🔬 physics

Modeling Accessibility-Constrained Networks with Time-Weighted Graphs

Este artículo propone un flujo de trabajo que modela los campus universitarios como grafos ponderados en el tiempo utilizando datos de Strava y un algoritmo de Resistencia Mínima personalizado para identificar rutas óptimas accesibles para sillas de ruedas y resaltar las restricciones de accesibilidad críticas en comparación con algoritmos estándar como el de Dijkstra.

Autores originales: Marc Walden, Jason Liu, Ryan Liu, Hamza Khan

Publicado 2026-01-22

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Marc Walden, Jason Liu, Ryan Liu, Hamza Khan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el campus de la UCLA como un laberinto gigante y montañoso. Para la mayoría de las personas, es una aventura divertida con atajos y ascensos empinados. Pero para los estudiantes en silla de ruedas, este laberinto está lleno de callejones sin salida, puertas cerradas (escaleras) y caminos que son tan empinados que son imposibles de subir.

Este artículo es como un equipo de detectives tratando de mapear ese laberinto para encontrar las rutas más fáciles para todos, especialmente para quienes no pueden usar escaleras. Así es como lo hicieron, explicado de forma sencilla:

1. El Problema: El "Laberinto Montañoso"

El campus de la UCLA está construido sobre una colina muy empinada. Para desplazarse, los diseñadores construyeron muchas escaleras y rampas empinadas. Aunque esto se ve genial para caminar, es una pesadilla para los usuarios de sillas de ruedas. Algunos edificios importantes son completamente inalcanzables, y otros requieren dar un rodeo enorme y serpenteante que tarda el doble de tiempo que una caminata normal.

2. La Creación del Mapa: Dos Formas de Dibujar las Líneas

El equipo necesitaba convertir el campus físico en un mapa digital (una red) donde cada intersección sea un "punto" y cada camino sea una "línea". Intentaron dos formas de construir este mapa:

El Método de la "Caminata Humana" (Prototipo): Primero, simplemente caminaron los trayectos ellos mismos. Cuatro miembros del equipo recorrieron cada ruta una vez normalmente y otra vez fingiendo empujar una silla de ruedas pesada. Cronometraron su tiempo.
- El problema: Los humanos se cansan, caminan a diferentes velocidades y cometen errores. Es como intentar medir un maratón haciendo que una persona adivine el tiempo. Está bien para una pequeña prueba, pero no para toda la escuela.
El Método del "Detective Digital" (Producción): Para el mapa real, utilizaron una herramienta inteligente llamada Straña API. Piensa en esto como un diario de GPS gigante y público donde millones de personas han registrado sus caminatas, carreras y recorridos.
- Extrajeron estos datos en un programa de computadora que dibujó automáticamente líneas para cada camino, incluso los pequeños atajos no oficiales que la gente usa.
- El Truco de la "Carretera Curva": Un mapa simple podría dibujar un camino como una línea recta. Pero en la realidad, los caminos se curvan sobre las colinas. Para solucionar esto, el equipo utilizó una "Búsqueda en Profundidad" (un método computacional que explora cada rincón y grieta) para dividir cada camino en pequeños segmentos de 5 metros. Esto permitió ver los pequeños bultos y curvas que una línea recta pasaría por alto.

3. Las Herramientas de Navegación: Encontrando la Mejor Ruta

Una vez que tuvieron el mapa, necesitaban una forma de calcular la mejor ruta. Construyeron dos "motores de GPS":

Algoritmo de Dijkstra (El GPS Clásico): Esta es la forma estándar en que las computadoras encuentran la ruta más corta. Revisa todas las rutas posibles del Punto A al Punto B y elige la que tome menos tiempo. Es muy minucioso, pero puede ser lento si el mapa es muy grande.
El Algoritmo de "Menor Resistencia" (El Flujo de Energía): Esta fue su propia invención personalizada. Imagina la electricidad fluyendo a través de un cable. La electricidad toma naturalmente el camino de menor resistencia. Su algoritmo simula esto: envía un "voltaje" que se vuelve cada vez más fuerte, explorando caminos hasta que encuentra una conexión entre dos puntos.
- Por qué es genial: A diferencia del GPS clásico que revisa cada punto del mapa, este solo mira el área entre el inicio y el final. Es como enviar a un explorador para encontrar una puerta específica en lugar de mapear toda la casa. Es mucho más rápido para viajes de punto a punto.

4. El Gran Descubrimiento: La Penalización del "Doble de Tiempo"

Cuando analizaron los números, los resultados fueron contundentes:

La Brecha de Tiempo: En promedio, a un usuario de silla de ruedas le toma casi el doble de tiempo llegar entre dos puntos que a una persona sin discapacidad.
La Penalización de las "Escaleras": En algunos casos, la diferencia es aún peor. Por ejemplo, ir de un edificio a otro puede tomarle a un usuario de silla de ruedas 2.7 veces más tiempo porque tiene que tomar una rampa larga y serpenteante, mientras que un estudiante que camina simplemente toma un atajo por unas escaleras.
El Problema del "Callejón sin Salida": Algunas áreas, como el Northern Lights Cafe, son tan difíciles de alcanzar que los usuarios de sillas de ruedas tienen que dar un giro de U masivo, ir a otro edificio, tomar un elevador y regresar. Es como verse obligado a conducir por toda la ciudad solo para llegar a la siguiente cuadra.

5. Los "Semáforos" del Campus

El equipo también analizó qué lugares en el campus son los "centros" más importantes. Utilizaron una medida llamada Centralidad de Intermediación (Betweenness Centrality), que es como contar cuántas personas tienen que pasar por una intersección específica para llegar a donde van.

Encontraron tres "Super-Nodos":

Wilson Plaza
Pauley Walk
El John Wooden Center

Estos son las "arterias principales" del campus. Si una rampa se rompe o un camino se bloquea aquí, se produce un enorme atasco, especialmente para los usuarios de sillas de ruedas que tienen menos rutas alternativas.

6. Lo que No Pudieron Hacer (Aún)

El equipo quería incluir datos exactos de elevación (qué tan alta es la colina) para que el mapa fuera perfecto. Intentaron usar herramientas en línea para obtener estos datos, pero las herramientas no eran lo suficientemente precisas para sus necesidades. Por lo tanto, aunque saben dónde están los caminos, aún no pueden calcular perfectamente qué tan empinado es cada centímetro individual.

La Conclusión

El equipo construyó con éxito un modelo digital de la UCLA que muestra exactamente qué tan difícil es para los usuarios de sillas de ruedas desplazarse. Demostraron que la configuración actual obliga a los estudiantes con discapacidad a tomar rutas mucho más largas y agotadoras. Al identificar los "cuellos de botella" (los Super-Nodos) y los "callejones sin salida" (áreas sin rampas), esperan dar a la universidad un plano claro de dónde construir nuevas rampas o añadir señales para que el campus sea justo para todos.

También planean llevar esta idea de "creación de mapas" a otras universidades, porque los campus montañosos son un problema en todas partes, no solo en la UCLA.

Resumen Técnico: Modelado de Redes con Restricciones de Accesibilidad mediante Grafos Ponderados por Tiempo

Planteamiento del Problema

La Universidad de California, Los Ángeles (UCLA), situada en la accidentada zona de Westwood, presenta desafíos significativos de accesibilidad para personas con discapacidad física. El diseño del campus, caracterizado por numerosas escaleras y pendientes pronunciadas para adaptarse al terreno, hace que muchos pasillos y centros integrales sean inaccesibles para usuarios de sillas de ruedas o los obliga a realizar desvíos prolongados. Dado que los estudiantes con discapacidad física comprenden el 2.1% del cuerpo estudiantil y un número creciente de usuarios dependen del transporte con ruedas (por ejemplo, patinetes eléctricos), la necesidad de un análisis de accesibilidad basado en datos es crítica. El problema central abordado es la falta de un modelo de red sistemático para cuantificar las disparidades en el tiempo de viaje entre personas con y sin discapacidad, e identificar los cuellos de botella de infraestructura que obstaculizan la movilidad.

Metodología

Recopilación de Datos y Construcción de la Red

Los autores desarrollaron un enfoque de modelado de dos niveles:

Modelo de Prototipo: Un proceso manual que involucra 21 nodos seleccionados manualmente (intersecciones clave) y 43 rutas potenciales. La accesibilidad se determinó mediante inspección visual de escaleras o pendientes que superaran los 30 grados. Los tiempos de recorrido se registraron mediante simulación de caminata y silla de ruedas por parte de miembros del equipo.
Modelo de Producción: Un flujo de trabajo automatizado y escalable que utiliza la API de Strava Global Heatmap y OpenStreetMap.
- Generación de Grafos: Los datos de GPS se importaron a QGIS (proyección WGS84) para crear geometrías de líneas vectoriales. Los nodos se generaron en todas las intersecciones de líneas, y se añadieron vértices a lo largo de las rutas para rastrear la curvatura.
- Integración de Nodos Intermedios: Para capturar los cambios de elevación y la curvatura que las aproximaciones de línea recta omiten, se empleó un algoritmo de Búsqueda en Profundidad (DFS) para insertar nodos intermedios a lo largo de las rutas. Un parámetro ajustable $c$ (establecido en $\approx 4.5 \times 10^{-5}$ grados geodésicos, o ~5 metros) controló el espaciamiento de estos nodos para equilibrar la precisión con el costo computacional.
- Ponderación de Aristas: Las aristas representan caminos peatonales y los nodos representan intersecciones. Los pesos se derivan de los tiempos de recorrido, calculados en función de la distancia, la velocidad y la elevación.

Algoritmos

Se implementaron dos algoritmos para calcular las rutas óptimas:

Algoritmo de Dijkstra: Una implementación estándar utilizando un min-heap para encontrar la ruta más corta en un grafo ponderado con aristas no negativas. Calcula el tiempo más corto entre un origen y todos los demás nodos, resultando en una matriz de tiempo $N \times N$ con una complejidad de $O(E \log N)$ .
Algoritmo de Resistencia Mínima: Un algoritmo personalizado inspirado en el flujo de corriente eléctrica (voltaje). Simula el flujo de energía entre un par específico de inicio y fin, incrementando gradualmente el "voltaje" para explorar rutas hasta encontrar una conexión. A diferencia de Dijkstra, no calcula distancias hacia todos los nodos, lo que lo hace computacionalmente más económico para consultas punto a punto.

Restricciones y Métricas de Accesibilidad

Definición de Accesibilidad: Las rutas se consideran inaccesibles si contienen escaleras o pendientes superiores al 8% (relación 1:12), el estándar legal para el cumplimiento de la accesibilidad para sillas de ruedas.
Datos de Elevación: El equipo intentó integrar APIs de elevación (Open Maps y Open Topo) para refinar los cálculos de pendiente, pero encontró discrepancias de precisión en su escala operativa. Por consiguiente, el modelo final se basa en la estructura de la red y los pesos de tiempo, con la integración de la elevación señalada como una refinación futura.
Análisis de Centralidad: Los autores utilizaron la Centralidad de Intermediación (calculada mediante NetworkX) para identificar nodos que aparecen con mayor frecuencia en las rutas más cortas. Esta métrica resalta los cuellos de botella críticos y los centros de alto tráfico esenciales para la conectividad de la red.

Resultados Clave

Escala y Validación de la Red

El modelo escaló con éxito desde el prototipo de 21 nodos a una red de producción de 1,290 nodos que cubre todo el campus de la UCLA. La precisión de la implementación de Dijkstra fue verificada mediante el contraste de 100 pares de nodos aleatorios con el algoritmo de Resistencia Mínima, obteniendo resultados coincidentes.

Disparidades en el Tiempo de Viaje

El análisis del grafo ponderado por tiempo reveló ineficiencias significativas para los usuarios de sillas de ruedas:

Tiempo Promedio: El tiempo de recorrido promedio para personas con discapacidad es casi el doble que el de las personas sin discapacidad.
Casos de Estudio Específicos:
- Kerckhoff Hall a Mathematical Sciences Building: Los usuarios de sillas de ruedas requieren un tiempo de viaje 2.7 veces mayor debido a las rampas sinuosas, mientras que los usuarios sin discapacidad pueden utilizar las escaleras.
- Fowler Museum a Northern Lights Cafe: Los usuarios enfrentan desvíos significativos y giros en U debido a la falta de pendientes accesibles, lo que a menudo requiere el uso de ascensores dentro de los edificios o largas rutas de retroceso.

Hallazgos de Centralidad

El análisis de la centralidad de intermediación identificó tres centros críticos: Wilson Plaza, Pauley Walk y el John Wooden Center. Estos lugares sirven como intermediarios esenciales entre las zonas residenciales (The Hill) y el núcleo académico. La distribución de los valores de centralidad mostró que un pequeño número de nodos posee una alta centralidad (hasta ~0.175), mientras que la mayoría de los nodos del campus tienen una baja centralidad, lo que indica que son periféricos a las rutas principales de viaje.

Significancia y Contribuciones

El artículo sostiene que su contribución principal es un flujo de trabajo escalable que modela un campus universitario como una red con restricciones de accesibilidad para derivar información cuantitativa sobre las disparidades de movilidad. Al combinar datos de Strava, DFS y algoritmos personalizados de búsqueda de rutas, los autores demuestran:

Inaccesibilidad Cuantificable: El modelo proporciona evidencia empírica del tiempo y esfuerzo adicional requerido para las personas con discapacidad, resaltando brechas de infraestructura específicas (por ejemplo, falta de rampas, dependencia de ascensores).
Identificación de Cuellos de Botella: Las medidas de centralidad señalan eficazmente los nodos donde las mejoras de infraestructura (por ejemplo, nuevas rampas, señalización) producirían la mayor reducción en el tiempo de viaje y el riesgo de interrupción.
Marco de Ingeniería: El flujo de trabajo está diseñado para soportar una expansión futura, específicamente la integración de datos de elevación precisos para aplicar estrictamente el cumplimiento de la pendiente de la ADA y el desarrollo de algoritmos para proponer soluciones de ingeniería específicas.

Los autores mantienen una postura modesta, reconociendo las limitaciones actuales en la precisión de los datos de elevación y la ausencia de un algoritmo automatizado para proponer nuevos diseños de infraestructura. Posicionan este trabajo como un paso fundacional hacia la creación de herramientas integrales para la planificación de campus inclusivos, con el potencial de aplicarse a otras universidades en todo el país.