FT: Mejora del modelo añadiendo control de tráfico además de demanda

src/app.py

@@ -166,6 +166,7 @@ def recommend_gruas():
     - dow: día de la semana (0-6, requerido)
     - hour: hora del día (0-23, requerido)
     - k: número de grúas (opcional, default=2)
+    - traffic: nivel de tráfico 1=bajo, 2=medio, 3=alto (opcional, default=1)
     - optimize: si es True, encuentra k óptimo (opcional, default=False)
     - min_gruas: mínimo de grúas para optimización (opcional, default=1)
     - max_gruas: máximo de grúas para optimización (opcional, default=10)
@@ -178,6 +179,7 @@ def recommend_gruas():
         hour = int(request.args["hour"])
         
         k = request.args.get("k", default=2, type=int)
+        traffic = request.args.get("traffic", default=1, type=int)
         optimize = request.args.get("optimize", default="false").lower() == "true"
         min_gruas = request.args.get("min_gruas", default=1, type=int)
         max_gruas = request.args.get("max_gruas", default=10, type=int)
@@ -190,6 +192,8 @@ def recommend_gruas():
             return jsonify({"error": "hour debe estar entre 0 y 23"}), 400
         if k < 1:
             return jsonify({"error": "k debe ser al menos 1"}), 400
+        if not (1 <= traffic <= 3):
+            return jsonify({"error": "traffic debe estar entre 1 (bajo) y 3 (alto)"}), 400
         
         # Obtener modelos
         demand_model = model_manager.get_model("demand")
@@ -201,10 +205,10 @@ def recommend_gruas():
             }), 500
         
         if DEBUG_MODE:
-            print(f"DEBUG: Building prediction grid for week={week}, dow={dow}, hour={hour}")
+            print(f"DEBUG: Building prediction grid for week={week}, dow={dow}, hour={hour}, traffic={traffic}")
         
         # Construir grilla de predicciones
-        df = build_prediction_grid(week, dow, hour, demand_model, nulo_model)
+        df = build_prediction_grid(week, dow, hour, demand_model, nulo_model, traffic_level=traffic)
         
         if df.empty:
             return jsonify({
@@ -234,6 +238,10 @@ def recommend_gruas():
                 "semana": week,
                 "dia_semana": dow,
                 "hora": hour,
+                "trafico": {
+                    "nivel": traffic,
+                    "descripcion": {1: "bajo", 2: "medio", 3: "alto"}.get(traffic, "desconocido")
+                },
                 "optimizacion": {
                     "k_optimo": result['optimal_k'],
                     "porcentaje_cobertura": result['coverage_percentage'],
@@ -263,7 +271,11 @@ def recommend_gruas():
                 "hora": hour,
                 "parametros": {
                     "k": k,
-                    "optimizacion": optimize
+                    "optimizacion": optimize,
+                    "trafico": {
+                        "nivel": traffic,
+                        "descripcion": {1: "bajo", 2: "medio", 3: "alto"}.get(traffic, "desconocido")
+                    }
                 },
                 "h3_recomendados": result['selected'],
                 "estadisticas": result.get('statistics', []),
@@ -505,7 +517,7 @@ def index():
             "ruta": "/recommend",
             "metodo": "GET",
             "descripcion": "Recomendar ubicaciones para grúas",
-            "parametros": "week, dow, hour (requeridos), k, optimize, min_gruas, max_gruas, target_coverage (opcionales)"
+            "parametros": "week, dow, hour (requeridos), k, traffic (1-3), optimize, min_gruas, max_gruas, target_coverage (opcionales)"
         },
         {
             "ruta": "/coverage/radius",

src/core/placement.py

@@ -3,22 +3,58 @@ import pandas as pd
 from typing import List, Set, Dict, Tuple
 import numpy as np
 
-def coverage_radius(expected_demand: float) -> int:
+def get_max_radius_by_traffic(traffic_level: int) -> int:
     """
-    Determina el radio de cobertura según la demanda esperada, como medimos anteriormente
+    Determina el radio máximo de cobertura según el nivel de tráfico.
     
-    Nivel demanda  | Radio H3
+    Nivel tráfico  | Radio H3 máximo
+    ---------------|----------------
+    Bajo (1)       | 18
+    Medio (2)      | 12
+    Alto (3)       | 9
+    
+    Args:
+        traffic_level: Nivel de tráfico (1=bajo, 2=medio, 3=alto)
+    
+    Returns:
+        Radio máximo en hexágonos H3
+    """
+    traffic_limits = {
+        1: 18,  # Tráfico bajo
+        2: 12,  # Tráfico medio
+        3: 9    # Tráfico alto
+    }
+    return traffic_limits.get(traffic_level, 18)  # Default a tráfico bajo
+
+def coverage_radius(expected_demand: float, traffic_level: int = 1) -> int:
+    """
+    Determina el radio de cobertura según la demanda esperada y el nivel de tráfico.
+    El radio final es el mínimo entre el radio calculado por demanda y el límite de tráfico.
+    
+    Nivel demanda  | Radio H3 base
     ---------------|----------
     baja (<2)      | 18
     media (2-5)    | 12
     alta (≥5)      | 6
+    
+    Args:
+        expected_demand: Demanda esperada
+        traffic_level: Nivel de tráfico (1=bajo, 2=medio, 3=alto)
+    
+    Returns:
+        Radio de cobertura ajustado por tráfico
     """
+    # Radio base según demanda
     if expected_demand < 2:
-        return 18
+        base_radius = 18
     elif expected_demand < 5:
-        return 12
+        base_radius = 12
     else:
-        return 6
+        base_radius = 6
+    
+    # Aplicar restricción de tráfico
+    max_radius = get_max_radius_by_traffic(traffic_level)
+    return min(base_radius, max_radius)
 
 def get_coverage_weight(expected_demand: float) -> float:
     """
@@ -82,12 +118,14 @@ def calculate_coverage_score(cell: str, radius: int, df: pd.DataFrame) -> float:
     return total_risk * (1 + 0.1 * demand_weight)
 
 def build_prediction_grid(week: int, dow: int, hour: int, 
-                         demand_model, nulo_model, h3_resolution: int = 8) -> pd.DataFrame:
+                         demand_model, nulo_model, h3_resolution: int = 8,
+                         traffic_level: int = 1) -> pd.DataFrame:
     """
     Construye una cuadricula de predicciones para todas las celdas H3.
     
     Args:
         h3_resolution: Resolución H3 (default=8 para áreas urbanas)
+        traffic_level: Nivel de tráfico (1=bajo, 2=medio, 3=alto)
     """
     # Obtener todas las celdas H3 únicas de la base de datos
     from db import get_all_h3_cells
@@ -117,8 +155,8 @@ def build_prediction_grid(week: int, dow: int, hour: int,
             # Calcular riesgo
             risk = calculate_risk(expected_demand, nulo_prob)
             
-            # Determinar radio de cobertura y peso
+            # Determinar radio de cobertura y peso (ajustado por tráfico)
-            radius = coverage_radius(expected_demand)
+            radius = coverage_radius(expected_demand, traffic_level)
             coverage_weight = get_coverage_weight(expected_demand)
             
             predictions.append({