Análisis de los patrones de movilidad peatonal en Madrid y sus determinantes.

Abstract

Este estudio analiza la movilidad peatonal en Madrid mediante la integración de datos de afluencia de peatones con variables externas como el clima, el transporte público y la actividad urbana entre otros. Se han aplicado modelos explicativos, como la regresión de panel, y modelos predictivos basados en aprendizaje automático, como Random Forest y XGBoost, para identificar los factores que influyen en la movilidad. Los resultados confirman que la afluencia peatonal varía en función del día de la semana y las condiciones ambientales, y que la proximidad a estaciones de transporte público favorece el tránsito peatonal. Estos hallazgos aportan información relevante para la planificación urbana y la optimización de la movilidad en entornos urbanos.

This study analyzes pedestrian mobility in Madrid by integrating pedestrian flow data with external variables such as weather, public transport and urban activity. Explanatory models, such as panel regression, and predictive models based on machine learning, such as Random Forest and XGBoost, have been applied to identify the factors that influence mobility. The results confirm that pedestrian mobility varies depending on the day of the week and meteorological conditions, and that proximity to public transportation stations favors pedestrian traffic. These findings provide relevant information for urban planning and mobility optimization in urban environments.