ПАКЕТ OSMNX В PYTHON ДЛЯ РАБОТЫ С ТЕОРИЕЙ ГРАФОВ И УЛИЧНЫМИ СЕТЯМИ OPENSTREETMAP

Аннотация. Схемы, коэффициенты расстояний сети к прямолинейным расстояниям очень важны для изучения структуры улиц и эффективности перевозок. Схема является результатом сочетания циркуляционных сетей, планирования, которые лежат в основе её рельефа. В свою очередь, это влияет на то, как люди используют городское пространство. Хотя другие различные исследования изучали общую сеть улиц, но исследователи не рассматривали относительную сеть пешеходных и управляемых циркуляционных сетей. Для устранения этого разрыва в данном исследовании используются данные OpenStreetMap для изучения относительной сети. Мы скачали проходимые и пригодные для сетей города США, используя OSMnx программного обеспечения, которые мы используется для моделирования около двух миллионов маршрутов и анализа характеристики структуры сети. Сетевые схемы также существенно различаются между различными типами мест. Эти выводы подчеркивают ценность использования сетевых расстояний, а не прямолинейных расстояний при изучении городских поездок и доступа. Они также указывают на важность проведения различий между проходимыми и управляемыми циркуляционными сетями при моделировании и характеристике городских уличных сетей: хотя сети различных видов транспорта пересекаются в каждом конкретном городе, их относительная структура и эффективность различаются в большинстве городов.

Ключевые слова: уличная сеть, схемы, сетевой анализ, ГИС, OpenStreetMap, Python, OSMnx.

Вступление

Схемы, коэффициенты расстояний сети к прямолинейным расстояниям очень важны для изучения структуры улиц и эффективности перевозок. Схема является результатом сочетания циркуляционных сетей, планирования, которые лежат в основе её рельефа. В свою очередь, это влияет на то, как люди используют городское пространство. Хотя другие различные исследования изучали общую сеть улиц, но исследователи не рассматривали относительную сеть пешеходных и управляемых циркуляционных сетей. Для устранения этого разрыва в данном исследовании используются данные OpenStreetMap для изучения относительной сети. Мы скачали проходимые и пригодные для сетей города США, используя OSMnx программного обеспечения, которые мы используется для моделирования около двух миллионов маршрутов и анализа характеристики структуры сети. Сетевые схемы также существенно различаются между различными типами мест. Эти выводы подчеркивают ценность использования сетевых расстояний, а не прямолинейных расстояний при изучении городских поездок и доступа. Они также указывают на важность проведения различий между проходимыми и управляемыми циркуляционными сетями при моделировании и характеристике городских уличных сетей: хотя сети различных видов транспорта пересекаются в каждом конкретном городе, их относительная структура и эффективность различаются в большинстве городов.

Описание OSMnx

OSMnx - это пакет Python для загрузки данных уличной сети OpenStreetMap и последующего построения графов в NetworkX. OSMnx может упростить и исправить топологию сети автоматически, чтобы гарантировать эти узлы фактически представляют исключительно пересечения (перекрёстки) и тупики. Как только сеть построена и исправлена, OSMnx может вычислять кратчайшие пути от одного узла к другому. Он может также высчитать различные связанные параметры, касающиеся городского проектирования и транспорта, а также статистической физики, включая плотность пересечений, среднюю степень пересечения, плотность кромок, средняя длина улицы, схему, коэффициенты кластеризации и многое другого. Встроенные возможности визуализации позволяют использовать matplotlib для простого построения маршрутов учитывая улицу, тупики, на сколько высокая/низкая связность пересечений.

Методы

Для анализа уличных сетей используются инструменты сетевой науки и теории графов [7]. Сети (также называемый граф в математике) состоит из набора узлов, которые соединены друг с другом с помощью множества ребер. Ребра неориентированной сети указывают друг на друга в обоих направлениях, но ребра направленной сети являются односторонними, от исходного узла к узлу назначения. Мультиграфы позволяют использовать несколько ребер между заданной парой узлов сети. Плоская сеть может быть представлена в двух измерениях с ребрами, пересекающимися только в узлах, в противном случае она не является плоской. Уличные сети являются непланарными из-за мостов и подземных переходов. Первичные представления моделируют сегменты улиц как ребра и пересечения, а тупики-как узлы. Это исследование моделирует управляемые уличные сети как первичные, непланарные, направленные, взвешенные мультиграфы и проходимые сети как то же самое, только неориентированные [7]. Уличные сети являются пространственными сетями – их узлы и ребра встроены в пространство и, в свою очередь, имеют геометрические характеристики, такие как окружность, которые зависят от длины и площади, наряду со стандартными топологическими характеристиками всех сетей [7].

Данные уличные сети традиционно поступают из различных источников, включая различные муниципальные и государственные хранилища, дорогостоящие коммерческие наборы данных. Многие исследования опираются на последнее из-за его доступности и полноты. Однако, эта линия испытывает значительные пространственные неточности, отсутствуют необходимые классификаторы. Последнее, в частности, искажает результаты маршрутизации. OpenStreetMap предлагает альтернативный источник данных. Это совместный картографический онлайн-проект, охватывающий весь мир [3]. По состоянию на 2018 год, OpenStreetMap содержит более 4 миллиардов объектов в своей базе данных, а также более 1,5 миллиарда описаний этих функций.

Объекты включают в себя улицы, тропы, контуры зданий, земельные участки, реки, линии электропередач, достопримечательности и многие другие объекты.

Эти данные обычно добавляются в базу данных OpenStreetMap одним из двух способов. Во-первых, за счет крупномасштабного импорта общедоступных источников данных, таких как данные шейп-файлы муниципалитетов. Второй - через множество отдельных дополнений и изменений, выполняемых на постоянной основе пользователями и участниками OpenStreetMap. Данные OpenStreetMap в основном высокого качества. В 2007 году он импортировал дороги в качестве основы, и с тех пор сообщество пользователей добавило бесчисленное количество дополнительных функций, более богатые атрибутивные данные и географические поправки [6, с. 3]. Данные OpenStreetMap, имеющие особое значение для настоящего исследования, выходят далеко за рамки данных, доступных, поскольку они включают пешеходные дорожки, парковые тропы, проходы между зданиями и через блоки, а также более мелкие элементы, классифицирующиеся различными типами путей и улиц.

Исследователи обычно получают данные уличной сети из OpenStreetMap одним из трех способов. Во-первых, Overpass от OpenStreetMap предоставляется по API, который позволяет пользователям получать объекты. Однако его язык запросов трудно использовать. Во-вторых, несколько коммерческих служб появились в качестве посредников, загружающих данные для определенных областей или различных зон, а затем предоставляют их пользователям. Однако эти службы часто являются дорогостоящими, медленными и сложно настраиваемыми. Хотя они могут хорошо работать для изучения уличной сети в пределах одного прямоугольника, они неудобны для получения данных в различных исследовательских центрах. Кроме того, они предоставляют данные в виде геометрических шейп-файлов, которые не сразу поддаются не планарному теоретико-графическому сетевому анализу.

Третий способ получения сетевых данных OpenStreetMap - OSMnx. OSMnx - это бесплатный пакет Python [1, c. 210] с открытым исходным кодом для загрузки и анализа уличных сетей из OpenStreetMap [5]. Он может запрашивать по конкретному квадрату, адресу плюс сетевое расстояние, полигону (например, из шейп-файла) или по имени места, такие как города, районы или округа. OSMnx может загружать автомобильные, пешеходные или велосипедные сети, а также другие инфраструктуры, такие как линии электропередач или системы метро. Пешеходные и автомобильные пути определяются метаданными OpenStreetMap. Как только сеть была загружена, OSMnx автоматически собирает ее в не планарный ориентированный мультиграф и исправляет ее топологию, чтобы сохранить узлы только в настоящих пересечениях и тупиках. Этот процесс упрощения точно сохраняет истинную геометрию и длину каждой части улицы. Наконец, OSMnx может анализировать эти уличные сети различными способами, включая вычисления кратчайших путей, топологические измерения, такие как центральность и кластеризация, и геометрические измерения, такие как плотность пересечений и окружность [2].

В этом исследовании используется OSMnx для расчета кратчайших расстояний вдоль пешеходных и автомобильных уличных дорог в различных городах. Он основывается на исследовательских проектах, моделируя тысячи маршрутов в каждом городе и вычисляя схемы в зависимости от расстояния сети и расстояния по прямой линии. В отличие от многих предыдущих исследований, мы используем неплоские сети как превосходное представление топологии [4] и мы используем классификаторы кодов на OpenStreetMap данных для создания направленного и неориентированного движения в нескольких сетях.

Чтобы изучить разницу в схемах между пешеходными и автомобильными сетями, мы исследуем 40 городов США. Мы выбираем города по всей стране, включая большинство крупнейших городов, а также несколько средних городов, небольших городов и пригородов для контраста. Для каждого города мы рисуем выпуклую оболочку вокруг муниципальных границ, а затем загружаем уличную сеть внутри этого корпуса.

Этот метод предлагает два преимущества. Во – первых, это позволяет нам сосредоточиться на муниципалитетах – масштабе градостроительной юрисдикции и принятии решений и их ближайших окрестностях, не включая пригороды, и городские окраины на периферии более широкой столичной области. Во-вторых, он приспосабливается к существенным особенностям в форме муниципальных границ. Границы некоторых городов расположены вдоль узкого линейного объекта. Эти особенности вызовут завышенные оценки коэффициент лишней дистанции, поскольку поездки вынуждены прокладывать маршрут вокруг границ города, а не принимать более короткие и прямые маршруты, которые ненадолго пересекают соседний город. Различные оболочки решают эту проблему, ограничивая анализ только городом и его ближайшими окрестностями. Они также помогают нам в основном избегать больших водоемов, вокруг которых обертываются некоторые столичные районы, такие как залив San Francisco и Puget Sound, и которые значительно влияют на окружность столичного масштаба.

Чтобы получить данные уличной сети, мы используем OSMnx для загрузки пешеходных и автомобильных уличных сетей каждого города, ограниченных дугообразной поверхностью, из OpenStreetMap. OSMnx использует теги OpenStreetMap для идентификации пешеходных и управляемых улиц и путей. В случае отключенной сети мы сохраняем только самый большой подключенный компонент. Затем для каждого города и типа сети мы моделируем 50 000 случайных поездок. Это число имитаций было получено после того, как анализ чувствительности показал, что средние и t-статистика сходятся при стабильных значениях вокруг этого числа.

Результаты

В таблице 1 представлены средние значения пешеходных поездок (µw) и поездок на автомобиле (µd) в каждом городе, а уровни значимости обозначены звездочками в таблице. В нем также представлены среднее расстояние поездок вдоль движущей сети (δd), среднее расстояние поездок вдоль пешеходной сети (δw), 35 и отношение φ, выраженное в процентах. Установлено, что в 38 из 40 исследованных городов средние схемы поездок на автомобиле и пешком отличаются очень большим отрывом. Кроме того, мы обнаружили, что средняя схема движения превышает ходьбу в 34 из 38 городов, которые большую разницу. φ представляет, на сколько µd превышает µw, выраженное в процентах.

Таблица 1.

Результаты расчётов

Основное внимание в данном исследовании уделяется взаимосвязи между схемой автомобильных дорог и пешеходных зон (φ в Таблица 1). Манхэттен и Сан-Франциско демонстрируют наибольшие значения φ. В каждом из этих городов средняя поездка на автомобиле более чем на 46 % обходная, чем средняя пешеходная поездка. В отличие от этого, в Сан-Диего и Канзас-Сити средняя поездка на автомобиле составляет меньше на 13 % и 34 % соответственно, чем средняя пешеходная.

Заключение

В этом исследовании изучалась относительные схемы пешеходных и автомобильных городских дорог путем моделирования поездок вдоль каждой из них с использованием данных OpenStreetMap и программного обеспечения OSMnx. Было обнаружено, что в большинстве городов на автомобильных дорогах, как правило, производят больше круговых поездок, чем пешеходных. В частности, средняя схема движения на автотранспорте превышает среднюю пешеходную в 38 из 40 городов(Таблица 1), которые имеют статистически значимые различия. Старые, плотно заселённые города, такие как Манхэттен и Сан-Франциско, показывают наибольший эффект, по средним поездкам на автомобиле на 46% более чем пешеходных. Сетевой анализ может помочь изучить режимы передвижения. Сетевые схемы также существенно различаются между различными типами мест. Эти выводы подчеркивают ценность использования дорожных анализаторов, а не прямолинейных движений при изучении городских поездок. Они также указывают на важность проведения различий между пешеходными и автомобильными путями: хотя эти дороги перекрываются, их относительная структура и пропускная способность в большинстве городов различаются.

Список литературы:

1. Mark A. L., Learning Python, ISBN 978-5-93286-159-2, 978-0-596-15806-4, Переводчик  А. Киселев, 2011. – 1280 с.
2. Geoff Boeing // Urban planning professor at Northeastern University URL: https://geoffboeing.com/2016/11/osmnx-python-street-networks/  (дата обращения: 01.01.2019)
3. RU:Maperitive book, URL: https://wiki.openstreetmap.org/wiki/RU:Maperitive_book  (дата обращения: 01.01.2019)
4. Geoff Boeing // OSMnx, URL: https://github.com/gboeing/osmnx  (дата обращения: 01.01.2019)
5. Nikolai Janakiev  // Loading Data from OpenStreetMap with Python and the Overpass API: https://towardsdatascience.com/loading-data-from-openstreetmap-with-python-and-the-overpass-api-513882a27fd0 (дата обращения: 01.01.2019)
6. T. H. Grubesic // Computers, Environment and Urban Systems, ISSN: 0198-9715, URL: https://www.journals.elsevier.com/computers-environment-and-urban-systems.
7. Теория графов, URL: https://ru.wikipedia.org/wiki/Теория_графов (дата обращения: 01.01.2019)