目錄

• 一、卡口數(shù)據(jù)簡介
• 二、路段基本圖

一、卡口數(shù)據(jù)簡介

數(shù)據(jù)名稱含義

DEVICEID	設(shè)備ID
TRAVELID	車輛ID，可分辨車輛
hpzl	車輛類型，1表示大型車，2表示小汽車
SJ	時(shí)間
LANEID	車道編號，較長編號表示該位置處于上下游車道過渡區(qū)域，無劃線；-1表示由于技術(shù)原因?qū)е碌臒o效計(jì)數(shù)，可忽略該檢測值
LANNUM	車道數(shù)
SPEED	瞬時(shí)車速
TURN	車道方向信息，LSR分別表示左直右及其組合，LU和RU分別表示左掉頭和右掉頭，LC表示上下游車道連接過渡段，表明此斷面包含車道變化區(qū)域
FTNODE	起始節(jié)點(diǎn)

卡口布設(shè)簡圖

二、路段基本圖

繪出東進(jìn)口道（下游檢測器編號504，上游檢測器編號508）的路段基本圖，與斷面基本圖對比。

交通流特性（流速密）在斷面、路段上的區(qū)別
利用卡口數(shù)據(jù)繪制斷面基本圖——Python交通數(shù)據(jù)分析

import numpy as np import pandas as pd from pandas import DataFrame from numpy import * import scipy from scipy import stats import matplotlib.pyplot as plt from matplotlib.font_manager import FontProperties import matplotlib.dates as mdate import timekk_data = pd.read_csv('data/kk_data/kk.csv') kk_data['SJ'] = pd.to_datetime(kk_data['SJ']) kk_data['TRAVELID'] = kk_data['TRAVELID'].astype(str) # 轉(zhuǎn)化為字符串kk_data_504 = kk_data[kk_data['DEVICEID'] == 504].copy() kk_data_504 = kk_data_504.sort_values(by = 'SJ') kk_data_504.rename(columns={'SJ':'OUT_SJ'},inplace=True) # 重命名kk_data_508 = kk_data[kk_data['DEVICEID']==508].copy() kk_data_508 = kk_data_508.sort_values(by = 'SJ') kk_data_508.rename(columns={'SJ':'IN_SJ'},inplace=True)data_merge = pd.merge(kk_data_508,kk_data_504,on='TRAVELID',how='inner') data_merge['time'] = data_merge['OUT_SJ'] - data_merge['IN_SJ']#清洗數(shù)據(jù)，有的時(shí)間過短，有的時(shí)間過長，還有的進(jìn)口道時(shí)間晚于出口道時(shí)間 wrong_data = data_merge[(data_merge['time'] < pd.Timedelta(seconds=5)) | (data_merge['time'] >= pd.Timedelta(minutes=3))] wrong_data_TRAVELID = wrong_data['TRAVELID'].tolist() for i in wrong_data_TRAVELID:kk_data_508 = kk_data_508[kk_data_508['TRAVELID']!=i]kk_data_504 = kk_data_504[kk_data_504['TRAVELID']!=i] data_merge = data_merge[(data_merge['time'] > pd.Timedelta(seconds=5)) & (data_merge['time'] <= pd.Timedelta(minutes=3))]kk_data_508 = kk_data_508.reset_index() # 清洗了時(shí)間異常的數(shù)據(jù)之后，索引會出現(xiàn)問題，需要重新設(shè)定索引 kk_data_504 = kk_data_504.reset_index() data_merge = data_merge.reset_index()# 進(jìn)口道下游數(shù)據(jù)遠(yuǎn)多于進(jìn)口道上游數(shù)據(jù)，不合理，需要對上下游的數(shù)據(jù)進(jìn)行再次清洗 data_merge_TRAVELID = data_merge['TRAVELID'].tolist()labels_list = [] # 避免清洗在路段上的原始車輛,從第六輛車開始遍歷 for i in range(5,len(kk_data_504)):ID = kk_data_504['TRAVELID'].iloc[i]if ID not in data_merge_TRAVELID:labels_list.append(i) kk_data_504.drop(labels=labels_list,axis=0,inplace=True) kk_data_504 = kk_data_504.reset_index()# 避免刪除在最后時(shí)刻進(jìn)入路段的車輛，最后十輛車不遍歷 labels_list = [] for i in range(0, (len(kk_data_508) - 10)):ID = kk_data_508['TRAVELID'].iloc[i]if ID not in data_merge_TRAVELID:labels_list.append(i) kk_data_508.drop(labels=labels_list,axis=0,inplace=True) kk_data_508 = kk_data_508.reset_index()# 計(jì)算每輛車的速度 time = data_merge['time'] sec = [] V = [] for i in range(0,len(time),1):sec.append(time[i].seconds)V.append((300/time[i].seconds)*3.6) data_merge['sec'] = sec data_merge['V'] = V# 路段基本圖 # 出入量法，統(tǒng)計(jì)每一分鐘路段上的車輛數(shù) # 結(jié)合處理過后的數(shù)據(jù)與原始進(jìn)出口數(shù)據(jù)，原始車輛數(shù)E=2 E = 2 K = [] Q = [] time = pd.datetime(2019,7,9,6,0) while(time < pd.datetime(2019,7,9,10,0)):data_IN = kk_data_508[(kk_data_508['IN_SJ']>=time) & (kk_data_508['IN_SJ']<(time+pd.Timedelta(minutes=1)))].copy()data_OUT = kk_data_504[(kk_data_504['OUT_SJ']>=time) & (kk_data_504['OUT_SJ']<(time+pd.Timedelta(minutes=1)))].copy()data_V = data_merge[(data_merge['OUT_SJ']>(time+pd.Timedelta(minutes=1))) & (data_merge['IN_SJ']<=(time+pd.Timedelta(minutes=1)))].copy()count = len(data_IN) - len(data_OUT)E = E + countV_mean = data_V['V'].mean()K.append(E / (2 * 0.3)) # 輛/(千米*車道)Q.append(V_mean * (E / (2 * 0.3))) # Q=K*Vtime = time + pd.Timedelta(minutes=1)# 斷面基本圖 def kk(kk_data):kk_data['1/SPEED'] = 1 / kk_data['SPEED']kk_data_group = kk_data.groupby(['DEVICEID',pd.Grouper(key='IN_SJ',freq='5min')])kk_data_flow = kk_data_group['DEVICEID'].count()kk_data_flow = kk_data_flow * 12 # 在交通測量平臺的顯示中，東進(jìn)口上游的車道數(shù)為1，但在數(shù)據(jù)中，車道數(shù)為2，此處設(shè)定為1kk_data_speed = 1 / (kk_data_group['1/SPEED'].mean())return kk_data_flow,kk_data_speed kk_flow,kk_speed = kk(kk_data_508) kk_density = kk_flow / kk_speedplt.xlabel('K: veh/km/lane') plt.ylabel('Q: veh/h/lane', rotation=360, horizontalalignment='right', verticalalignment='center') plt.scatter(K,Q) plt.scatter(kk_density,kk_flow) plt.legend(['Road','Section']) # Road路段，Section斷面 plt.show()

注意，東進(jìn)口道可能并不是一條封閉的路段，才需要清洗這么多數(shù)據(jù)
水平有限，僅供參考，有錯誤請指出

總結(jié)

以上是生活随笔為你收集整理的利用卡口数据绘制路段基本图（出入量法）——Python交通数据分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。