de los tiempos de traslado, el crecimiento de asentamientos periféricos y la limitada cobertura del transporte público formal hacen evidente la necesidad de herramientas que permitan analizar, simular y visualizar escenarios de tráfico desde una perspectiva territorial e informada. En este sentido, Querétaro ofrece un escenario ideal para explorar las capacidades de visualización urbana que provee Dash Sylvereye.
Sobre Dash Sylvereye
Dash Sylvereye es una biblioteca de código abierto desarrollada dentro del Observatorio Metropolitano CentroGeo, diseñada específicamente para la visualización interactiva de redes viales urbanas. Su propósito es brindar a investigadores, analistas urbanos y tomadores de decisiones una herramienta que les permita representar datos dinámicos sobre mapas navegables, con una interfaz completamente programable y adaptada a los flujos de trabajo en Python.
A diferencia de bibliotecas genéricas de visualización de grafos, Dash Sylvereye está orientada al manejo de grafos primales espaciales, donde las intersecciones viales se modelan como nodos y las calles como aristas. Esto permite representar con precisión la geometría de la red urbana y superponer información dinámica (como conteos vehiculares, velocidades o eventos) directamente sobre el espacio geográfico.
La biblioteca está construida sobre el framework Dash, ampliamente utilizado para construir dashboards web en Python, e integra tecnologías modernas como Leaflet.js para la navegación cartográfica, PixiJS para el renderizado WebGL acelerado por GPU y OSMnx para la adquisición de redes viales desde OpenStreetMap.
Entre sus principales características se encuentran:
- Soporte para redes urbanas con decenas de miles de nodos y aristas.
- Representación visual configurable de nodos, calles y marcadores con datos multivariados.
- Escalado automático de color, tamaño y opacidad según atributos asociados a la red.
- Interactividad completa con otros elementos del dashboard: sliders temporales, listas desplegables, gráficas estadísticas, botones, etc.
- Renderizado eficiente incluso en hardware modesto, gracias al uso de WebGL y técnicas de redibujo diferido.
Dash Sylvereye ha sido diseñado desde el principio con una lógica modular que permite su integración en cualquier panel interactivo construido con Dash, lo que lo convierte en una herramienta reutilizable para múltiples aplicaciones urbanas: desde el análisis de tráfico simulado hasta el monitoreo de sensores viales o la representación de datos históricos de movilidad.
El código y la documentación están disponibles públicamente en:
- GitHub: https://github.com/observatoriogeo/dash-sylvereye
- PyPI: https://pypi.org/project/dash-sylvereye/
- Sitio web oficial: http://dashsylvereye.observatoriogeo.mx/
Figura 1. Vista general del componente Dash Sylvereye mostrando la red vial de Querétaro.
Construcción del caso de estudio: simulación en Querétaro
Con el fin de mostrar el funcionamiento práctico de Dash Sylvereye en un contexto metropolitano realista, se desarrolló un dashboard de ejemplo que visualiza una simulación vehicular en el centro de la ciudad de Querétaro. Esta implementación no busca ser un producto final o una herramienta operativa para el público general, sino un showcase técnico que demuestra el potencial de la biblioteca para integrar datos dinámicos, mapas interactivos y visualización multivariada en un solo entorno.
La red vial utilizada en la simulación fue obtenida directamente desde OpenStreetMap a través de la biblioteca OSMnx. Se seleccionó un área representativa del centro de Querétaro, y la topología resultante comprendía 8,713 nodos y 17,099 aristas, lo que permite trabajar con una red lo suficientemente compleja para evaluar el rendimiento visual y la capacidad de escalamiento del sistema.
La simulación de tráfico se realizó con SUMO (Simulation of Urban Mobility), un simulador microscópico de código abierto ampliamente utilizado en investigación urbana. Se generaron trayectorias aleatorias de vehículos mediante el script randomTrips.py, y se ejecutó una simulación de 3,500 timesteps utilizando el modo --fcd-output, que exporta datos detallados de cada vehículo en cada instante: posición, velocidad, ID de calle, etc.
Los datos generados fueron procesados en Python y organizados en estructuras listas para ser visualizadas con Dash Sylvereye: listas de diccionarios que contienen atributos por arista y por instante. Se calcularon indicadores como:
- Número de vehículos por calle en cada timestep.
- Velocidad promedio por tramo vial.
- Ranking de calles con mayor carga y vehículos con menor velocidad.
El dashboard desarrollado incluye:
- Un componente principal de red vial interactiva (
SylvereyeRoadNetwork). - Un slider de tiempo que permite navegar la simulación cuadro por cuadro.
- Gráficas de barras que muestran las calles más cargadas y los vehículos más lentos.
- Controles para activar o desactivar capas (nodos, aristas, marcadores).
- Escalado visual automático del ancho y color de las calles según conteo vehicular.
El resultado es un panel que permite explorar de forma visual, interactiva y territorialmente explícita cómo evolucionan los patrones de tráfico en una red urbana compleja.
Este dashboard de ejemplo puede explorarse públicamente en:
http://visualizacion.observatoriogeo.mx/sylvereyesumo/dashboard/sylvereyesumo/
Figura 2. Disposición del dashboard interactivo mostrando la red vial, controles y gráficas coordinadas.
Resultados: patrones de tráfico emergente
Uno de los principales objetivos del dashboard desarrollado fue mostrar que incluso con datos simulados de tráfico —es decir, trayectorias generadas aleatoriamente sin una demanda realista calibrada— es posible identificar patrones espaciales y temporales de acumulación vehicular que emergen a partir de la topología de la red y la configuración vial.
Durante la simulación se observaron comportamientos recurrentes, como la tendencia de los vehículos a concentrarse en ciertas arterias principales, generar flujos paralelos en sentidos opuestos o formar cuellos de botella temporales. Estas dinámicas, difíciles de percibir en una tabla de datos, se volvieron evidentes gracias a la codificación visual implementada en el dashboard: el ancho y color de las calles se escalaron en tiempo real de acuerdo al conteo de vehículos, mientras que los marcadores señalaban la ubicación de los autos más lentos.
Una zona especialmente destacada fue el entorno de Alameda Hidalgo, en el centro de la ciudad, donde se observó una acumulación sistemática de vehículos en las calles que la rodean. A pesar de tratarse de rutas aleatorias, esta área actuó como un nodo de concentración, revelando la sensibilidad de la topología vial ante flujos simulados. Este tipo de visualización puede ayudar a detectar puntos críticos o vulnerables de congestión incluso antes de contar con datos empíricos calibrados.
El análisis visual permitió también:
- Identificar calles estructuralmente más expuestas a cargas vehiculares elevadas.
- Explorar la evolución temporal de estas cargas con precisión de un timestep.
- Comparar simultáneamente datos gráficos (gráficas de barras) con la representación espacial.
Figura 3. Visualización tipo radiografía de tráfico simulado en el entorno de Alameda Hidalgo, Querétaro.
Estos resultados, aunque generados a partir de datos sintéticos, ilustran cómo una herramienta como Dash Sylvereye puede ser utilizada no solo para visualizar simulaciones existentes, sino como instrumento exploratorio para análisis preliminares de redes viales urbanas, detectando patrones emergentes, cuellos de botella y efectos topológicos antes de la implementación de políticas o intervenciones viales.
Implicaciones para el estudio de zonas metropolitanas
El caso desarrollado en la ciudad de Querétaro ofrece una muestra concreta del valor que puede tener una herramienta como Dash Sylvereye para otras zonas metropolitanas de México y América Latina. Si bien el ejemplo se basa en datos simulados, su estructura metodológica, arquitectura técnica y diseño visual son completamente replicables en contextos con datos reales, ya sea obtenidos mediante sensores, APIs municipales, registros de movilidad o modelos de tráfico calibrados.
Desde una perspectiva de política urbana y planeación territorial, contar con una biblioteca como Dash Sylvereye permite construir instrumentos visuales de exploración, comunicación y análisis que facilitan la toma de decisiones basadas en evidencia territorial. En entornos institucionales donde los recursos tecnológicos o humanos son limitados, el hecho de que la herramienta esté escrita en Python y sea de código abierto la convierte en una opción accesible, escalable y adaptable a diferentes capacidades técnicas.
Entre las aplicaciones potenciales que pueden abordarse con Dash Sylvereye en otros entornos metropolitanos destacan:
- Visualización comparativa de escenarios de movilidad antes y después de intervenciones viales.
- Evaluación de efectos derivados de obras públicas, cierres temporales o cambios de sentido en calles.
- Representación de datos reales de movilidad obtenidos mediante sensores, GPS o aplicaciones móviles.
- Apoyo a procesos participativos de consulta ciudadana mediante interfaces visuales accesibles.
- Exploración de vulnerabilidades urbanas asociadas a la conectividad vial en zonas periféricas.
Además, la posibilidad de integrar esta herramienta con otras bibliotecas del ecosistema Dash y Plotly abre la puerta a construir plataformas urbanas personalizadas que combinen visualización geográfica, indicadores socioespaciales y datos de transporte en tiempo real o diferido.
En suma, Dash Sylvereye no solo resuelve una necesidad técnica puntual —visualizar redes viales con datos dinámicos—, sino que también actúa como un habilitador metodológico que fortalece las capacidades de observatorios urbanos, gobiernos locales, universidades y organizaciones de la sociedad civil interesadas en comprender y transformar la movilidad urbana desde una perspectiva territorial.
Conclusiones
El ejemplo presentado en este artículo muestra cómo una herramienta desarrollada desde el Observatorio Metropolitano CentroGeo —en este caso, la biblioteca Dash Sylvereye— puede servir como base para construir entornos de visualización interactiva aplicados al análisis urbano. A través de la simulación de tráfico en la ciudad de Querétaro, fue posible evidenciar el potencial de esta herramienta para representar información multivariada sobre redes viales complejas de forma eficiente, navegable y territorialmente explícita.
El dashboard desarrollado, aunque limitado a un conjunto de datos simulados, permitió identificar patrones emergentes de congestión, evaluar la capacidad expresiva del sistema visual y mostrar cómo la integración entre componentes cartográficos, gráficos temporales e interacción puede facilitar la exploración de escenarios urbanos dinámicos. Este tipo de solución responde a una necesidad clave en los entornos metropolitanos actuales: convertir datos urbanos en conocimiento visualmente accesible y accionable.
Además, el hecho de que Dash Sylvereye sea de código abierto, modular y programable en Python la convierte en una herramienta con alto potencial de reaplicación y adaptación. Su arquitectura permite escalar desde pequeños ejemplos hasta plataformas más complejas conectadas a datos en tiempo real o sistemas de información urbana existentes.
Desde el Observatorio, consideramos que herramientas como esta contribuyen no solo a mejorar el análisis técnico de la movilidad, sino también a fortalecer la capacidad institucional y social para entender y transformar las ciudades. Al poner énfasis en lo visual, lo espacial y lo interactivo, Dash Sylvereye se posiciona como un recurso clave para una nueva generación de estudios urbanos basados en datos y orientados a la acción.
Referencia
García-Robledo, A., & Zangiabady, M. (2023). Dash Sylvereye: A Python Library for Dashboard-Driven Visualization of Large Street Networks. IEEE Access, 11, 121142–121161. https://doi.org/10.1109/ACCESS.2023.3327008