Rutas de inspección visual del comercio informal

Abstract

El comercio informal en espacios urbanos representa un desafío complejo para la planificación y gestión del espacio público, debido a su carácter dinámico, distribuido y altamente dependiente del contexto territorial. En este trabajo se desarrolla una plataforma tecnológica orientada a la visualización, análisis y predicción de la actividad de comercio informal en el sector de Santiago Centro, integrando datos geoespaciales, procesamiento de imágenes y técnicas de aprendizaje automático. La solución propuesta se basa en una arquitectura modular desplegada en la nube, que permite la ingestión, almacenamiento y análisis de información espacial organizada en una cuadrícula de 100 $\times$ 100 metros. Para la segmentación espacial del área de estudio se utiliza el algoritmo de clustering K-means, mientras que la predicción probabilística de la presencia de comercio informal se realiza mediante un modelo de clasificación Naive Bayes. Asimismo, se incorporan redes neuronales para la detección de patrones visuales a partir de imágenes georreferenciadas, enriqueciendo el análisis con información visual del entorno urbano. La plataforma incluye un módulo de visualización interactiva basado en tecnologías web y herramientas SIG, permitiendo a usuarios con distintos niveles de experiencia explorar los resultados de manera intuitiva. Los resultados obtenidos demuestran que la integración de análisis geoespacial, modelos de machine learning y visualización interactiva constituye una herramienta efectiva para apoyar la toma de decisiones en el ámbito de la planificación urbana y la regulación del comercio informal, sentando además las bases para futuras extensiones del sistema.

Informal street commerce poses a significant challenge for urban planning and public space management due to its dynamic nature, spatial dispersion, and strong dependence on local context. This work presents the development of a technological platform aimed at the visualization, analysis, and prediction of informal commerce activity in Santiago Centro, integrating geospatial data, image processing, and machine learning techniques. The proposed solution is based on a modular, cloud-deployed architecture that enables the ingestion, storage, and analysis of spatial information organized into a 100 × 100 meter grid. Spatial segmentation of the study area is performed using the K-means clustering algorithm, while probabilistic prediction of informal commerce presence is carried out through a Naive Bayes classification model. In addition, neural networks are employed for visual pattern detection from georeferenced images, enriching the analysis with visual contextual information of the urban environment. The platform incorporates an interactive visualization module built on web-based GIS technologies, allowing users with varying levels of expertise to explore the results intuitively. The obtained results show that the integration of geospatial analysis, machine learning models, and interactive visualization provides an effective tool to support decision-making in urban planning and the regulation of informal commerce, while also establishing a solid foundation for future system extensions.