Cool, Python realisiert die Visualisierung von Verkehrsdaten!

1. Einführung in TransBigData

TransBigData bietet eine schnelle und präzise Methode zur Verarbeitung gängiger räumlich-zeitlicher Verkehrsdaten (z. B. Taxi-GPS-Daten, gemeinsame Fahrraddaten und Bus-GPS-Daten usw.). TransBigData bietet eine Vielzahl von Verarbeitungsmethoden für jede Phase der räumlich-zeitlichen Big-Data-Analyse. Der Code ist prägnant, effizient, flexibel und einfach zu verwenden. Komplexe Datenaufgaben können mit prägnantem Code implementiert werden.

Derzeit bietet TransBigData hauptsächlich die folgenden Methoden:

• Datenvorverarbeitung: Bietet Methoden zur schnellen Berechnung grundlegender Informationen wie Datenvolumen, Zeitraum, Abtastintervall usw. für Datensätze. Außerdem werden entsprechende Bereinigungsmethoden für verschiedene Daten bereitgestellt Geräusche.
• Datenrasterisierung: Bietet ein Methodensystem zum Generieren und Anpassen mehrerer Arten von geografischen Rastern (rechteckige, dreieckige, sechseckige und Geohash-Raster) innerhalb des Untersuchungsgebiets, mit dem räumliche Punkte schnell und algorithmisch auf vektorisierte Weise konvertiert werden können. Die Daten werden auf a abgebildet geografisches Raster.
• Datenvisualisierung: Basierend auf dem Visualisierungspaket keplergl können Daten mit einfachem Code interaktiv und visuell auf Jupyter Notebook angezeigt werden.
• Trajektorienverarbeitung: Generieren Sie Trajektorienlinientypen aus Trajektoriendaten, GPS-Punkten, verdichten und spärliche Trajektorienpunkte usw.
• Kartenbasiskarte, Koordinatenkonvertierung und -berechnung: Laden und Anzeigen der Koordinatenkonvertierung zwischen der Kartenbasiskarte und verschiedenen speziellen Koordinatensystemen.
• Spezifische Verarbeitungsmethoden: Bereitstellung entsprechender Verarbeitungsmethoden für verschiedene spezifische Daten, z. B. Extrahieren von Start- und Endpunkten von Aufträgen aus Taxi-GPS-Daten, Identifizieren von Wohnorten und Arbeitsplätzen aus Mobilfunksignalisierungsdaten und Erstellen und Berechnen einer Netzwerktopologie aus GIS-Daten des U-Bahn-Netzwerks der kürzeste Weg usw.

TransBigData kann über pip oder conda installiert werden:

pip install -U transbigdata

Führen Sie nach Abschluss der Installation den folgenden Code in Python aus, um das TransBigData-Paket zu importieren.

import transbigdata as tbd

2. Datenvorverarbeitung

TransBigData kann nahtlos mit Pandas- und GeoPandas-Paketen verbunden werden, die häufig in der Datenverarbeitung verwendet werden. Zuerst führen wir das Pandas-Paket ein und lesen die Taxi-GPS-Daten:

import pandas as pd
# 读取数据
data = pd.read_csv('TaxiData-Sample.csv',header = None)
data.columns = ['VehicleNum','time','lon','lat','OpenStatus','Speed']
data.head()

Die Ergebnisse sind in Abbildung 2 dargestellt:

▲ Abbildung 2 Taxi-GPS-Daten

Dann führen wir das GeoPandas-Paket ein, um die regionalen Informationen zu lesen den Forschungsumfang und zeigen:

import geopandas as gpd
# 读取研究范围区域信息
sz = gpd.read_file(r'sz/sz.shp')
sz.plot()

Die Ergebnisse sind in Abbildung 3 dargestellt:

▲ Abbildung 3 Regionale Informationen des Forschungsumfangs

Das TransBigData-Paket integriert einige gängige Vorverarbeitungsmethoden für räumlich-zeitliche Verkehrsdaten. Unter anderem gibt die Methode tbd.clean_outofshape Daten und Informationen zum Forschungsbereich ein und kann Daten außerhalb des Forschungsbereichs entfernen. Die Methode tbd.clean_taxi_status kann Aufzeichnungen über sofortige Änderungen des Passagierstatus in Taxi-GPS-Daten eliminieren. Wenn Sie die Vorverarbeitungsmethode verwenden, müssen Sie die Spaltennamen übergeben, die den wichtigen Informationsspalten in der Datentabelle entsprechen. Der Code lautet wie folgt:

# 数据预处理
#剔除研究范围外的数据，计算原理是在方法中先栅格化后栅格匹配研究范围后实现对应。因此这里需要同时定义栅格大小，越小则精度越高
data = tbd.clean_outofshape(data, sz, col=['lon', 'lat'], accuracy=500)
# 剔除出租车数据中载客状态瞬间变化的数据
data = tbd.clean_taxi_status(data, col=['VehicleNum', 'time', 'OpenStatus'])

Nach der Verarbeitung des obigen Codes haben wir die Daten außerhalb der Forschung kombiniert Der Umfang der Taxi-GPS-Daten mit Daten über momentane Änderungen des Fahrgaststatus wird eliminiert.

3. Datenrasterung

Das Rasterformat (Gitter gleicher Größe im geografischen Raum) ist die einfachste Möglichkeit, die Datenverteilung auszudrücken. Nachdem GPS-Daten gerastert wurden, enthält jeder Datenpunkt die Rasterinformationen, in denen er sich befindet. Wenn Raster verwendet werden, um die Verteilung von Daten auszudrücken, kommt die dargestellte Verteilung der tatsächlichen Situation nahe.

Das TransBigData-Tool bietet uns ein vollständiges, schnelles und praktisches Rasterverarbeitungssystem. Wenn Sie TransBigData für die Rasterteilung verwenden, müssen Sie zunächst die Rasterisierungsparameter bestimmen (die als Definition eines Rasterkoordinatensystems verstanden werden können. Die Parameter können uns dabei helfen, schnell zu rastern:

# 定义研究范围边界
bounds = [113.75, 22.4,114.62, 22.86]
# 通过边界获取栅格化参数
params = tbd.area_to_params(bounds,accuracy = 1000)
params

Ausgabe:

{'slon': 113.75,
'slat': 22.4,
'deltalon': 0.00974336289289822,
'deltalat': 0.008993210412845813,
'theta': 0,
'method': 'rect',
'gridsize': 1000}

Der Inhalt Der zu diesem Zeitpunkt ausgegebene Rasterisierungsparameter speichert die Ursprungskoordinaten des Rasterkoordinatensystems (Slon, Slat), den Längen- und Breitengrad, die Länge und Breite eines einzelnen Rasters (Deltalon, Deltalat) und den Rotationswinkel des Rasters (Theta). , das Raster Die Form des Gitters (der Methodenparameter, dessen Wert ein Quadratrechteck, ein Dreieckdreieck und ein Sechseckhexagon sein kann) und die Größe des Gitters (der Gittergrößenparameter, in Metern).

Nachdem wir die Rasterisierungsparameter erhalten haben, können wir die in TransBigData bereitgestellten Methoden verwenden, um Vorgänge wie Rasterabgleich und Generierung von GPS-Daten durchzuführen.

Das vollständige Rasterverarbeitungssystem ist in Abbildung 4 dargestellt:

▲ Abbildung 4 Das von TransBigData bereitgestellte Rasterverarbeitungssystem

Mit der Methode tbd.GPS_to_grid können GPS-Punkte für jedes Taxi generiert werden. Die nummerierten Spalten LONCOL und LATCOL werden generiert, und diese beiden Spalten geben gemeinsam das Raster an:

# 将GPS数据对应至栅格，将生成的栅格编号列赋值到数据表上作为新的两列
data['LONCOL'],data['LATCOL']= tbd.GPS_to_grids(data['lon'],data['lat'],params)

下一步，聚合集计每一栅格内的数据量，并为栅格生成地理几何图形，构建GeoDataFrame：

# 聚合集计栅格内数据量
grid_agg=data.groupby(['LONCOL','LATCOL'])['VehicleNum'].count().reset_index()
# 生成栅格的几何图形
grid_agg['geometry']=tbd.grid_to_polygon([grid_agg['LONCOL'],grid_agg['LATCOL']],params)
# 转换为GeoDataFrame
grid_agg=gpd.GeoDataFrame(grid_agg)
# 绘制栅格
grid_agg.plot(column = 'VehicleNum',cmap = 'autumn_r')

结果如图5所示：

▲图5 数据栅格化的结果

对于一个正式的数据可视化图来说，我们还需要添加底图、色条、指北针和比例尺。TransBigData也提供了相应的功能，代码如下：

import matplotlib.pyplot as plt
fig =plt.figure(1,(8,8),dpi=300)
ax =plt.subplot(111)
plt.sca(ax)
# 添加行政区划边界作为底图
sz.plot(ax=ax,edgecolor=(0,0,0,0),facecolor=(0,0,0,0.1),linewidths=0.5)
# 定义色条位置
cax = plt.axes([0.04, 0.33, 0.02, 0.3])
plt.title('Data count')
plt.sca(ax)
# 绘制数据
grid_agg.plot(column = 'VehicleNum',cmap = 'autumn_r',ax = ax,cax = cax,legend = True)
# 添加指北针和比例尺
tbd.plotscale(ax,bounds = bounds,textsize = 10,compasssize = 1,accuracy = 2000,rect = [0.06,0.03],zorder = 10)
plt.axis('off')
plt.xlim(bounds[0],bounds[2])
plt.ylim(bounds[1],bounds[3])
plt.show()

结果如图6所示：

▲图6 tbd包绘制的出租车GPS数据分布

4、订单起讫点OD提取与聚合集计

针对出租车GPS数据，TransBigData提供了直接从数据中提取出出租车订单起讫点（OD）信息的方法，代码如下：

# 从GPS数据提取OD
oddat=tbd.taxigps_to_od(data,col=['VehicleNum','time','Lng','Lat','OpenStatus'])
oddata

结果如图7所示：

▲图7 tbd包提取的出租车OD

TransBigData包提供的栅格化方法可以让我们快速地进行栅格化定义，只需要修改accuracy参数，即可快速定义不同大小粒度的栅格。我们重新定义一个2km*2km的栅格坐标系，将其参数传入tbd.odagg_grid方法对OD进行栅格化聚合集计并生成GeoDataFrame：

# 重新定义栅格，获取栅格化参数
params=tbd.area_to_params(bounds,accuracy = 2000)
# 栅格化OD并集计
od_gdf=tbd.odagg_grid(oddata,params)
od_gdf.plot(column = 'count')

结果如图8所示：

▲图8 tbd集计的栅格OD

添加地图底图，色条与比例尺指北针：

# 创建图框
import matplotlib.pyplot as plt
fig =plt.figure(1,(8,8),dpi=300)
ax =plt.subplot(111)
plt.sca(ax)
# 添加行政区划边界作为底图
sz.plot(ax=ax,edgecolor=(0,0,0,1),facecolor=(0,0,0,0),linewidths=0.5)
# 绘制colorbar
cax=plt.axes([0.05, 0.33, 0.02, 0.3])
plt.title('Data count')
plt.sca(ax)
# 绘制OD
od_gdf.plot(ax = ax,column = 'count',cmap = 'Blues_r',linewidth = 0.5,vmax = 10,cax = cax,legend = True)
# 添加比例尺和指北针
tbd.plotscale(ax,bounds=bounds,textsize=10,compasssize=1,accuracy=2000,rect = [0.06,0.03],zorder = 10)
plt.axis('off')
plt.xlim(bounds[0],bounds[2])
plt.ylim(bounds[1],bounds[3])
plt.show()

结果如图9所示：

▲ 图9 TransBigData绘制的栅格OD数据

同时，TransBigData包也提供了将OD直接聚合集计到区域间的方法：

# OD集计到区域
# 方法1：在不传入栅格化参数时，直接用经纬度匹配
od_gdf = tbd.odagg_shape(oddata,sz,round_accuracy=6)
# 方法2：传入栅格化参数时，程序会先栅格化后匹配以加快运算速度，数据量大时建议使用
od_gdf = tbd.odagg_shape(oddata,sz,params = params)
od_gdf.plot(column = 'count')

结果如图10所示：

▲图10 tbd集计的小区OD

加载地图底图并调整出图参数：

# 创建图框
import matplotlib.pyplot as plt
import plot_map
fig =plt.figure(1,(8,8),dpi=300)
ax =plt.subplot(111)
plt.sca(ax)
# 添加行政区划边界作为底图
sz.plot(ax = ax,edgecolor = (0,0,0,0),facecolor = (0,0,0,0.2),linewidths=0.5)
# 绘制colorbar
cax = plt.axes([0.05, 0.33, 0.02, 0.3])
plt.title('count')
plt.sca(ax)
# 绘制OD
od_gdf.plot(ax = ax,vmax = 100,column = 'count',cax = cax,cmap = 'autumn_r',linewidth = 1,legend = True)
# 添加比例尺和指北针
tbd.plotscale(ax,bounds = bounds,textsize = 10,compasssize = 1,accuracy = 2000,rect = [0.06,0.03],zorder = 10)
plt.axis('off')
plt.xlim(bounds[0],bounds[2])
plt.ylim(bounds[1],bounds[3])
plt.show()

结果如图11所示：

▲ 图11区域间OD可视化结果

5、交互可视化

在TransBigData中，我们可以对出租车数据使用简单的代码在jupyter notebook中快速进行交互可视化。这些可视化方法底层依托了keplergl包，可视化的结果不再是静态的图片，而是能够与鼠标响应交互的地图应用。

tbd.visualization_data方法可以实现数据分布的可视化，将数据传入该方法后，TransBigData会首先对数据点进行栅格集计，然后生成数据的栅格，并将数据量映射至颜色上。代码如下：

结果如图12所示：

# 可视化数据点分布
tbd.visualization_data(data,col = ['lon','lat'],accuracy=1000,height = 500)

▲ 图12数据分布的栅格可视化

对于出租车数据中所提取出的出行OD，也可使用tbd.visualization_od方法实现OD的弧线可视化。该方法也会对OD数据进行栅格聚合集计，生成OD弧线，并将不同大小的OD出行量映射至不同颜色。代码如下：

# 可视化数据点分布
tbd.visualization_od(oddata,accuracy=2000,height = 500)

结果如图13所示：

▲ 图13 OD分布的弧线可视化

对个体级的连续追踪数据，tbd.visualization_trip方法可以将数据点处理为带有时间戳的轨迹信息并动态地展示，代码如下：

# 动态可视化轨迹
tbd.visualization_trip(data,col = ['lon','lat','VehicleNum','time'],height = 500)

结果图14所示。点击其中的播放键，可以看到出租车运行的动态轨迹效果。

Das obige ist der detaillierte Inhalt vonCool, Python realisiert die Visualisierung von Verkehrsdaten!. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!