# Time Isochrones Precalculated > Pre-cálculo de isócronas reales con OSMnx + NetworkX para el proyecto Time. Genera GeoJSON basado en red viaria OSM real. Patrón para calcular isócronas sin API externa. - Skill: `ntizar/time-isochrones-precalculated` (Agent Skill) - Install (CLI): `npx skillmds@latest add ntizar/time-isochrones-precalculated` - Raw SKILL.md: https://api.skillmd.com/api/skills/ntizar/time-isochrones-precalculated/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: AI & ML - Author: ntizar (https://skillmd.com/u/ntizar) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/ntizar/time-isochrones-precalculated --- # Isochoronas Pre-calculadas — Time ## Cuándo usar esta skill Cuando necesites: - Calcular isócronas reales sin depender de APIs externas - Añadir nuevas ciudades al proyecto Time - Mejorar la precisión de las isócronas existentes - Entender cómo funciona el cálculo offline ## Arquitectura ``` Python (OSMnx + NetworkX) → JSON GeoJSON → Server Node.js → Frontend Leaflet ↓ ↓ ↓ ↓ Descarga grafo OSM Guarda isócronas Sirve /isochrones/ Renderiza polígonos ``` ## Scripts ### `scripts/precalcular-isocronas.py` (principal) Genera isócronas para TODAS las ciudades configuradas. ```bash # Instalar dependencias pip3 install osmnx networkx numpy shapely # Calcular todas las ciudades python3 scripts/precalcular-isocronas.py # Calcular una ciudad específica python3 scripts/precalcular-isocronas.py --ciudad bilbao # Listar ciudades disponibles python3 scripts/precalcular-isocronas.py --listar ``` ### `scripts/calcular-isocronas.py` (helper) Calcula una isócrona individual para debugging. ```bash # Calcular isócona de coche 30min en Bilbao python3 scripts/calcular-isocronas.py --ciudad bilbao --modo car --tiempo 30 ``` ## Ciudades configuradas | Ciudad | Query OSM | Centro | Radio | |--------|-----------|--------|-------| | bilbao | Bilbao, Bizkaia, España | 43.263, -2.935 | 15km | | malaga | Málaga, Andalucía, España | 36.721, -4.421 | 15km | | sevilla | Sevilla, Andalucía, España | 37.389, -5.984 | 15km | | valencia | Valencia, España | 39.470, -0.376 | 15km | | zaragoza | Zaragoza, Aragón, España | 41.649, -0.889 | 15km | ## Formato de salida ### JSON combinado (`data/isochrones/{ciudad}.json`) ```json { "ciudad": "bilbao", "centro": [43.263, -2.935], "generado": "2026-06-25T18:00:00Z", "isochrones": { "car": { "15": { "geojson": {...}, "area_km2": 12.5, "radio_m": 6000 }, "30": { "geojson": {...}, "area_km2": 45.2, "radio_m": 12000 }, "60": { "geojson": {...}, "area_km2": 156.8, "radio_m": 24000 } }, "bike": { ... }, "foot": { ... } } } ``` ### JSON individual (`data/isochrones/{ciudad}_{modo}_{tiempo}.json`) ```json { "ciudad": "bilbao", "modo": "car", "tiempo_min": 30, "area_km2": 45.2, "radio_m": 12000, "geojson": { "type": "FeatureCollection", "features": [{ "type": "Feature", "geometry": { "type": "Polygon", "coordinates": [...] }, "properties": { "modo": "car", "minutos": 30, "area_km2": 45.2 } }] } } ``` ## Endpoints del servidor | Endpoint | Descripción | |----------|-------------| | `GET /isochrones/list` | Lista ciudades disponibles con metadata | | `GET /isochrones/{ciudad}` | Todas las isócronas de una ciudad | | `GET /isochrones/{ciudad}/{modo}/{min}` | Isócrona específica | ## Algoritmo OSMnx + NetworkX ```python import osmnx as ox import networkx as nx # 1. Descargar grafo de calles G = ox.graph_from_place("Bilbao, España", network_type='drive') # 2. Encontrar nodo más cercano al punto center = ox.geocode("Plaza Mayor, Bilbao") origin_node = ox.distance.nearest_nodes(G, center[1], center[0]) # 3. Calcular distancias desde el origen (Dijkstra) lengths = nx.single_source_dijkstra_path_length(G, origin_node, cutoff=1800) # 30 min # 4. Filtrar nodos alcanzables reachable_nodes = [n for n, l in lengths.items() if l <= 1800] # 5. Generar polígono convexo hull from shapely.geometry import MultiPoint points = [(G.nodes[n]['x'], G.nodes[n]['y']) for n in reachable_nodes] polygon = MultiPoint(points).convex_hull # 6. Convertir a GeoJSON from shapely.geometry import mapping geojson = mapping(polygon) ``` ## Velocidades por modo y tipo de vía | Modo | Velocidad base | Calles principales | Secundarias | Carriles bici | |------|---------------|-------------------|-------------|---------------| | car | 50 km/h | Autovías | Urbanas | N/A | | bike | 15 km/h | Carriles bici | Calles tranquilas | Prioridad | | foot | 5 km/h | Aceras | Calles peatonales | N/A | ## Alternativa: CSR binario para Web Workers (ISOTime) En vez de generar GeoJSON estático, se puede serializar el grafo OSM a **binario CSR (Compressed Sparse Row)** y cargarlo en un Web Worker para correr Dijkstra en el navegador. Esto permite isocronas en tiempo real 100% client-side, sin API ni servidor. **Implementado en ISOTime** (`github.com/Ntizar/ISOTime`): - Python (OSMnx) → binario CSR (1-2MB por ciudad) → fetch estático → Web Worker → Dijkstra + binary heap → polígono - 40K nodos se calculan en <1s en el navegador - Formato: header (32B) + city name (32B) + node coords (f32) + CSR offsets (u32) + edge targets/lengths/speeds - Ver skill `routing-isochrones` → `references/dijkstra-web-worker-csr.md` para formato completo y código ## Pitfalls 1. **OSMnx descarga datos grandes** — El grafo de una ciudad puede ocupar 50-200MB en cache. Usar `cache/` directory. 2. **Tiempo de cálculo** — 1-5 minutos por ciudad dependiendo del tamaño. Ejecutar como batch job. 3. **network_type** — `'drive'` para coche, `'bike'` para bici, `'walk'` para peatón, `'all'` para todos. 4. **cutoff en segundos** — Dijkstra usa segundos, no minutos. 15min = 900s, 30min = 1800s, 60min = 3600s. 5. **convex hull** — El polígono resultante es convex hull, no sigue la costa. Para ciudades costeras, recortar con shoreline. 6. **⚠️ OSMnx OOM en VMs pequeñas (2GB RAM)** — Radio de 20km para Madrid (40K+ nodos) causa OOM (exit 137, killed). Usar **12km máximo** para ciudades grandes (Madrid, Barcelona, Valencia). Ciudades pequeñas (Bilbao, Zaragoza) toleran 15km. Síntoma: el proceso Python muere sin traceback, exit code 137. Solución: reducir `dist` en `graph_from_point()` o usar `graph_from_place()` con un boundary más pequeño. 7. **Primera ejecución** — Descarga datos de Overpass API. Necesita internet solo la primera vez. 8. **Actualizaciones** — Los datos OSM cambian. Recalcular periódicamente (mensual recomendado). 9. **CSR binario vs GeoJSON** — CSR binario es 10-50x más pequeño que GeoJSON y permite cálculo en tiempo real en el navegador. GeoJSON es más simple pero estático (no puedes cambiar el tiempo/modo sin regenerar). Usar CSR para apps client-side, GeoJSON para pre-visualización o export. ## Alternativa: OSRM Real-time (sin API key) — Boundary Detection Cuando necesites calcular isócronas **en tiempo real** desde el navegador sin depender de APIs premium, usar el endpoint público de OSRM con **boundary detection por dirección**. **⚠️ NO usar convex hull** — Produce círculos de mierda. David lo probó y corrigió. Usar boundary detection que genera formas irregulares siguiendo la red de carreteras. ### Concepto ``` 72 direcciones × 8 radios = 576 puntos radiales → OSRM Table endpoint (multi-batch de 89 coords) → Para cada dirección: interpolación lineal último alcanzable / primero que excede → Polígono irregular que sigue la red vial real ``` ### Algoritmo 1. **Generar puntos radiales:** 72 direcciones (cada 5°) × radios adaptativos - Radios: `[2, 5, 8, 12, 18, 25, 35, 50, 65, 80]` filtrados por `max(minutos * 0.9, 5)` - Ejemplo 30min: `[2, 5, 8, 12, 18, 25]` → 432 puntos 2. **Query OSRM `table` por batches** (max 89 coords, stagger 80ms): ``` GET https://router.project-osrm.org/table/v1/driving/{coords}?annotations=duration ``` 3. **Para cada dirección, encontrar boundary:** ```javascript const ptsDir = resultados.filter(r => r.dir === d).sort((a,b) => a.radioKm - b.radioKm); let lastReach = null, firstOver = null; for (const p of ptsDir) { if (p.dur <= targetSec) lastReach = p; else if (!firstOver) { firstOver = p; break; } } // Interpolación lineal if (lastReach && firstOver && firstOver.dur > lastReach.dur) { const frac = (targetSec - lastReach.dur) / (firstOver.dur - lastReach.dur); rBoundary = lastReach.radioKm + frac * (firstOver.radioKm - lastReach.radioKm); } ``` 4. **Cerrar polígono** — Conectar boundary points en orden angular (sin convex hull) ### Resultados comparados (Madrid, 30min coche) | Método | Área | Forma | |--------|------|-------| | ❌ Convex hull | 1250 km² | Círculo irregular | | ✅ Boundary detection | 879 km² | Forma irregular real, sigue carreteras | ### Pitfalls OSRM 1. **OSRM público solo tiene `driving`** — No hay perfil `foot` o `bicycle`. Para andar, usar ORS o simulación. 2. **Variable case-sensitive** — `dlat` ≠ `dLat`. JS no da error, solo `undefined`. 3. **Max ~89 coordenadas por llamada `table`** — Dividir en batches, stagger 80ms. 4. **Rate limit no documentado** — En la práctica tolerante con stagger. 5. **Sin semáforos ni restricciones horarias** — OSRM usa datos OSM básicos. 6. **No hay datos de elevación** — La velocidad es plana. Para pendientes, usar Valhalla con DEM. 7. **Radios muy bajos = pocos puntos** — Asegurar al menos `[2, 5]` km para tiempos cortos. ### Cadena de fallback recomendada ```javascript async function calcularIsocrona(lng, lat, modo, minutos) { // 1. ORS (si hay key — más preciso) const apiKey = localStorage.getItem('isotime_ors_key'); if (apiKey) { try { return await calcularIsocronaORS(lng, lat, modo, minutos, apiKey); } catch (e) { console.warn('ORS failed:', e.message); } } // 2. OSRM (solo coche — routing real sin key) if (modo === 'car') { try { return await calcularIsocronaOSRM(lng, lat, minutos); } catch (e) { console.warn('OSRM failed:', e.message); } } // 3. Simulación (fallback final) return calcularIsocronaSim(lng, lat, modo, minutos); } ``` ## Futuras mejoras 1. **Shoreline clipping** — Recortar isócronas costeras con Natural Earth data 2. **Valhalla local** — Para isócronas con elevación real (desnivel) 3. **OTP integration** — Isochrone de transporte público con transbordos reales 4. **Cron de actualización** — Recalcular isócronas mensualmente vía cron job 5. **More cities** — Añadir Madrid, Barcelona, etc.