timeineco

# TimeIneco — Visor de Isocronas Multi-Modo TimeIneco calcula y visualiza **isocronas** (áreas accesibles en X tiempo) para 4 modos de transporte con 3 rangos temporales cada uno. Desplegado en NaN.builders. **URL:** `https://timeineco-ntizar-ntizar.apps.nan.builders/` **Repositorio:** GitHub `Ntizar/TimeIneco` (privado) --- ## 1. Arquitectura General ``` Frontend (HTML/JS vanilla, sin framework) ├── Leaflet (mapa base CartoDB Positron) ├── OpenRouteService API (isocronas reales vía proxy Node.js) ├── Motor de simulación orgánica (fallback sin ORS) ├── GTFS Engine browser-side (paradas cercanas a 500m + rutas) ├── Turf.js (coastline clipping) ├── Clipping costero (Natural Earth 110m) ├── docx.js (informe DOCX 10 secciones — reemplaza jsPDF) ├── JSZip (subida de GTFS ZIP + export SHP) └── shp.js (ESRI Shapefile QGIS-compatible: .shp/.shx/.dbf/.prj) Backend (Node.js, server.mjs) ├── Proxy ORS (POST /isochrone) ├── Proxy GTFS download (POST /gtfs-download) ├── Health check (GET /healthz) └── Static files + MIME types ``` ## 2. Modos de Transporte | Modo | Perfil ORS | Simulación | Velocidad | Color | |------|-----------|-----------|-----------|-------| | Coche 🚗 | `driving-car` | 40 km/h, calles marcadas (σ 0.10, peso 0.35) | 40 km/h | `#2563eb` | | Bus 🚌 | `driving-car` (ORS no tiene bus) | 12 km/h, orgánico | 12 km/h | `#a855f7` | | Metro 🚇 | `driving-car` (aproximación) | 32 km/h, radial | 32 km/h | `#ef4444` | | Tranvía 🚊 | `driving-car` (aproximación) | 20 km/h, radial suave | 20 km/h | `#06b6d4` | | Bici 🚲 | `cycling-regular` | 15 km/h, estrellado (σ 0.12, peso 0.20), elevación simulada | 15 km/h | `#f97316` | | Andando 🚶 | `foot-walking` | 5 km/h, difuso (σ 0.18, peso 0.07) | 5 km/h | `#22c55e` | Rangos: **15, 30, 45, 60 minutos** (configurable). ### Datos Demográficos (v1.0) `demographics.js` carga datasets JSON desde `/data/` y enriquece cada isócrona: - **Códigos postales** (`data/codigos-postales-spain.json`): 299 CPs con centroides, densidad, municipio, provincia, comunidad - **Salarios medios** (`data/salarios-medios.json`): 51 provincias, datos INE 2024-2025 - **Precios vivienda** (`data/precios-vivienda.json`): 127 CPs con €/m² alquiler y compra Funciones clave: - `buscarCP(lat, lng)` → CP más cercano con datos enriquecidos - `buscarCPsEnPoligono(coords)` → todos los CPs dentro de una isócrona - `estadisticas(cps)` → población, salario medio, precios de la zona - `calcularAhorroCO2(distancia)` → CO₂ por modo con equivalencia en árboles - `calcularPorcentajeSueldo(coste, salario)` → % del salario en transporte - `cargarGTFS()` → carga datos GTFS (paradas + rutas) al inicio junto con datos demográficos - `buscarParadasCercanas(lat, lng, radioKm=1.5)` → {paradas, lineas, resumen} — paradas de bus/metro dentro de un radio, con rutas que pasan por cada una - `buscarLineasConectoras(lat1, lng1, lat2, lng2)` → líneas que conectan dos puntos (por paradas cercanas a ambos) ### Búsqueda de Transporte Público Cercano (v1.1) Al clicar un punto, `main.js` ejecuta `buscarParadasCercanas()` que: 1. Recorre todas las paradas GTFS y calcula distancia Haversine 2. Filtra por radio (default 1.5km) 3. Para cada parada, busca en `route_stops` qué rutas pasan por ella 4. Compila lista de líneas únicas ordenadas por cobertura (paradas en radio) 5. Devuelve resumen: total paradas, total líneas, parada más cercana, distribución por tipo **Pitfall:** Las paradas GTFS del cache pueden tener `route_stops` con stop_ids que no coinciden exactamente con los stop_ids de `stops[]`. Verificar que el `stop_id` en `route_stops` existe en `stops[]` antes de buscar rutas. **Pitfall:** `demographics.js` usa `fetch()` para cargar datos → funciona en browser pero NO en Node.js directo. Para tests unitarios, cargar los JSON manualmente con `fs.readFileSync()`. ### Salarios por CP (v1.1.1) **Problema:** Los salarios por provincia (`salarios-medios.json`) dan el MISMO salario a todos los CPs de una provincia. Chamberí y Vallecas reciben 32.500€ ambos, cuando en realidad Chamberí ~35.500€ y Vallecas ~23.000€. **Solución:** `salarios-por-cp.json` — estimación por CP usando el **precio del alquiler como proxy de poder adquisitivo** (correlación ~0.75 con salarios reales en España): ```javascript // Fórmula de estimación rent_ratio = alq_m2_cp / alq_m2_provincia_promedio salary_adj = base_provincia * (1 + (rent_ratio - 1) * 0.5) // elasticidad 0.5 // Clamped: 70%-150% del salario provincial ``` **Datos:** 299 CPs con salario estimado. Rango: 18.685€ — 40.185€. Media: 26.967€. **Pitfall:** La correlación alquiler→salario no es perfecta (~0.75). Zonas universitarias o industriales pueden tener alquiler bajo pero salarios medios-altos. Para producción, cruzar con EPA por distrito + convenios colectivos por sector. ### Informes Multi-Ciudad (v1.1.2) **Patrón:** Función parametrizable `build_report(lat, lng, nombre, ciudad, archivo)` que genera un informe HTML completo para **cualquier punto de España**. **Archivos generados:** - `informe-plaza-mayor-madrid.html` — 40.4167, -3.7038 - `informe-nuevos-ministerios-madrid.html` — 40.4464, -3.6921 - `informe-barcelona-sants-ave.html` — 41.3792, 2.1404 **Estructura del informe HTML:** 1. Mapa Leaflet interactivo con círculos de radio por modo (5km → 40km) 2. Resumen ejecutivo (6 KPIs) 3. Transporte público cercano (top 10 paradas + top 15 líneas) 4. Población accesible por modo y tiempo 5. **Coste por minuto** (la sección estrella — €/min por modo) 6. Escenarios teletrabajo (5d/3+2d/2+3d/full remote) 7. CO₂ y coste para la empresa (EU ETS 50€/ton) 8. Mercado inmobiliario (top 10 CPs) 9. Comparativa visual (barras) 10. Recomendaciones para RRHH y empleado **Cómo usar:** ```javascript // En execute_code o script Python build_report(lat, lng, "Nombre del punto", "Ciudad", "/ruta/salida.html") ``` **Pitfall:** El GTFS por defecto solo tiene datos de Madrid (EMT). Para Barcelona u otras ciudades, crear un `gtfs-cache-{ciudad}.json` y fusionarlo: ```python gtfs = { 'routes': gtfs_madrid['routes'] + gtfs_otra_ciudad['routes'], 'stops': gtfs_madrid['stops'] + gtfs_otra_ciudad['stops'], 'route_stops': {**gtfs_madrid['route_stops'], **gtfs_otra_ciudad['route_stops']}, } ``` **Pitfall:** Si no hay paradas GTFS en 1.5km del punto (ciudad sin datos), el informe debe manejar `paradas_top[0]` vacío. Añadir check: `if paradas_top:` antes de acceder. ### GTFS Barcelona (v1.1.2) `data/gtfs-cache-barcelona.json` — 61 paradas, 8 rutas: - **L1** (Roja): Hospital de Bellvitge ↔ Fondo (12 paradas) - **L3** (Verde): Zona Universitària ↔ Trinitat Nova (15 paradas) - **L5** (Azul): Cornellà Centre ↔ Vall d'Hebron (12 paradas) - **L9**: Aeroport T1 ↔ ZAL Riu Vell (6 paradas) - **R1** Rodalies: Sants → Clot (6 paradas) - **Bus TMB**: H12, V15, D20 (10 paradas) Parada más cercana a Sants: **Sants Estació (0m)** — L1+L3+L5+R1 convergen. ### Coste por Minuto y Teletrabajo (v1.1.1) Nuevas funciones en `demographics.js`: ```javascript // Coste por minuto de desplazamiento calcularCostePorMinuto(minutosIda, salarioBruto, modo, distanciaKm) // → { coste_mensual, coste_anual, coste_por_minuto, salario_neto_anual, // sueldo_neto_trasporte, pct_neto, co2_anual_kg, co2_precio_eur } // Escenarios de teletrabajo (5d/3+2d/2+3d/full remote) calcularEscenariosTeletrabajo(minutosIda, salarioBruto, modo, distanciaKm) // → { base, escenarios[], ahorro_total_teletrabajo } // CO₂ con precio EU ETS para la empresa calcularCosteCO2Empresa(co2AnualKg, sector='general') // → { coste_ets, coste_reputacional, certificado_voluntario, coste_total } ``` **Constantes clave:** - `PRECO2_EUR_KG = 0.050` (50€/tonelada EU ETS 2025) - `DIAS_LABORALES = 230` - IRPF estimado por tramo: 15%/21%/28%/35%/42% - Precios sector: general=50, banca=80, industria=45, tecnología=60 €/ton **KPIs ejemplo (Plaza Mayor, 60min metro):** - Coste por minuto: 0.02€ - Sueldo neto trasporte: 19.151€/año - CO₂ empresa: 1.104 ton = 55€ EU ETS/año - Ahorro 3d teletrabajo: 10€/año **Pitfall:** El IRPF es una estimación por tramo. El cálculo real depende de circunstancias personales (hijos, discapacidad, etc.). El informe debe indicar "IRPF estimado" explícitamente. ## 3. Motor de Isocronas ### ORS Real (prioritario) - Endpoint proxy: `POST /isochrone` → ORS API - Perfiles: `driving-car`, `foot-walking`, `cycling-regular` - APi key en `.env`, servidor arrancado con `node --env-file=.env server.mjs` - Health check: `GET /healthz` → `{ ors_api: true/false }` ### Simulación Orgánica (fallback) Cuando ORS no responde, se usa un motor de simulación local que NO genera círculos perfectos: 1. **72 puntos base** (5° spacing) 2. **5 capas de ruido multicapa** (frecuencias: 0.7, 2.3, 5.1, 11.3, 17.1) 3. **12 corredores radiales** (calles principales cada 30° + secundarias offset 15°) 4. **[Bici] Campo de elevación simulado** (5 capas de ruido orográfico, penaliza radio hasta 30%) 5. **Suavizado Gaussiano** 3-ventana ([0.25, 0.50, 0.25]) 6. **Clipeo costero** (turf.intersect con Natural Earth 110m) ### Clipeo Costero Ver skill `isochrone-routing-tools` sección 8. Datos: Natural Earth 110m land (135KB, 127 features). Carga lazy solo si el punto está en zona costera (lista de 16+ ciudades). Fallback a polígono mínimo ~50m si la isocrona cae completamente en el mar. ## 4. GTFS Engine ### Qué hace - Detecta ciudad del usuario por coordenadas - Muestra operadores candidatos (EMT Madrid, EMTUSA Gijón, ALSA, etc.) - Carga GTFS del operador elegido (desde cache localStorage o subida ZIP) - Busca paradas a ≤1.5km del origen (Haversine) - Muestra rutas disponibles (chips de líneas) - Exporta paradas a GeoJSON - Incluye tabla en PDF ### Datos simulados `data/gtfs-cache.json` contiene datos EMT Madrid (46 rutas, 250 paradas). Es suficiente para demo sin conexión a API real. **Pitfall GTFS sintético:** El cache puede tener 0 trips, 0 stop_times, 0 shapes. Esto es suficiente para búsqueda de paradas cercanas (usa `stops[]` + `route_stops{}`) pero NO para simulación de rutas en tiempo real (necesita `trips[]` + `stop_times[]`). Si se necesita realismo de horarios, descargar GTFS ZIP real de EMT Madrid. **Dato clave:** Las paradas del cache tienen nombres reales de Madrid (Puerta del Sol, Gran Vía, Sol, Ópera, Atocha, etc.) con coordenadas reales. Esto hace que el informe sea creíble para demostración. ### Radio de búsqueda: 500m El radio por defecto de `findStopsNear()` es **500 metros** (cambiado de 2km en v0.8). Esto es más realista para andar a la parada (5-7 min) que los 2km originales. Para cambiar: editar `radiusKm = 0.5` en la firma de `findStopsNear()` en `gtfs-engine.v7.js`. ### Pitfall: CDN cachea 404 en NaN Cuando se renombra un archivo GTFS engine (ej: `gtfs-engine.js → gtfs-engine.v7.js`), Cloudflare cachea el 404 del .js original por 4h. Los imports ES module en `main.js` y `nap.js` deben actualizarse. **No usar `?v=N` en imports ES module** — los imports no llevan query params. Versionar el nombre del archivo. ### Subida de ZIP real El usuario puede arrastrar/soltar su propio GTFS ZIP. Se parsea con JSZip en el navegador, sin enviar datos al servidor. ### Proxy de descarga `POST /gtfs-download` en server.mjs permite descargar feeds GTFS externos que no soportan CORS. ## 5. Estructura de Archivos ``` TimeIneco/ ├── index.html # Entry point, CDNs (Leaflet, turf, jsPDF, JSZip, html2canvas) ├── css/style.css # Estilos completos (+180 líneas GTFS) ├── js/ │ ├── main.js # Orquestación: eventos, flujo cálculo, integración GTFS + demographics │ ├── map.js # Leaflet: mapa base, isocronas, marcadores paradas │ ├── isochrones.js # Motor: ORS proxy + simulación orgánica (72pts + ruido + calles) │ ├── clip.js # Coastline clipping con turf.intersect() │ ├── config.js # Configuración: 6 modos, velocidades, colores, rangos │ ├── demographics.js # Motor demográfico: CP, salarios, vivienda, CO₂ (v1.0) │ ├── pdf.js # jsPDF: informe multi-página con mapas, tablas, GTFS │ ├── nap.js # Catálogo NAP: operadores GTFS por ciudad, UI selección │ ├── docx-report.js # DOCX informe 12+ secciones (reemplaza jsPDF) │ ├── gtfs-engine.v7.js # Motor GTFS browser-side (JSZip, Haversine, localStorage) │ ├── shp.js # ESRI Shapefile QGIS-compatible (.shp/.shx/.dbf/.prj) │ └── utils.js # Funciones auxiliares (formatKm2, formatNum, etc.) ├── data/ │ ├── gtfs-cache.json # EMT Madrid: 46 rutas, 250 paradas reales │ ├── codigos-postales-spain.json # 299 CPs España con centroides y densidad (v1.0) │ ├── salarios-medios.json # 51 provincias, salario medio INE (v1.0) │ ├── salarios-por-cp.json # 299 CPs con salario estimado por proxy alquiler (v1.1.1) │ ├── precios-vivienda.json # 127 CPs con €/m² alquiler y compra (v1.0) │ └── ne_110m_land.geojson # Coastline global (135KB) ├── server.mjs # Node.js: proxy ORS + GTFS download + static files + rate limiting ├── .env # ORS_API_KEY (no commit) ├── informe-plaza-mayor-madrid.html # Informe demo generado (v1.0) ├── AUDITORIA-v1.0.md # Auditoría completa del proyecto └── package.json # Solo server.mjs deps ``` ## 6. Modo de Arranque ```bash # Local cd /root/workspace/TimeIneco node --env-file=.env server.mjs # El servidor sirve en http://localhost:4000 # Health check: curl http://localhost:4000/healthz ``` Si muere el proceso: `pkill -f "server.mjs"` y volver a arrancar. ## 7. Despliegue en NaN - Repo push a GitHub → NaN auto-deploy - NaN usa Cloudflare CDN → si hay archivos nuevos JS, **usar versionado en nombre** (ej: `gtfs-engine.v7.js`) para evitar cache de 404 - Cache-bust: `v=7` en query param para `<script>` y `<link>` tags - Ver skill `nan-deploy-sync` para CDN cache pitfalls ## 8. DOCX Report (12+ secciones) **Reemplaza a jsPDF.** Genera informe `.docx` editable por el equipo. ### CDN ```html