Plotly 与 NetworkX 实战：青岛公交网络 4 大拓扑指标计算与可视化

青岛公交网络拓扑分析与可视化实战从数据采集到复杂网络建模公共交通系统作为城市运行的血管网络其拓扑结构直接影响着城市运转效率。青岛这座山海相拥的滨海城市其公交网络呈现出独特的空间分布特征。本文将带您从原始数据采集开始完整实现公交网络拓扑建模、指标计算与交互式可视化全流程揭示隐藏在海量站点数据背后的复杂网络规律。1. 公交数据采集与预处理公交网络分析的第一步是获取高质量的原始数据。与常见API调用方式不同我们采用混合采集策略确保数据完整性import requests import pandas as pd from bs4 import BeautifulSoup # 线路基础信息采集 def fetch_bus_lines(city): url fhttps://baike.baidu.com/item/{city}公交 response requests.get(url, headers{User-Agent: Mozilla/5.0}) soup BeautifulSoup(response.text, html.parser) line_data [] for item in soup.select(.para): if 路 in item.text: line_info { line_name: item.text.split(路)[0] 路, stations: [s.strip() for s in item.next_sibling.text.split(→)] } line_data.append(line_info) return pd.DataFrame(line_data) # 高德地图API补充地理坐标 def enrich_geo_data(df, api_key): base_url https://restapi.amap.com/v3/place/text for idx, row in df.iterrows(): params { key: api_key, keywords: f{row[station_name]}({row[line_name]}站点), city: 青岛, output: json } response requests.get(base_url, paramsparams).json() if response[pois]: location response[pois][0][location].split(,) df.at[idx, lon] float(location[0]) df.at[idx, lat] float(location[1]) return df数据清洗关键步骤火星坐标转换高德地图采用GCJ-02坐标系需转换为WGS84标准坐标站点去重合并同名站点在不同线路中的坐标偏差应小于50米拓扑校验确保每条线路的站点序列具有连续的地理位置关系提示实际项目中建议使用专业GIS工具如QGIS进行坐标转换和空间校验确保数据精度2. 换乘网络建模与拓扑指标2.1 网络构建原理公交换乘网络本质是复合型图结构我们采用双层建模方法物理层站点为节点相邻站点为边权重实际距离逻辑层线路为节点共用站点形成边权重换乘便利度import networkx as nx def build_transfer_network(station_df): G nx.Graph() # 添加物理连接 for line in station_df[line_name].unique(): stations station_df[station_df[line_name] line] for i in range(len(stations)-1): G.add_edge( f{line}_{stations.iloc[i][station_name]}, f{line}_{stations.iloc[i1][station_name]}, weightgeodesic_distance(stations.iloc[i], stations.iloc[i1]), typephysical ) # 添加逻辑换乘 transfer_pairs find_transfer_stations(station_df) for s1, s2 in transfer_pairs: G.add_edge(s1, s2, weight1.0, typetransfer) return G def geodesic_distance(coord1, coord2): # 使用Haversine公式计算球面距离 from math import radians, sin, cos, sqrt, asin lon1, lat1 map(radians, [coord1[lon], coord1[lat]]) lon2, lat2 map(radians, [coord2[lon], coord2[lat]]) dlon lon2 - lon1 dlat lat2 - lat1 a sin(dlat/2)**2 cos(lat1) * cos(lat2) * sin(dlon/2)**2 return 6371 * 2 * asin(sqrt(a)) # 地球半径6371km2.2 核心拓扑指标计算青岛公交网络四大关键指标的计算方法与实际意义指标名称计算公式青岛实测值城市对比参考平均路径长度$\frac{1}{n(n-1)}\sum_{i\neq j}d_{ij}$2.19北京2.35上海2.12聚类系数$\frac{1}{n}\sum_{i}\frac{T(i)}{deg(i)(deg(i)-1)/2}$0.43一般城市网络0.15-0.45度分布熵$-\sum p(k)\log p(k)$3.72值越大表示网络越异构换乘枢纽占比$\frac{#deg5}{n}$12.3%大城市通常10-15%NetworkX实现示例def calculate_metrics(G): metrics {} # 平均路径长度考虑非连通分量 metrics[avg_path_length] nx.average_shortest_path_length( nx.subgraph(G, max(nx.connected_components(G), keylen)) ) # 全局聚类系数 metrics[clustering_coefficient] nx.average_clustering(G) # 度分布分析 degree_seq [d for n, d in G.degree()] metrics[degree_entropy] entropy(np.bincount(degree_seq)/len(G)) # 枢纽节点识别 hub_threshold np.percentile(degree_seq, 90) metrics[hub_ratio] sum(d hub_threshold for d in degree_seq)/len(G) return metrics注意实际计算时应先检查网络连通性大规模网络可采用近似算法降低计算复杂度3. 交互式可视化技术实现3.1 Plotly网络可视化传统静态图难以展示复杂网络特征我们采用Plotly的WebGL加速渲染import plotly.graph_objects as go def plot_network(G, posNone): if pos is None: pos nx.spring_layout(G, dim3, seed42) edge_traces [] for edge in G.edges(): x0, y0, z0 pos[edge[0]] x1, y1, z1 pos[edge[1]] edge_traces.append( go.Scatter3d( x[x0, x1, None], y[y0, y1, None], z[z0, z1, None], modelines, linedict(width0.5, color#888), hoverinfonone ) ) node_traces [] for node in G.nodes(): x, y, z pos[node] node_traces.append( go.Scatter3d( x[x], y[y], z[z], modemarkers, markerdict( size5, colorG.degree[node], colorscaleViridis, line_width0.5 ), textnode, hoverinfotext ) ) fig go.Figure(dataedge_traces node_traces) fig.update_layout( scenedict( xaxisdict(visibleFalse), yaxisdict(visibleFalse), zaxisdict(visibleFalse) ), margindict(l0, r0, b0, t0) ) return fig可视化增强技巧使用颜色映射展示节点中心性指标添加滑块控件动态调整网络密度结合Mapbox实现地理坐标映射3.2 动态拓扑演化分析通过时间切片展示网络发展历程def animate_network_evolution(years, network_data): frames [] for year in years: G network_data[year] frames.append( go.Frame( datagenerate_network_trace(G), namestr(year) ) ) fig go.Figure( dataframes[0][data], framesframes, layoutgo.Layout( updatemenus[{ type: buttons, buttons: [ { label: Play, method: animate, args: [None, {frame: {duration: 1000}}] } ] }] ) ) return fig4. 网络优化与实践应用4.1 瓶颈识别与改善基于拓扑分析发现青岛公交网络存在西部老城区换乘压力大平均度值4.2崂山景区线路冗余度高聚类系数0.61黄岛开发区连接薄弱平均路径长度3.8优化建议矩阵问题类型短期方案长期规划换乘拥堵增加区间车次建设立体换乘枢纽线路冗余合并重复线路发展需求响应式公交连接薄弱开通摆渡专线完善轨道交通接驳4.2 实时调度系统集成将静态网络分析扩展到动态场景class RealTimeNetworkMonitor: def __init__(self, base_network): self.graph base_network self.rt_data {} def update_flow(self, line, direction, speed): 更新线路实时运行状态 edges self.get_line_edges(line, direction) for u, v in edges: self.graph[u][v][speed] speed self.graph[u][v][congestion] 1 - speed/40 # 假设设计时速40km/h def get_line_edges(self, line, direction): 获取线路对应的所有边 return [(u, v) for u, v in self.graph.edges if line in u and line in v and u.split(_)[1] direction] def detect_bottlenecks(self, threshold0.7): 识别当前拥堵路段 return [(u, v) for u, v in self.graph.edges if congestion in self.graph[u][v] and self.graph[u][v][congestion] threshold]这种从静态分析到动态优化的完整方法论不仅适用于公交网络也可迁移应用到物流配送、通信网络等复杂系统分析中。通过Python生态中的NetworkX、Plotly等工具链我们实现了从原始数据到决策支持的端到端分析流程。