R5R: um guia prático para cálculos de rotas mais rápidos em R

Quem trabalha com dados de transporte público em R já esbarrou na lentidão de calcular rotas porta a porta para milhares de pares de origem e destino. O pacote r5r resolve isso de um jeito que parece mágica: em vez de rodar tudo em R， ele usa o R5， um motor de roteamento em Java criado pelo Conveyal， e devolve os resultados em data frames prontos para análise. A primeira vez que rodei um cálculo de 10 mil rotas em menos de dois minutos。fiquei desconfiado. Mas é real — e a chave está em entender como o r5r funciona por dentro.O r5r não é um pacote de visualização nem de modelagem estatística. Ele é uma ponte entre o R e o R5。que implementa o algoritmo RAPTOR (Round-Based Public Transit Optimized Router). Esse algoritmo foi pensado para redes de transporte público com horários fixos， e não para carros ou bicicletas. Na prática， isso significa que o r5r brilha quando você precisa calcular viagens multimodais — caminhada + ônibus + metrô， por exemplo — considerando horários de partida específicos. Se você tentar usá-lo para rotas de carro， vai se decepcionar: o foco é transporte coletivo.Minha primeira dica é preparar os dados de entrada com cuidado. O r5r exige um arquivo GTFS (General Transit Feed Specification) da rede de transporte， um arquivo OSM PBF (OpenStreetMap) para a rede de ruas e um arquivo de elevação opcional. A qualidade do GTFS faz toda a diferença. Já vi casos em que horários mal formatados no GTFS geraram rotas inexistentes ou tempos de espera absurdos. Vale a pena abrir o GTFS no QGIS ou usar o pacote gtfsr para inspecionar se as paradas e viagens estão consistentes antes de rodar qualquer cálculo.Outra pergunta frequente: qual a diferença entre r5r e outros pacotes como opentripplanner ou rtraffic?O r5r é mais rápido para grandes volumes de rotas porque o R5 foi escrito em Java e otimizado para paralelismo. Além disso， a integração com o R é direta: você passa um data frame de pontos de origem e destino， define o modo de transporte e o horário de partida， e recebe de volta tempos de viagem， distâncias。

número de baldeações e até o traçado detalhado de cada perna. Não precisa exportar para CSV e importar de volta. Isso economiza horas de trabalho.Um detalhe que muita gente ignora: o parâmetro max_walk_dist controla a distância máxima de caminhada até a primeira parada e da última parada até o destino. Se você deixar o valor padrão (geralmente 800 metros)， pode estar subestimando a acessibilidade em áreas densas ou superestimando em áreas rurais. Ajustar esse parâmetro conforme o contexto urbano é essencial. Em São Paulo， por exemplo， usei 500 metros para captar a caminhada real em bairros centrais;

já em cidades menores， 1000 metros faz mais sentido. O r5r permite esse ajuste fino。mas você precisa saber que ele existe.Também é comum a dúvida sobre como lidar com múltiplos horários de partida. O r5r aceita um vetor de horários ou um intervalo de tempo (time_window). Se você quer simular a variação de tempo de viagem ao longo do dia， pode passar， digamos。das 6h às 10h em intervalos de 15 minutos. O resultado vem em uma lista de data frames， e aí você decide como agregar. Eu costumo calcular a mediana dos tempos para cada par OD e usar o desvio padrão como medida de incerteza. Isso dá uma visão mais realista do que um único horário fixo.Por fim， o r5r tem uma limitação que ninguém menciona nos tutoriais: ele não modela congestionamento nem atrasos em tempo real. Os tempos de viagem são baseados em horários programados do GTFS e na velocidade de caminhada definida por você. Se a sua análise precisa capturar o impacto de greves， obras ou trânsito intenso， o r5r sozinho não resolve. Nesses casos。

combine com dados de GPS de ônibus ou use o r5r como base para cenários contrafactuais. Já vi gente frustrada porque os tempos calculados não batiam com a realidade — mas o problema não era o pacote， e sim a expectativa de que ele fizesse previsão em tempo real. Entender o que o r5r faz e o que ele não faz é o primeiro passo para usá-lo bem.