Q4-1013 - DTIC-UAB-CHALLENGE

Inspiration

Queríamos crear una herramienta que ayudara a visualizar la afluencia y los patrones de movilidad en el campus, contribuyendo a una mejor gestión del espacio, del consumo energético y de la planificación universitaria.

What it does

WiFlow analiza los logs de conexión Wi-Fi anonimizados de la UAB y construye un grafo dinámico de flujos de personas entre edificios. El sistema: Carga múltiples archivos JSON con datos de clientes conectados. Detecta cambios de ubicación de los dispositivos entre instantes consecutivos. Agrupa puntos de acceso (APs) por edificio mediante reglas de nombre. Construye un grafo temporal dirigido, donde los nodos representan edificios y las aristas los movimientos entre ellos. Genera una animación visual interactiva que muestra cómo evoluciona la movilidad a lo largo del tiempo.

How we built it

El proyecto fue desarrollado principalmente en Python, utilizando librerías como: pandas para el procesamiento de datos. networkx para la generación y análisis del grafo. matplotlib y ffmpeg para la creación de la animación temporal. Los datos se proporcionaron en formato JSON, conteniendo información anonimizada sobre puntos de acceso Wi-Fi y clientes conectados. Creamos un pipeline de procesamiento que: Extrae los timestamps de los archivos. Relaciona cada cliente con su AP correspondiente. Agrupa por edificios. Calcula las transiciones entre ubicaciones. Visualiza los resultados en forma de grafo dinámico.

Challenges we ran into

Nunca habíamos trabajado con archivos JSON y gestión de gran cantidad de datos en python. Más adelante, nos encontramos que no sabíamos como representar los datos ni de forma física ni dinámica.

Accomplishments that we're proud of

Logramos construir un grafo funcional y animado que representa de forma visual la movilidad dentro del campus. Desarrollamos un pipeline completamente reproducible y adaptable a nuevos datasets. Creamos una herramienta con potencial real para mejorar la gestión universitaria mediante datos existentes pero poco explotados.

What we learned

Cómo trabajar con datos reales y anonimizados en entornos con restricciones de privacidad. Tratamiento de una gran cantidad de datos en JSON. Creación de grafos estáticos y dinámicos con librerias de python.

What's next for WiFlow - HACKATON UAB

Queremos llevar WiFlow más allá del hackathon: Integrar modelos de predicción de afluencia usando ML. Desarrollar un dashboard interactivo en tiempo real para la gestión del campus. Incluir análisis de zonas de congestión y patrones horarios.