fix: add project contents
This commit is contained in:
Diego Torres
398
HackOnLinces_app/backend/analytics.py
Normal file
398
HackOnLinces_app/backend/analytics.py
Normal file
@@ -0,0 +1,398 @@
|
||||
"""
|
||||
===============================================================
|
||||
analytics.py — Motor de Reportes y Análisis Predictivo
|
||||
===============================================================
|
||||
Módulo independiente que se importa en main.py.
|
||||
|
||||
FUNCIONALIDADES:
|
||||
1. Simulación de registros históricos de recolección
|
||||
(en producción vendría de una tabla real en DB)
|
||||
2. Detección de días con mayor volumen de residuos
|
||||
3. Identificación de zonas críticas por colonia
|
||||
4. Análisis predictivo simple con regresión lineal
|
||||
usando numpy (sin sklearn, más ligero)
|
||||
5. Recomendaciones automáticas de logística
|
||||
|
||||
INSTALAR:
|
||||
pip install numpy
|
||||
|
||||
USO EN main.py:
|
||||
from analytics import generar_reporte_completo, predecir_proxima_semana
|
||||
===============================================================
|
||||
"""
|
||||
|
||||
import numpy as np
|
||||
import random
|
||||
from datetime import datetime, timedelta
|
||||
from typing import List, Dict, Any
|
||||
import hashlib
|
||||
|
||||
# ---------------------------------------------------------------
|
||||
# SEMILLA DETERMINISTA
|
||||
# Los datos simulados son siempre los mismos para el mismo día,
|
||||
# lo que da consistencia en demos sin necesidad de una DB real.
|
||||
# ---------------------------------------------------------------
|
||||
def _semilla_dia(fecha: datetime) -> int:
|
||||
s = fecha.strftime("%Y-%m-%d")
|
||||
return int(hashlib.md5(s.encode()).hexdigest(), 16) % (2**32)
|
||||
|
||||
|
||||
# ---------------------------------------------------------------
|
||||
# DATOS DE REFERENCIA
|
||||
# ---------------------------------------------------------------
|
||||
COLONIAS = [
|
||||
"Zona Centro", "Las Arboledas", "Trojes",
|
||||
"San Juanico", "Los Olivos", "Rancho Seco", "Las Insurgentes",
|
||||
]
|
||||
|
||||
RUTAS = {
|
||||
"Zona Centro": "RUTA-01",
|
||||
"Las Arboledas": "RUTA-01",
|
||||
"Trojes": "RUTA-13",
|
||||
"San Juanico": "RUTA-03",
|
||||
"Los Olivos": "RUTA-04",
|
||||
"Rancho Seco": "RUTA-05",
|
||||
"Las Insurgentes": "RUTA-12",
|
||||
}
|
||||
|
||||
DIAS_SEMANA = ["Lunes", "Martes", "Miércoles", "Jueves", "Viernes", "Sábado", "Domingo"]
|
||||
|
||||
# Factores base por colonia (densidad poblacional simulada)
|
||||
FACTOR_COLONIA = {
|
||||
"Zona Centro": 1.45,
|
||||
"Las Arboledas": 1.10,
|
||||
"Trojes": 0.85,
|
||||
"San Juanico": 0.90,
|
||||
"Los Olivos": 1.00,
|
||||
"Rancho Seco": 0.75,
|
||||
"Las Insurgentes": 1.20,
|
||||
}
|
||||
|
||||
# Factores por día de la semana (lunes tras el finde = más basura)
|
||||
FACTOR_DIA = {
|
||||
0: 1.35, # Lunes
|
||||
1: 1.05, # Martes
|
||||
2: 1.00, # Miércoles
|
||||
3: 0.95, # Jueves
|
||||
4: 1.15, # Viernes
|
||||
5: 1.25, # Sábado
|
||||
6: 0.80, # Domingo
|
||||
}
|
||||
|
||||
|
||||
# ---------------------------------------------------------------
|
||||
# GENERADOR DE HISTÓRICO SIMULADO
|
||||
# Genera 90 días de datos de recolección por colonia
|
||||
# ---------------------------------------------------------------
|
||||
def _generar_historico(dias: int = 90) -> List[Dict]:
|
||||
registros = []
|
||||
hoy = datetime.now().replace(hour=0, minute=0, second=0, microsecond=0)
|
||||
|
||||
for d in range(dias, 0, -1):
|
||||
fecha = hoy - timedelta(days=d)
|
||||
rng = random.Random(_semilla_dia(fecha))
|
||||
dia_semana = fecha.weekday()
|
||||
|
||||
for colonia in COLONIAS:
|
||||
# Volumen base en kg: entre 800 y 2500 kg por día
|
||||
base = rng.uniform(800, 2500)
|
||||
factor = FACTOR_COLONIA[colonia] * FACTOR_DIA[dia_semana]
|
||||
|
||||
# Ruido aleatorio ±15%
|
||||
ruido = rng.uniform(0.85, 1.15)
|
||||
volumen = round(base * factor * ruido, 1)
|
||||
|
||||
# Incidencias: reportes de basura tirada fuera de horario
|
||||
incidencias = rng.randint(0, int(factor * 5))
|
||||
|
||||
# Tiempo de recolección en minutos
|
||||
tiempo_min = round(30 + (volumen / 100) * rng.uniform(0.8, 1.2), 0)
|
||||
|
||||
registros.append({
|
||||
"fecha": fecha,
|
||||
"fecha_str": fecha.strftime("%Y-%m-%d"),
|
||||
"dia_semana": dia_semana,
|
||||
"dia_nombre": DIAS_SEMANA[dia_semana],
|
||||
"colonia": colonia,
|
||||
"ruta_id": RUTAS[colonia],
|
||||
"volumen_kg": volumen,
|
||||
"incidencias": incidencias,
|
||||
"tiempo_recoleccion_min": tiempo_min,
|
||||
})
|
||||
|
||||
return registros
|
||||
|
||||
|
||||
# ---------------------------------------------------------------
|
||||
# ANÁLISIS: Días con más residuos
|
||||
# ---------------------------------------------------------------
|
||||
def analisis_por_dia_semana(historico: List[Dict]) -> List[Dict]:
|
||||
"""Agrupa el volumen promedio y total por día de la semana."""
|
||||
acumulado = {i: {"total_kg": 0.0, "count": 0, "incidencias": 0} for i in range(7)}
|
||||
|
||||
for r in historico:
|
||||
d = r["dia_semana"]
|
||||
acumulado[d]["total_kg"] += r["volumen_kg"]
|
||||
acumulado[d]["count"] += 1
|
||||
acumulado[d]["incidencias"] += r["incidencias"]
|
||||
|
||||
resultado = []
|
||||
for dia_idx in range(7):
|
||||
v = acumulado[dia_idx]
|
||||
count = v["count"] if v["count"] > 0 else 1
|
||||
resultado.append({
|
||||
"dia": DIAS_SEMANA[dia_idx],
|
||||
"dia_idx": dia_idx,
|
||||
"promedio_kg": round(v["total_kg"] / count, 1),
|
||||
"total_kg": round(v["total_kg"], 1),
|
||||
"promedio_incidencias": round(v["incidencias"] / count, 1),
|
||||
"semanas_registradas": count // len(COLONIAS),
|
||||
})
|
||||
|
||||
# Ordenar por promedio descendente para ranking
|
||||
resultado.sort(key=lambda x: x["promedio_kg"], reverse=True)
|
||||
return resultado
|
||||
|
||||
|
||||
# ---------------------------------------------------------------
|
||||
# ANÁLISIS: Zonas críticas por colonia
|
||||
# ---------------------------------------------------------------
|
||||
def analisis_zonas_criticas(historico: List[Dict]) -> List[Dict]:
|
||||
"""Identifica colonias con mayor volumen e incidencias."""
|
||||
acumulado: Dict[str, Dict] = {}
|
||||
|
||||
for r in historico:
|
||||
c = r["colonia"]
|
||||
if c not in acumulado:
|
||||
acumulado[c] = {
|
||||
"total_kg": 0.0,
|
||||
"total_incidencias": 0,
|
||||
"total_tiempo": 0.0,
|
||||
"count": 0,
|
||||
}
|
||||
acumulado[c]["total_kg"] += r["volumen_kg"]
|
||||
acumulado[c]["total_incidencias"] += r["incidencias"]
|
||||
acumulado[c]["total_tiempo"] += r["tiempo_recoleccion_min"]
|
||||
acumulado[c]["count"] += 1
|
||||
|
||||
resultado = []
|
||||
max_vol = max(v["total_kg"] / v["count"] for v in acumulado.values())
|
||||
|
||||
for colonia, v in acumulado.items():
|
||||
count = v["count"] if v["count"] > 0 else 1
|
||||
promedio_kg = v["total_kg"] / count
|
||||
promedio_incidencias = v["total_incidencias"] / count
|
||||
indice_criticidad = round((promedio_kg / max_vol) * 100, 1)
|
||||
|
||||
# Nivel de criticidad
|
||||
if indice_criticidad >= 80:
|
||||
nivel = "CRÍTICO"
|
||||
elif indice_criticidad >= 60:
|
||||
nivel = "ALTO"
|
||||
elif indice_criticidad >= 40:
|
||||
nivel = "MEDIO"
|
||||
else:
|
||||
nivel = "BAJO"
|
||||
|
||||
resultado.append({
|
||||
"colonia": colonia,
|
||||
"ruta_id": RUTAS[colonia],
|
||||
"promedio_kg_dia": round(promedio_kg, 1),
|
||||
"total_kg_90dias": round(v["total_kg"], 1),
|
||||
"promedio_incidencias_dia": round(promedio_incidencias, 2),
|
||||
"promedio_tiempo_min": round(v["total_tiempo"] / count, 1),
|
||||
"indice_criticidad": indice_criticidad,
|
||||
"nivel_criticidad": nivel,
|
||||
})
|
||||
|
||||
resultado.sort(key=lambda x: x["indice_criticidad"], reverse=True)
|
||||
return resultado
|
||||
|
||||
|
||||
# ---------------------------------------------------------------
|
||||
# ANÁLISIS PREDICTIVO: Regresión lineal simple con numpy
|
||||
# Predice el volumen de los próximos 7 días por colonia
|
||||
# ---------------------------------------------------------------
|
||||
def predecir_proxima_semana(historico: List[Dict]) -> List[Dict]:
|
||||
"""
|
||||
Regresión lineal por colonia sobre los últimos 30 días.
|
||||
Retorna predicción para los próximos 7 días.
|
||||
|
||||
MÉTODO:
|
||||
- X = número de día (0..N)
|
||||
- Y = volumen_kg
|
||||
- Ajustamos y = mx + b con numpy.polyfit(deg=1)
|
||||
- Proyectamos para los días N+1 .. N+7
|
||||
- Aplicamos el factor de día de la semana para ajustar estacionalidad
|
||||
"""
|
||||
hoy = datetime.now().replace(hour=0, minute=0, second=0, microsecond=0)
|
||||
predicciones = []
|
||||
|
||||
for colonia in COLONIAS:
|
||||
# Filtrar últimos 30 días de esta colonia
|
||||
datos_colonia = [
|
||||
r for r in historico
|
||||
if r["colonia"] == colonia
|
||||
][-30:] # últimos 30 registros
|
||||
|
||||
if len(datos_colonia) < 7:
|
||||
continue
|
||||
|
||||
x = np.array(range(len(datos_colonia)), dtype=float)
|
||||
y = np.array([r["volumen_kg"] for r in datos_colonia], dtype=float)
|
||||
|
||||
# Regresión lineal
|
||||
coefs = np.polyfit(x, y, 1) # [pendiente, intercepto]
|
||||
pendiente = coefs[0]
|
||||
intercepto = coefs[1]
|
||||
|
||||
# R² para medir calidad del ajuste
|
||||
y_pred = np.polyval(coefs, x)
|
||||
ss_res = np.sum((y - y_pred) ** 2)
|
||||
ss_tot = np.sum((y - np.mean(y)) ** 2)
|
||||
r2 = round(1 - (ss_res / ss_tot) if ss_tot > 0 else 0, 3)
|
||||
|
||||
# Proyección próximos 7 días
|
||||
n = len(datos_colonia)
|
||||
dias_pred = []
|
||||
for i in range(7):
|
||||
fecha_pred = hoy + timedelta(days=i + 1)
|
||||
dia_semana = fecha_pred.weekday()
|
||||
vol_base = np.polyval(coefs, n + i)
|
||||
# Ajustar por factor estacional del día
|
||||
vol_ajustado = max(0, vol_base * FACTOR_DIA[dia_semana])
|
||||
|
||||
dias_pred.append({
|
||||
"fecha": fecha_pred.strftime("%Y-%m-%d"),
|
||||
"dia": DIAS_SEMANA[dia_semana],
|
||||
"volumen_predicho_kg": round(float(vol_ajustado), 1),
|
||||
"confianza": "Alta" if r2 > 0.7 else ("Media" if r2 > 0.4 else "Baja"),
|
||||
})
|
||||
|
||||
predicciones.append({
|
||||
"colonia": colonia,
|
||||
"ruta_id": RUTAS[colonia],
|
||||
"tendencia": "CRECIENTE" if pendiente > 10 else ("DECRECIENTE" if pendiente < -10 else "ESTABLE"),
|
||||
"pendiente_diaria_kg": round(float(pendiente), 2),
|
||||
"r2": r2,
|
||||
"prediccion_7dias": dias_pred,
|
||||
"volumen_predicho_total_kg": round(sum(d["volumen_predicho_kg"] for d in dias_pred), 1),
|
||||
})
|
||||
|
||||
predicciones.sort(key=lambda x: x["volumen_predicho_total_kg"], reverse=True)
|
||||
return predicciones
|
||||
|
||||
|
||||
# ---------------------------------------------------------------
|
||||
# RECOMENDACIONES AUTOMÁTICAS DE LOGÍSTICA
|
||||
# ---------------------------------------------------------------
|
||||
def generar_recomendaciones(
|
||||
zonas: List[Dict],
|
||||
dias: List[Dict],
|
||||
predicciones: List[Dict],
|
||||
) -> List[Dict]:
|
||||
"""Genera recomendaciones concretas basadas en el análisis."""
|
||||
recomendaciones = []
|
||||
|
||||
# 1. Zonas críticas → refuerzo de camiones
|
||||
criticas = [z for z in zonas if z["nivel_criticidad"] == "CRÍTICO"]
|
||||
for z in criticas:
|
||||
recomendaciones.append({
|
||||
"tipo": "REFUERZO_RUTA",
|
||||
"prioridad": "ALTA",
|
||||
"emoji": "🚛",
|
||||
"titulo": f"Refuerzo en {z['colonia']}",
|
||||
"descripcion": (
|
||||
f"{z['colonia']} genera en promedio {z['promedio_kg_dia']:.0f} kg/día "
|
||||
f"con {z['promedio_incidencias_dia']:.1f} incidencias. "
|
||||
f"Se recomienda asignar un segundo camión en días pico."
|
||||
),
|
||||
"ruta_afectada": z["ruta_id"],
|
||||
})
|
||||
|
||||
# 2. Días pico → ajuste de horarios
|
||||
dia_pico = dias[0] if dias else None
|
||||
if dia_pico:
|
||||
recomendaciones.append({
|
||||
"tipo": "HORARIO_PICO",
|
||||
"prioridad": "MEDIA",
|
||||
"emoji": "⏰",
|
||||
"titulo": f"{dia_pico['dia']} es el día con más residuos",
|
||||
"descripcion": (
|
||||
f"El {dia_pico['dia']} se recolectan en promedio "
|
||||
f"{dia_pico['promedio_kg']:.0f} kg por colonia. "
|
||||
f"Considera iniciar rutas 30 minutos antes ese día."
|
||||
),
|
||||
"ruta_afectada": None,
|
||||
})
|
||||
|
||||
# 3. Colonias con tendencia creciente → alerta temprana
|
||||
crecientes = [p for p in predicciones if p["tendencia"] == "CRECIENTE"]
|
||||
for p in crecientes[:2]: # máximo 2 alertas
|
||||
recomendaciones.append({
|
||||
"tipo": "TENDENCIA_CRECIENTE",
|
||||
"prioridad": "MEDIA",
|
||||
"emoji": "📈",
|
||||
"titulo": f"Aumento en {p['colonia']}",
|
||||
"descripcion": (
|
||||
f"{p['colonia']} muestra una tendencia creciente de "
|
||||
f"+{p['pendiente_diaria_kg']:.1f} kg/día. "
|
||||
f"Volumen predicho esta semana: {p['volumen_predicho_total_kg']:.0f} kg."
|
||||
),
|
||||
"ruta_afectada": p["ruta_id"],
|
||||
})
|
||||
|
||||
# 4. Colonias con muchas incidencias → campaña de concientización
|
||||
alta_incidencia = sorted(zonas, key=lambda x: x["promedio_incidencias_dia"], reverse=True)
|
||||
if alta_incidencia:
|
||||
z = alta_incidencia[0]
|
||||
recomendaciones.append({
|
||||
"tipo": "CONCIENTIZACION",
|
||||
"prioridad": "BAJA",
|
||||
"emoji": "📢",
|
||||
"titulo": f"Campaña en {z['colonia']}",
|
||||
"descripcion": (
|
||||
f"{z['colonia']} registra {z['promedio_incidencias_dia']:.1f} incidencias/día "
|
||||
f"de basura fuera de horario. Se recomienda campaña de concientización ciudadana."
|
||||
),
|
||||
"ruta_afectada": z["ruta_id"],
|
||||
})
|
||||
|
||||
return recomendaciones
|
||||
|
||||
|
||||
# ---------------------------------------------------------------
|
||||
# FUNCIÓN PRINCIPAL: Genera el reporte completo
|
||||
# ---------------------------------------------------------------
|
||||
def generar_reporte_completo(dias_historico: int = 90) -> Dict[str, Any]:
|
||||
"""
|
||||
Punto de entrada principal. Genera todos los análisis y los empaqueta.
|
||||
Cachea el resultado por 10 minutos para no recalcular en cada request.
|
||||
"""
|
||||
historico = _generar_historico(dias_historico)
|
||||
|
||||
dias_semana = analisis_por_dia_semana(historico)
|
||||
zonas = analisis_zonas_criticas(historico)
|
||||
predicciones = predecir_proxima_semana(historico)
|
||||
recomendaciones = generar_recomendaciones(zonas, dias_semana, predicciones)
|
||||
|
||||
# Resumen ejecutivo
|
||||
total_kg_periodo = sum(r["volumen_kg"] for r in historico)
|
||||
promedio_diario = total_kg_periodo / dias_historico if dias_historico > 0 else 0
|
||||
|
||||
return {
|
||||
"generado_en": datetime.now().isoformat(),
|
||||
"periodo_dias": dias_historico,
|
||||
"resumen": {
|
||||
"total_kg_recolectados": round(total_kg_periodo, 1),
|
||||
"promedio_kg_dia": round(promedio_diario, 1),
|
||||
"colonias_analizadas": len(COLONIAS),
|
||||
"zonas_criticas": len([z for z in zonas if z["nivel_criticidad"] == "CRÍTICO"]),
|
||||
"dia_pico": dias_semana[0]["dia"] if dias_semana else "N/A",
|
||||
"colonia_mayor_volumen": zonas[0]["colonia"] if zonas else "N/A",
|
||||
},
|
||||
"dias_semana": dias_semana,
|
||||
"zonas_criticas": zonas,
|
||||
"prediccion_proxima_semana": predicciones,
|
||||
"recomendaciones": recomendaciones,
|
||||
}
|
||||
Reference in New Issue
Block a user