中英文网站案例重庆网上商城网站建设公司

当前位置： 首页 > news >正文

中英文网站案例,重庆网上商城网站建设公司,做网站打广告,wordpress 模拟word随着城市化进程的加快#xff0c;交通拥堵问题日益严重#xff0c;成为影响城市居民生活质量的重要因素之一。为了科学评估和管理交通拥堵#xff0c;各种交通拥堵指数应运而生。其中#xff0c;高德地图提供的“拥堵延时指数”因其数据丰富、实时性强和应用广泛而备受关注…随着城市化进程的加快交通拥堵问题日益严重成为影响城市居民生活质量的重要因素之一。为了科学评估和管理交通拥堵各种交通拥堵指数应运而生。其中高德地图提供的“拥堵延时指数”因其数据丰富、实时性强和应用广泛而备受关注。本篇文章我们将视角聚焦于高德拥堵延时指数的定义、计算方法、应用场景以及其在城市交通管理中的重要作用。 高德地图交通大数据链接上海 城市实时交通详情

1. 高德拥堵延时指数的定义 高德拥堵延时指数Traffic Congestion Delay Index, TCDI是一种衡量城市交通拥堵程度的综合指标。它通过比较实际行车时间和自由流状态下的行车时间来量化交通拥堵的程度。具体来说拥堵延时指数反映了在拥堵状态下车辆通过某路段所需的时间相对于自由流状态下所需时间的增加比例。
2. 高德拥堵延时指数的计算方法 高德拥堵延时指数的计算公式如下 拥堵延时指数实际旅行时间与自由流(畅通)状态下旅行时间的比值 实际行驶时间Actual Travel Time, TaTa​在实际交通条件下车辆通过某路段所需的时间。自由流行驶时间Free Flow Travel Time, TfTf​在无交通干扰的情况下车辆通过该路段所需的时间。 例如假设某路段的自由流行驶时间为10分钟实际行驶时间为20分钟则拥堵延时指数为 拥堵延时指数20/102.0 这意味着在拥堵状态下车辆通过该路段所需的时间是自由流状态下所需时间的2倍。
3. 高德拥堵延时指数的分级标准 为了更直观地理解和应用拥堵延时指数高德地图将其分为几个等级 1.0 - 1.4畅通1.5 - 1.9缓行2.0 - 3.9拥堵4.0 以上严重拥堵 其他指标释义可参考高德发布的2023年度中国主要城市交通分析报告附录A名词解释部分 2023年度中国主要城市交通分析报告 先讲一下方法思路一共三个步骤 方法思路 通过高德驾车路径规划查询路段的通行时间、速度等指标允许计算多条道路每5分钟记录一次数据输出csv的结果表 高德驾车路径规划的个人开发者账号的日配额5000次/日 高德的拥堵延时指数则是每5分钟自动刷新我们可以通过驾车规划来计算路段的拥堵延时指数理论上我们可以实现对一条或者多条道路的全天监测这取决于我们账号的额度基于这个思路我们就阔以通过python脚本来实现自动化的流程 我们来基于图示来猜测一下计算逻辑就是计算通过计算该段路的实际旅行时间与自由流(畅通)状态下旅行时间的比值来得到的数值那我们只要把驾车路径调整成需要观测道路的行驶路径即可监测该条路的拥堵延时指数和平均速度这些指标 完整代码#运行环境Python 3.11 import requests import json import math import time import csv import os import pandas as pd import matplotlib.pyplot as plt import geopandas as gpd from shapely.geometry import Point, LineString# 设置中文支持 plt.rcParams[font.sans-serif] [SimHei] # 用来正常显示中文标签 plt.rcParams[axes.unicode_minus] False # 用来正常显示负号# 常量定义 pi 3.14159265358979324 ee 0.00669342162296594323 a 6378245.0def out_of_china(lng, lat):判断是否在国内不在国内不做偏移:param lng: 经度:param lat: 纬度:return: 是否在国内return not (73.66 lng 135.05 and 3.86 lat 53.55)def transformlat(lng, lat):ret -100.0 2.0 * lng 3.0 * lat 0.2 * lat * lat 0.1 * lng * lat 0.2 * math.sqrt(math.fabs(lng))ret (20.0 * math.sin(6.0 * lng * pi) 20.0 * math.sin(2.0 * lng * pi)) * 2.0 / 3.0ret (20.0 * math.sin(lat * pi) 40.0 * math.sin(lat / 3.0 * pi)) * 2.0 / 3.0ret (160.0 * math.sin(lat / 12.0 * pi) 320 * math.sin(lat * pi / 30.0)) * 2.0 / 3.0return retdef transformlng(lng, lat):ret 300.0 lng 2.0 * lat 0.1 * lng * lng 0.1 * lng * lat 0.1 * math.sqrt(math.fabs(lng))ret (20.0 * math.sin(6.0 * lng * pi) 20.0 * math.sin(2.0 * lng * pi)) * 2.0 / 3.0ret (20.0 * math.sin(lng * pi) 40.0 * math.sin(lng / 3.0 * pi)) * 2.0 / 3.0ret (150.0 * math.sin(lng / 12.0 * pi) 300.0 * math.sin(lng / 30.0 * pi)) * 2.0 / 3.0return retdef gcj02towgs84(lng, lat):GCJ02(火星坐标系)转GPS84:param lng:火星坐标系的经度:param lat:火星坐标系纬度:return:if out_of_china(lng, lat):return lng, latdlat transformlat(lng - 105.0, lat - 35.0)dlng transformlng(lng - 105.0, lat - 35.0)radlat lat / 180.0 * pimagic math.sin(radlat)magic 1 - ee * magic * magicsqrtmagic math.sqrt(magic)dlat (dlat * 180.0) / ((a * (1 - ee)) / (magic * sqrtmagic) * pi)dlng (dlng * 180.0) / (a / sqrtmagic * math.cos(radlat) * pi)mglat lat dlatmglng lng dlngreturn [lng * 2 - mglng, lat * 2 - mglat]def coordinates©:lng, lat c.split(,)lng, lat float(lng), float(lat)wlng, wlat gcj02towgs84(lng, lat)return wlng, wlatdef driving_planning(api_key, routes):results []all_route_coordinates []for i, (from_location, to_location) in enumerate(routes):url https://restapi.amap.com/v3/direction/drivingparameters {key: api_key,origin: from_location,destination: to_location,strategy: 11,output: json}response requests.get(url, paramsparameters)data json.loads(response.text)if data[status] 1:route data[route]paths route[paths]if paths:path paths[0]distance int(path[distance]) / 1000 # 转换为公里duration int(path[duration]) / 60 # 转换为分钟steps path[steps]route_coordinates []for step in steps:polyline step[polyline]# 转换坐标coordinates_list [coordinates© for c in polyline.split(;)]route_coordinates.extend(coordinates_list)# 计算平均速度km/haverage_speed distance / (duration / 60)results.append({route: f路线 {i 1},总出行距离: distance,总出行时间: duration,平均速度: average_speed})print(f路线 {i 1}:)print(f 总出行距离: {distance:.2f}公里)print(f 总出行时间: {duration:.2f}分钟)print(f 平均速度: {average_speed:.2f}公里/小时)all_route_coordinates.append(route_coordinates)else:print(f未找到路径 {i 1})else:print(f路线规划失败 {i 1}: {data[info]})return results, all_route_coordinatesdef export_to_csv(results, filename):file_exists os.path.exists(filename)with open(filename, modea, newline, encodingANSI) as file:writer csv.writer(file)if not file_exists:writer.writerow([时间, 路线, 总出行距离(公里), 总出行时间(分钟), 平均速度(公里/小时)])current_time time.strftime(%Y-%m-%d %H:%M:%S, time.localtime())for result in results:writer.writerow([current_time, result[route], f{result[总出行距离]:.2f}, f{result[总出行时间]:.2f}, f{result[平均速度]:.2f}])def plot_routes(all_route_coordinates):fig, ax plt.subplots(figsize(10, 10))for i, route_coordinates in enumerate(all_route_coordinates):route_line LineString(route_coordinates)gdf gpd.GeoDataFrame(index[0], geometry[route_line])gdf.plot(axax, colorfC{i}, labelf路线 {i 1})ax.set_xlabel(经度)ax.set_ylabel(纬度)ax.legend()plt.title(路线规划图)plt.show()def main():api_key 你的key # 替换为你的高德地图API密钥# 定义多个起终点对routes [(121.535949,31.213957, 121.572702,31.215328), # 示例起终点(121.564392,31.204669, 121.557429,31.231008), # 示例起终点# 可以继续添加更多的起终点对]first_run True # 标志变量用于判断是否是第一次运行while True:results, all_route_coordinates driving_planning(api_key, routes)export_to_csv(results, 拥堵延时指数.csv)print(数据已导出到CSV文件)if first_run:plot_routes(all_route_coordinates)first_run False # 第一次运行后设置标志为Falsetime.sleep(300) # 每五分钟运行一次if name main:main()这里我们以上海的花木路和芳甸路作为研究对象 结果输出为csv的形式便于我们后续的计算与分析 这里主观界定凌晨的200-400点路段的通行时间均值作为自由流(畅通)状态下旅行时间基于此来计算的拥堵延时指数同时我们把监测时间延长到24小时那么我们就可以看到整条道路的早晚高峰分布情况平均道路运行速度等直观的路况数据 文章仅用于分享个人学习成果与个人存档之用分享知识如有侵权请联系作者进行删除。所有信息均基于作者的个人理解和经验不代表任何官方立场或权威解读。