Skip to content

GISday 2024

STRONA W BUDOWIE

Wstęp

To repozytorium zawiera prezentacje wygłoszoną na wydarzeniu GISday 2024 na Uniwersytecie Łódzkim na wydziale Ekonomiczno - socjologicznym. Prezentacja została podzielona na 3 części i zawiera informacje odnośnie użytkowania 3 narzędzi do analiz komunikacyjnych w środowisku GIS.

  1. Narzędzia wbudowane w QGIS + wtyczki
  2. OpenTripPlanner + R
  3. Narzędzia symulacyjne VISSIM + TomTomMOVE

Narzędzia wbudowane w QGIS + wtyczki

W pierwszej części prezentacji zostały omówione bazowe funkcje QGIS, takie jak korzystanie z bufora lub polecenia service area w celu wyznaczenia realnej drogi do przystanku.

Następnie przedstawiona została funkcjonalność wtyczek OpenRouteService, Valhalla oraz TravelTime w zakresie routingu, tworzenia analiz sieciowych i izochron. Wszystkie wtyczki oferują wybór różnych rodzajów transportu przy wyznaczaniu izochrony, jednak tylko TravelTime daje możliwość wyboru generowania izochron od transportu publicznego. Niestety wadą tej wtyczki jest bardzo mała ilość tokenów, którą możemy wykorzystywać do zapytań serwera. Each API key has a quota of queries that can be done. Currently, for free keys, this is around 10 searches / minute. Once this quota is reached, all subsequent queries fail for the cooldown period

Podsumowując, narzędzia wbudowane oraz wtyczki są to narzędzia szybko działające oraz bardzo proste w obsłudze. Ogarniczenia jakie dotyczą tych narzędzi to mała liczba zapytań do API i zależność od danych z zewnętrznego serwera oraz ograniczone możliwości zaawansowanych analiz multimodalnych. Biorąc pod uwagę zalety oraz wady tych narzędzi znajdują one zastosowanie w prostych analizach oraz przy małym obszarze opracowania.

OpenTripPlanner + R

W budowie

Pobieranie danych

Przed przystąpieniem do analiz zostanie omówione w jaki sposób pozyskać dane potrzebne do przeprowadzenia obliczeń.

Potrzebne będą nam dwie podstawowe rzeczy:

  1. Dane o rozkładach jazdy przewoźników w formacie GTFS
  2. Mapa drogowa w formacie osm.pbf

Dane o przewoźnikach możemy pozyskać z dwóch różnych źródeł:

  1. Transitland
  2. Mobility Database Ja swoje dane dla łodzi pobrałem z tej strony

Kiedy mamy dane dotyczące rozkładów jazdy następnym krokiem będzie pobranie informacji o sieci drogowej OSM z serwera Geofabrik. W tej analizie użyłem danych dla województwa łódzkiego

Konfiguracja serwera OTP

Po pobraniu danych przejdziemy do konfiguracji serwera oraz środowiska. Pierwszy krok to pobranie pliku aplikacji OTP w formacie .jar w wersji 1.5.0. Do uruchomienia tej aplikacji potrzebne będzie nam środowisko JAVA w wersji 8 Następnie potrzebujemy zainstalować język R oraz interfejs RStudio

Kiedy mamy pobrane i zainstalowane wszystkie komponenty przejdzmy do konfiguracji folderu w którym będziemy pracować. Powinniśmy stworzyć folder, do którego będziemy mieli szybki dostęp, bez polskich znaków i spacji w nazwie, ponieważ może to spowodować błąd w ścieżce dostępu. Ja swój folder stworzyłem w lokalizacji: C:\Users\Michal\otp_data. To będzie nasz folder główny z plikiem .jar, w tym folderze głównym tworzymy nowy folder graphs, folder nazwany taką nazwą jest rozpoznawany jako tzw. router, będzie nam to potrzebne w dalszej części analizy. W folderze graphs tworzymy nowy folder w którym będziemy przechowywać plik gtfs.zip i .osm.pbf. (Plik z rozkładami jazdy musi zawierać w nazwie GTFS oraz musi mieć rozszerzenie .zip. Plik z mapą osm również musi być w formacie .osm.pbf) Folder możemy go nazwać od nazwy analizowanej miejscowości np. Lodz, w takim wypadku nazwa Lodz stanie się nazwą routera i będzię można go w ten sposób wywołać. Struktura folderu powinna wyglądać w taki sposób: 

/otp_data
    otp.jar
    /graphs
        /lodz
        lodz_gtfs.zip
        lodz.osm.pbf
Po skonfigurowaniu struktury folderu przejdziemy do uruchomienia aplikacji z command line, potrzebne będą nam do tego 3 podstawowe komendy 
java -Xmx4G -jar otp.jar --build C:\Users\Michal\otp_data\graphs\lodz
Ta komenda buduje graph i zapisuje do pliku .obj, przechowywane są tam dane na temat sieci drogowej oraz nałożone trasy środków transportu publicznego. Plik zostanie odrazu dodany do folderu lodz

Następnie wpisujemy komende do uruchomienia serwera. 

java -Xmx4G -jar otp.jar --router lodz --graphs graphs --server
Jako router wskazujemy folder lodz, parametr --graphs wskazuje w jakim folderze aplikacja ma szukać zapisanego graphu. parametr --server uruchamia serwer, do którego będzie mogli wysłać zapytanie.

Trzecia komenda potrzebna będzie nam w dalszej części analizy 

java -Xmx4G -jar otp.jar --router lodz --graphs graphs --server
--analyst
--pointSets C:\Users\Michal\otp_data\
parametr --analyst rozszerza możliwości aplikacji o dodatkowe analizy, a --pointSets pozwala nam dodać punkty w formacie tabeli z roszerzeniem .csv, których będziemy mogli później użyć.

Jeżeli udało nam się wszystko zrobić zgodnie z instrukcją na końcu wiersza poleceń powinniśmy dostać komunikat Grizzly server running

Będziemy mogli się do niego podłączyć poprzez wpisanie w przeglądarkę localhost:8080

Z serwera OTP możemy korzystać z funkcji przeglądania jak i wpisywania zapytań bezpośrednio z poziomu przeglądarki internetowej, jednak jest to sposób wysoce nieefektywny i narażony na możliwość łatwego popełniania błędów w składni zapytania, dlatego do generowania zapytań będziemy używać języka R i RStudio.

Skrypty w języku R

Izochorny

Po uruchomieniu RStudio będziemy musieli zainstalować bibliotekę otpr by móc jej używać 

install.packages('otpr') # Instalacja biblioteka otpr
Kod poniżej zwróci nam izochorny dojazdu komunikacją miejską w odstępach czasowych 15, 30 i 45minut i zapisze do pliku geojson 
library("otpr") # Załadowanie biblioteki otpr

setwd("C:/Users/Michal/otp_data") # Ustawienie folderu roboczego
otpcon <- otp_connect() # Połączenie się z API
my_isochrone <- otp_get_isochrone(otpcon,
                location = c(51.7474, 19.4518), # Wskazanie punktu początkowego w stopniach
                fromLocation = FALSE, # Analiza DO punktu początkowego
                cutoffs = c(900, 1800, 2700), # Ustawienie wielkości izochron 15, 30, 45 min
                mode = "TRANSIT", # Ustawienie środka transportu
                date = "11-22-2024",
                time = "08:30:00",
                maxWalkDistance = 700) # Maksymalna odlegość piesza z i na przystanek
write(my_isochrone$response, file = "my_isochrone.geojson") # Zapisanie odpowiedzi serwera do pliku
Mapa wynikowa wygląda w następujący sposób mapa izochrony Pobierz geojson

Plik .geojson możemy wrzucić również do QGIS'a metodą drag&drop i tam poddać go dalszej analizie

Czas dojazdu z wielu miejsc

Będziemy przeprowadzać analizę dojazdu z wielu punktów do jedengo określonego miejsca, dzięki automatyzacją w języku R wykonamy to zadanie przy użyciu pętli for

Diagram ideowy pomysłu prezentuje się następująco:

W pierwszym kroku tworzymy siatkę heksagonalną o oczku 250m.

Krok 1

Następnie wybieramy nasz punkt startowy, ja wybrałem miejsce przed wydziałem budownictwa na Politechnice Łódzkiej.

Krok 2

Następnie generujemy dla każdego heksagonu centroidy.

Krok 3

Centroidom nadajemy współrzędne geograficzne w postaci długości i szerokości geograficznej. Pola muszą nazywać się lat(latitude) i lon(longitude)

Krok 4
x(transform($geometry, 'EPSG:2177', 'EPSG:4326'))
y(transform($geometry, 'EPSG:2177', 'EPSG:4326'))

Ostatecznie nasz skrypt będzie działał tak jak zostało to pokazane na obrazku poniżej

Krok 5

W QGISie eksportujemy centroidy do pliku .csv. Punkty oprócz współrzędnych muszą zawierać jedno pole numeryczne (może być to np. ilość osób w heksagonie lub liczba miejsc pracy) Ja swój plik nazwałem pop.csv ze względu na to, że ma zapisaną liczbę osób mieszkających w każdym heksagonie.

Czas dojazdu z wielu miejsc
library("otpr")

setwd("C:/Users/Michal/otp_data") # Set working directory
pop <- read.csv("pop.csv")
head(pop)
total <- nrow(pop) # Utworzenie tabeli total
otpcon <- otp_connect()
# Begin the loop
for (i in 1:total) { #Zapytanie każdego wiersza w tabeli total
  response <- otp_get_times(otpcon, 
                            fromPlace = c(pop[i, ]$lat, pop[i, ]$lon), 
                            toPlace = c(51.7474, 19.4518), 
                            mode = "TRANSIT", 
                            detail = TRUE, 
                            date = "11-22-2024",
                            time = "08:30:00", 
                            maxWalkDistance = 700, 
                            walkReluctance = 5,
                            minTransferTime = 600)

  # If response is OK update dataframe
  # Dodanie do tabeli atrybutów informacji o parametrach przejazdu
  if (response$errorId == "OK") {
    pop[i, "status"] <- response$errorId
    pop[i, "duration"] <- response$itineraries$duration
    pop[i, "transittime"] <-response$itineraries$transitTime
    pop[i, "walktime"] <-response$itineraries$walkTime
    pop[i, "waitingtime"] <- response$itineraries$waitingTime
    pop[i, "transfers"] <- response$itineraries$transfers
  } else {
    # record error
    pop[i, "status"] <- response$errorId
  }
}
write.csv(pop, file = "pop_results2.csv") # Zapisanie do pliku

Mapa czasów dojazdów i ilości potrzebnych przesiadek prezentuje się w następujący sposób: mapa czas dojazdu

One-to-many analysis

OTP posiada moduł pozwalający policzyć czas dojazdu do wielu różnych punktów. Do obliczenia tego uzyjemy polecenia surface. Mogłoby się wydawać, że będzie to powtórzenie poprzedniej analiy, jednak poprzez użycie surface znacznie skraca nam się czas analiy, ponieważ narzędzie OTP jest w stanie wygenerować surface model mniej więcej w takim samym czasie co pojedyncze zapytanie o trasę. Osiągane jest to przez zapisanie czasu dojazdu do każdego miejsca z punktu startowego w komórkach rastra.

W celu przeprowadzenia

Narzędzia symulacyjne VISSIM + TomTom MOVE

W budowie

Źródła

W budowie Ta prezentacja napewno by nie powstała gdyby nie niesamowita praca wykonana przez użytkownika marcusyoung i jego bibliotekę do języka R oraz poradnik jak korzystać z OTP