当前位置： 首页 > news >正文

第7章：网络分析与可达性评估

news 2025/11/16 11:18:20

7.1 引言：把“路网”变成可计算的图

网络分析把道路等线性要素转换为图（节点/边），用“成本”来度量出行（距离、时间、费用）。本章在原有基础上扩展：构建多模式（步行/驾车/骑行）可达性比较、生成等时圈服务区、计算 OD 旅行时间矩阵，并给出工程化与质量清单，满足更高的深度与行数要求。

7.2 学习目标

  • 理解路网图建模与权重设置，掌握最短路径与服务区（等时圈）
  • 能进行多模式可达性比较并输出指标（覆盖人口、平均时间、面积比例）
  • 会构建 OD 旅行时间矩阵，支持选址评估与公平性分析
  • 掌握工程化实践（数据质量、缓存/索引、参数记录）与 QA 检查

7.3 先修要求

  • 熟悉矢量数据与坐标系；理解节点/边的图结构
  • 具备 osmnx/networkx 基础；了解 geopandas 与制图表达

7.4 方法与流程（Mermaid）

flowchart LRA[输入：OSM道路/模式参数/设施点] --> B[构建图与权重]B --> C[最短路径/等时圈服务区]C --> D[OD 矩阵与可达性指标]D --> E[可视化与导出]E --> F[质量检查与说明文档]

7.5 核心概念与工程要点

  • 图构建：节点为路口，边为路段；方向性/单行/转弯约束决定路径合法性
  • 权重选择：驾车用 travel_time，步行/骑行可用距离或估计速度；统一单位（秒/米）
  • 算法选择：Dijkstra（非负权重最短路径）、A*（启发式加速）、CH（收缩层级，适合大路网）
  • 服务区构面：基于可达节点集合生成面（alpha-shape/栅格等值）；凸包仅为近似
  • 数据质量：断裂与孤岛、缺失限速、单行与转向限制；需预处理或明确边界假设

7.6 代码示例一：驾车模式等时圈（10/20/30分钟）

import osmnx as ox
import networkx as nx
import geopandas as gpd
from shapely.geometry import Pointplace = "Shanghai, China"
G = ox.graph_from_place(place, network_type="drive")
G = ox.add_edge_speeds(G)
G = ox.add_edge_travel_times(G)origin_latlon = (31.2304, 121.4737)  # 上海中心（示意）
origin_node = ox.distance.nearest_nodes(G, origin_latlon[1], origin_latlon[0])lengths = nx.single_source_dijkstra_path_length(G, origin_node, weight="travel_time")
thresholds = [10*60, 20*60, 30*60]  # 秒# 收集各阈值下的可达节点坐标
nodes_df = gpd.GeoDataFrame({"node": list(lengths.keys())},geometry=[Point((G.nodes[n]["x"], G.nodes[n]["y"])) for n in lengths.keys()],crs="EPSG:4326"
).to_crs(epsg=3857)iso_polys = []
for t in thresholds:pts = nodes_df[nodes_df["node"].isin([n for n, tt in lengths.items() if tt <= t])].geometryif len(pts) >= 3:poly = gpd.GeoSeries(pts).unary_union.convex_hulliso_polys.append({"threshold_s": t, "geometry": poly})iso_gdf = gpd.GeoDataFrame(iso_polys, crs="EPSG:3857")
iso_gdf.to_file("outputs/drive_isochrones_10_20_30min.geojson", driver="GeoJSON")

说明：凸包会“鼓包”覆盖范围，适合初步可视化。更准确的服务区边界可使用 alpha-shape 或基于栅格的等值面方法。

7.7 代码示例二：多模式可达性比较（步行 vs 驾车）

import osmnx as ox
import networkx as nx
import geopandas as gpdplace = "Shanghai, China"
origin_latlon = (31.2304, 121.4737)# 步行网络（按距离近似时间，速度 ~ 4.5 km/h）
Gw = ox.graph_from_place(place, network_type="walk")
for u, v, d in Gw.edges(data=True):d["travel_time"] = d.get("length", 0) / (4.5 * 1000 / 3600)  # 秒
origin_w = ox.distance.nearest_nodes(Gw, origin_latlon[1], origin_latlon[0])
len_w = nx.single_source_dijkstra_path_length(Gw, origin_w, weight="travel_time")# 驾车网络（使用限速计算时间）
Gd = ox.graph_from_place(place, network_type="drive")
Gd = ox.add_edge_speeds(Gd)
Gd = ox.add_edge_travel_times(Gd)
origin_d = ox.distance.nearest_nodes(Gd, origin_latlon[1], origin_latlon[0])
len_d = nx.single_source_dijkstra_path_length(Gd, origin_d, weight="travel_time")# 10分钟等时圈面积比较
def isochrone_area(lengths, G):gdf = gpd.GeoDataFrame({"node": list(lengths.keys())},geometry=[gpd.points_from_xy([G.nodes[n]["x"]], [G.nodes[n]["y"]])[0] for n in lengths.keys()],crs="EPSG:4326").to_crs(epsg=3857)pts = gdf[gdf["node"].isin([n for n, tt in lengths.items() if tt <= 10*60])].geometryif len(pts) < 3:return 0.0return float(gpd.GeoSeries(pts).unary_union.convex_hull.area)area_walk = isochrone_area(len_w, Gw)
area_drive = isochrone_area(len_d, Gd)metrics = gpd.GeoDataFrame([{"mode": "walk", "area_m2": area_walk},{"mode": "drive", "area_m2": area_drive}
])
metrics.to_file("outputs/mode_accessibility_area_10min.geojson", driver="GeoJSON")

说明：步行与驾车可达范围差异明显；在报告中解释速度假设与道路限制（单行/转向）对结果的影响。

7.8 代码示例三：OD 旅行时间矩阵（小规模）

import osmnx as ox
import networkx as nx
import geopandas as gpdplace = "Shanghai, China"
G = ox.graph_from_place(place, network_type="drive")
G = ox.add_edge_speeds(G)
G = ox.add_edge_travel_times(G)# 示例：3 个起点与 3 个终点（经纬度）
origins = [(31.23,121.47),(31.21,121.44),(31.25,121.50)]
targets = [(31.22,121.45),(31.26,121.46),(31.20,121.52)]origin_nodes = [ox.distance.nearest_nodes(G, lon, lat) for lat, lon in origins]
target_nodes = [ox.distance.nearest_nodes(G, lon, lat) for lat, lon in targets]rows = []
for oi, o in enumerate(origin_nodes):lengths = nx.single_source_dijkstra_path_length(G, o, weight="travel_time")for tj, t in enumerate(target_nodes):rows.append({"origin": oi, "target": tj, "tt_seconds": float(lengths.get(t, float("inf")))})mat = gpd.GeoDataFrame(rows)
mat.to_file("outputs/od_travel_time_matrix_3x3.geojson", driver="GeoJSON")

提示：中大规模 OD 建议采用批处理与缓存路径树，或使用 OSRM/pgRouting 等专用引擎。

7.9 性能与工程实践

  • 缓存与复用：图与权重构建成本高，缓存 GraphML 与权重映射；复用最短路径树
  • 范围裁剪：先裁剪研究区道路，减少无关节点与边，提高计算效率
  • 算法加速：选择 A*/CH；对超大图使用专用路由引擎（OSRM/Valhalla/pgRouting）
  • 参数记录：速度假设、限制规则、网络版本与时间，写入元数据便于复审
  • 与人口叠加：将等时圈与人口栅格做分区统计，输出覆盖人口与密度指标

7.10 质量检查清单（QA）

  • 权重单位是否统一（秒/米）；限速是否合理；单行/转向是否生效
  • 图是否连通；是否存在孤岛或断裂；关键区域是否可达
  • 服务区构面方法是否说明；是否与真实道路形态一致
  • OD 结果是否合理（样本抽查与可视化路径核对）
  • 输出是否包含必要元数据：模式、速度假设、网络版本、时间戳

7.11 常见错误与排障

  • 成本字段未统一；单位混乱 → 统一单位并在元数据中标注
  • 路网断裂；孤立节点 → 预处理修复，裁剪研究区并检查连通性
  • 服务区边界过粗 → 换用 alpha-shape/栅格等值构面；提高点密度
  • 过度简化或误导 → 在说明中界定边界（未考虑拥堵/红绿灯等），避免误解

7.12 延伸阅读与资源

  • OSRM、Valhalla、pgRouting 文档；交通可达性与公平性研究综述
  • OSMnx/NetworkX 指南；等时圈构面方法（alpha-shape、栅格等值）

7.14 公共交通（GTFS）换乘成本建模（最小示例）

本小节基于最小 GTFS 样例（位于 gis_examples/datasets/gtfs_minimal/），展示如何将 GTFS 时间表构造成图，近似考虑换乘惩罚与乘车时间，计算从起点站到终点站的最短时间路径。

数据文件：stops.txt、routes.txt、trips.txt、stop_times.txt、calendar.txt

核心思路：

  • 站点作为图节点（stop_id）
  • 同一 trip 的相邻停靠构成“乘车边”，权重为时间差（秒）
  • 同一站点不同 trip 之间加入“换乘边”，权重为固定惩罚（例如 300 秒）
  • 使用 Dijkstra 在“乘车+换乘”合成图上求最短时间路径
import pandas as pd
import networkx as nxgtfs_dir = "gis_examples/datasets/gtfs_minimal/"
stops = pd.read_csv(gtfs_dir + "stops.txt")
trips = pd.read_csv(gtfs_dir + "trips.txt")
stop_times = pd.read_csv(gtfs_dir + "stop_times.txt")def hhmm_to_seconds(t):h, m, s = map(int, t.split(":"))return h*3600 + m*60 + s# 构建图：节点为 stop_id
G = nx.DiGraph()
for _, row in stops.iterrows():G.add_node(row["stop_id"], name=row["stop_name"])  # 可加入坐标辅助可视化# 乘车边：同一trip相邻stop，以时间差为权重
for trip_id, group in stop_times.groupby("trip_id"):grp = group.sort_values("stop_sequence")for i in range(len(grp)-1):a = grp.iloc[i]b = grp.iloc[i+1]dt = hhmm_to_seconds(b["arrival_time"]) - hhmm_to_seconds(a["departure_time"])if dt < 0:  # 跨日情况可按需处理continueG.add_edge(a["stop_id"], b["stop_id"], weight=float(dt), kind="ride", trip_id=trip_id)# 换乘边：同站点不同trip之间给定固定惩罚（此最小样例只有一条trip，演示用）
TRANSFER_PENALTY = 300.0  # 5分钟
stop_to_trips = stop_times.groupby("stop_id")["trip_id"].unique()
for stop_id, trips_at_stop in stop_to_trips.items():trips_at_stop = list(trips_at_stop)for i in range(len(trips_at_stop)):for j in range(i+1, len(trips_at_stop)):# 在相同stop上通过“虚拟换乘”边体现换乘成本G.add_edge(stop_id, stop_id, weight=TRANSFER_PENALTY, kind="transfer",from_trip=trips_at_stop[i], to_trip=trips_at_stop[j])# 计算最短时间：从 S1 到 S3
path = nx.shortest_path(G, source="S1", target="S3", weight="weight")
cost = nx.shortest_path_length(G, source="S1", target="S3", weight="weight")
print("best path:", path)
print("travel time (seconds):", cost)

说明与局限：

  • 以上示例为静态近似（未处理具体出发时刻与等待时间），适用于入门演示。
  • 若考虑“出发时间”“班次等待”“真实换乘”，需构建时间依赖图（节点扩展到 (stop_id, time) 或使用 RAPTOR/CSA 算法），或采用 OSRM/Valhalla 的 Transit 扩展。

流程图（GTFS 最小示例）

flowchart TDA[输入：GTFS stops/trips/stop_times] --> B[构建节点：stop_id]B --> C[乘车边：同一trip相邻stop\n权重=到达-发车秒差]B --> D[换乘边：同站点不同trip\n权重=固定惩罚]C --> E[合成图]D --> EE --> F[最短时间路径 Dijkstra\nsource=S1,target=S3]F --> G[输出：路径+耗时秒数]

7.15 等时圈构面方法对比：alpha-shape vs 栅格/线缓冲

在服务区构面环节，常见做法包括：

  • alpha-shape（凹多边形）：从可达节点散点生成更贴合道路形态的面；需 alphashape 库。
  • 线缓冲合并（近似栅格化效果）：对可达子图的边做缓冲并融合，形成连通的面。

示例：基于前文的 lengths 与子图，生成两类面并对比面积与形态。

import geopandas as gpd
from shapely.geometry import Point# 假设已有：G 图、origin_node、lengths（到各节点的 travel_time）
nodes_df = gpd.GeoDataFrame({"node": list(lengths.keys())},geometry=[Point((G.nodes[n]["x"], G.nodes[n]["y"])) for n in lengths.keys()],crs="EPSG:4326"
).to_crs(epsg=3857)reachable = nodes_df[nodes_df["node"].isin([n for n, tt in lengths.items() if tt <= 15*60])]  # 15分钟# 方法A：alpha-shape（若不可用则退化为凸包）
try:import alphashapealpha_poly = alphashape.alphashape(list(reachable.geometry.apply(lambda g: (g.x, g.y))), alpha=20)
except Exception:alpha_poly = gpd.GeoSeries(reachable.geometry).unary_union.convex_hull# 方法B：线缓冲合并（边转面）
subnodes = {n for n, tt in lengths.items() if tt <= 15*60}
subgraph = G.subgraph(subnodes)
edges = ox.utils_graph.graph_to_gdfs(subgraph, nodes=False)
buffer_poly = edges.buffer(12).unary_union  # 缓冲半径根据数据单位与期望精度调整out_alpha = gpd.GeoDataFrame({"method": ["alpha_shape"], "geometry": [alpha_poly]}, crs="EPSG:3857")
out_buffer = gpd.GeoDataFrame({"method": ["line_buffer"], "geometry": [buffer_poly]}, crs="EPSG:3857")
out_alpha.to_file("outputs/iso_alpha_15min.geojson", driver="GeoJSON")
out_buffer.to_file("outputs/iso_linebuffer_15min.geojson", driver="GeoJSON")

对比要点：

  • alpha-shape更贴合散点边界，适合道路稠密、节点分布均衡的区域；参数 alpha 需试调。
  • 线缓冲在道路稀疏时更稳健，但边界较“胖”；缓冲半径需与道路精度匹配。

流程图（等时圈构面方法对比）

flowchart LRA[输入：路网图G/起点/阈值t] --> B[Dijkstra：可达节点\ntravel_time≤t]B --> C[方法A：alpha-shape\n参数alpha]B --> D[方法B：线缓冲\n边缓冲半径buffer]C --> E[输出：iso_alpha_t.geojson]D --> F[输出：iso_linebuffer_t.geojson]E --> G[对比：面积与形态]F --> G

7.16 公平性对比案例：弱势群体覆盖率

使用可复现样例数据：gis_examples/datasets/population_grid_sample.geojson 与 gis_examples/datasets/facilities_sample.geojson，计算 15 分钟服务区内的覆盖人口与弱势群体覆盖比例。

import geopandas as gpdpop = gpd.read_file("gis_examples/datasets/population_grid_sample.geojson").to_crs(epsg=3857)
fac = gpd.read_file("gis_examples/datasets/facilities_sample.geojson").to_crs(epsg=3857)# 以第一个设施为中心生成 15 分钟服务区（可复用前文 line_buffer 方法）
center_node = ox.distance.nearest_nodes(G, fac.geometry.iloc[0].x, fac.geometry.iloc[0].y)
subnodes = {n for n, tt in nx.single_source_dijkstra_path_length(G, center_node, weight="travel_time").items() if tt <= 15*60}
subgraph = G.subgraph(subnodes)
edges = ox.utils_graph.graph_to_gdfs(subgraph, nodes=False)
iso_poly = edges.buffer(12).unary_union
iso_gdf = gpd.GeoDataFrame({"fid": [int(fac.iloc[0].fid)]}, geometry=[iso_poly], crs=pop.crs)# 与人口网格叠加，统计覆盖与公平性指标
covered = gpd.overlay(pop, iso_gdf, how="intersection")
covered["cell_area"] = covered.geometry.area
covered["covered_pop"] = covered["pop"]  # 简化：假定网格人口均匀分布，叠加不做面积加权
covered["vulnerable_pop"] = covered["covered_pop"] * covered["vulnerable_ratio"]summary = {"total_pop": float(pop["pop"].sum()),"covered_pop": float(covered["covered_pop"].sum()),"covered_rate": float(covered["covered_pop"].sum() / pop["pop"].sum()),"vulnerable_pop": float(covered["vulnerable_pop"].sum()),"vulnerable_share_in_covered": float(covered["vulnerable_pop"].sum() / max(covered["covered_pop"].sum(), 1.0))
}
print(summary)

报告撰写提示：

  • 明确“弱势群体”的定义与测度（例如老年人、低收入人口比例）。
  • 若网格人口需面积加权，请根据交叠面积按比例分配人口（避免高估）。
  • 对比不同设施或模式（步行/驾车/公交）的覆盖与公平性差异，提出改善建议。

流程图（公平性覆盖统计）

flowchart TDA[输入：人口网格/设施点/路网G/阈值t] --> B[各设施服务面：可达子图→线缓冲]B --> C[合并服务面：union]C --> D[叠加人口网格：intersection]D --> E[面积权重：overlap/total→area_fraction]E --> F[覆盖人口：pop×area_fraction]F --> G[弱势人口：覆盖人口×vulnerable_ratio]G --> H[汇总指标：covered_rate/vulnerable_share]H --> I[输出：covered_grids.geojson/fairness_summary.json]

7.17 安装与运行指南（一键执行示例）

为便于直接复现本章示例，仓库中提供了一键脚本与示例数据。

环境与依赖

  • 建议 Python 3.9+，虚拟环境安装依赖：
pip install osmnx networkx geopandas alphashape pandas
  • 若 geopandas/shapely 安装困难，建议使用 conda：
conda install -c conda-forge geopandas osmnx networkx pandas alphashape

数据位置

  • gis_examples/datasets/population_grid_sample.geojson（人口网格，含弱势群体比例）
  • gis_examples/datasets/facilities_sample.geojson（设施点示例）
  • gis_examples/datasets/gtfs_minimal/（最小 GTFS：stops.txt、routes.txt、calendar.txt、trips.txt、stop_times.txt）

一键脚本与运行

  • 脚本路径：gis_examples/modules/run_ch7_examples.py
  • 基础运行（默认研究区为 Shanghai, China）：
python gis_examples/modules/run_ch7_examples.py

  • 可选参数（CLI）：

    • --place 研究区名称（默认：Shanghai, China）
    • --modes 构图模式，逗号分隔（默认：drive,walk,bike）
    • --thresholds 等时圈分钟阈值列表，逗号分隔（默认：10,20,30）
    • --buffer 服务区线缓冲半径（米，默认：12.0）
    • --compare_threshold 方法对比的分钟阈值（默认：15）
    • --alpha alpha-shape 参数（默认：20.0）
    • --fairness_minutes 公平性统计的分钟阈值（默认：15）
    • --skip_gtfs 跳过 GTFS 最小示例

  • 示例：更换研究区与参数（杭州，步行+骑行，10/20 分钟，缓冲 20m，alpha=25，公平性 20 分钟）：

python gis_examples/modules/run_ch7_examples.py \--place "Hangzhou, China" \--modes walk,bike \--thresholds 10,20 \--buffer 20 \--compare_threshold 15 \--alpha 25 \--fairness_minutes 20 \--skip_gtfs

流程图（一键脚本整体流程）

flowchart TDA[输入：研究区place/模式modes/阈值thresholds] --> B[下载OSM并构图：osmnx]B --> C[多阈值等时圈：drive/walk/bike]C --> D[方法对比：alpha-shape vs 线缓冲]D --> E[公平性统计：服务面∩人口网格\\n面积加权→汇总]E --> F[模式面积对比：10分钟步行/骑行/驾车]A --> G{是否执行GTFS示例?}G -- 是 --> H[构建最小Transit图\\n最短时间路径]H --> I[输出：gtfs_minimal_result.json]G -- 否 --> J[跳过]C --> K[输出：isochrones_*\.geojson]D --> L[输出：iso_alpha_*\.geojson/iso_linebuffer_*\.geojson]E --> M[输出：covered_grids.geojson/fairness_summary.json]F --> N[输出：iso_*_10min.geojson+面积对比]

输出内容（默认写入仓库根目录 outputs/）

  • isochrones_10_20_30min.geojson：多阈值等时圈服务面（默认 10/20/30 分钟）
  • iso_alpha_15min.geojson / iso_linebuffer_15min.geojson：15 分钟方法对比（alpha-shape vs 线缓冲）
  • iso_walk_10min.geojson / iso_bike_10min.geojson / iso_drive_10min.geojson：10 分钟步行/骑行/驾车服务面与面积对比
  • covered_grids.geojson：服务面覆盖的人口网格（含面积加权分配）
  • fairness_summary.json：覆盖人口与弱势群体统计汇总（面积权重）
  • gtfs_minimal_result.json：最小 GTFS 的最短路径及耗时（若未跳过）

注意事项

  • 首次运行需联网下载 OSM 数据；建议收敛研究区以提升构图与计算速度。
  • alpha-shape 不可用时会回退为凸包；可调 --alpha 获取更平滑边界。
  • 公平性统计示例已采用交叠面积加权；实际项目可进一步叠加人口密度或分组权重。
  • 计算距离/面积需在投影坐标系（脚本内部已统一到 EPSG:3857）；若自定义数据请注意坐标一致性。

7.18 本章总结

你已完成路网建模与可达性评估：生成等时圈服务区、比较多模式的覆盖差异、计算小规模 OD 旅行时间矩阵，并形成质量清单与工程化说明。将这些结果与人口或设施分布叠加，能支撑选址、公平性与规划评估的可解释分析。

http://www.dtcms.com/a/609686.html

相关文章：

  • 电子电气架构 -- bus off的机理和处理机制
  • leetcode 2536
  • OpenAI与百度同日竞速，文心5.0以原生全模态重新定义AI理解力
  • 【高级机器学习】 12. 强化学习,Q-learning, DQN
  • 网站怎么做视频的软件泰安有什么互联网公司
  • uniapp h5 app 小程序获取当前定位
  • 重庆潼南网站建设哪家好沈阳市建设工程安全监督站网站
  • [特殊字符] 嵌入式音频接口全景图解：I2S、TDM、PDM、SPDIF、AC’97 与 PCM 的关系
  • 从 API 到应用：用 Rust 和 SQLx 为 Axum 服务添加持久化数据库
  • 【高级机器学习】 9. 代理损失函数的鲁棒性
  • 测试之测试用例篇
  • 做网站优化推广的好处网站界面设计实验报告
  • 自建node云函数服务器
  • TRO侵权预警｜Lauren动物插画发起维权
  • Rust实战：使用Axum和SQLx构建高性能RESTful API
  • 波动率曲面分解法在期货价差套利策略中的应用研究
  • 泌阳县住房建设局网站网站seo排名优化工具在线
  • 电子商务网站建设课北京建设网官方网站
  • vr大空间体验馆，vr大空间是什么意思啊？
  • Node.js实现WebSocket教程
  • 朝阳区搜索优化seosem百度seo关键词排名优化工具
  • C++初阶
  • NFS：K8s集群的跨主机存储方案
  • 动态设计网站制作wordpress
  • 短临 Nowcast 在分布式光伏的落地：分钟级降水与云量对 Irradiance 的影响（工程版）
  • linux centos 防火墙操作命令
  • 破解行业绿电直供痛点：直连架构适配关键技术解析
  • token无感刷新全流程
  • MySQL 数据增删改查
  • 浏阳做网站的公司价格网站设计步骤详解