PR17ASLSMS

Podatkovno rudarjenje

Projektna naloga: Analiza javnega prevoza v Sloveniji

Člani

• Luka Stopar 63150272 (@Tuskle)
• Amon Stopinšek 63150273 (@am-on)
• Matevž Špacapan 63150283 (@Pur3Bolt)

1. Uvod

Pri projektni nalogi smo se lotili podatkovnega rudarjenja linijskih odsekov in voznih redov javnega potniškega prometa.

V okviru naloge smo odgovorili na naslednja vprašanja:

• ob kateri uri je največ/najmanj linijskih prevozov?
• obstaja povezava med finančnim stanjem prevoznika in številom linij/prevoženih kilometrov?
• je potovanje z avtomobilom hitrejše od potovanja z javnim potniškim prometom?
• obstaja povezava med številom prebivalcev v mestu / nadmorsko višino in pogostostjo linijskih voženj?

2. Opis podatkov

Viri podatkov: OPSI - Register linijskih odsekov, Statistični urad RS, Google Maps - Distance Matrix API, Stop neplačniki, GeoNames

Množico podatkov sestavljajo vsi podatki, ki jih Google uporablja za storitev Maps Transit. Ti podatki zajemajo seznam prevoznikov, koordinate in opis postaj, linije in posamezne linijske odseke, posamezne čase prihodov in odhodov s postaj, in podatke za izris linijskih odsekov.

Podroben opis podatkov

• LINIJSKI_ODSEKI.dbf vsebuje podatke o linijskih odsekih:

  • začetna postaja,
  • končna postaja,
  • id začetne postaje,
  • id končne postaje,
  • dolžina odseka

• LINIJSKI_ODSEKI.prj LINIJSKI_ODSEKI.fix LINIJSKI_ODSEKI.shp LINIJSKI_ODSEKI.shx podatki v formatu Shapefile

• agency.txt vsebuje podatke o prevoznikih

  • id prevoznika,
  • naziv prevoznika

• calendar.txt splošni vozni red

  • id linije
  • dnevi v tednu ko je linija aktivna (1 - linija aktivna, 0 - linija ni aktivna)
  • začetek in konec veljavnosti koledarja

• calendar_dates.txt izjeme v voznem redu

  • id linije
  • datum
  • vrsta izjeme (1 - linija aktivna, 0 - linija ni aktivna)

• routes.txt opisi linij

  • id linije
  • id prevoznika
  • ime linije

• shapes.txt podatki za risanje odsekov

• stops.txt podatki o postajah

  • id postaje
  • ime postaje
  • koordinate

• stop_times.txt podatki o prihodih in odhodih

  • id odseka
  • čas prihoda
  • čas odhoda
  • id postaje

• trips.txt opisi odsekov

• si.csv opisi krajev

  • ime kraja
  • koordinate
  • št. prebivalcev
  • nadmorska višina

3. Metode

Priprava podatkov

Podatki se nahajajo v več ločenih datotekah in se med seboj navezujejo preko ujemajočih se id-jev. Podatke smo zato združili iz različnih datotek v en DataFrame. Pri tem smo si pomagali s knjižico pandas. Med združevanjem podatkov smo izločili še odvečne in prazne atribute.

def read(location):
    return pd.read_csv(location)

# read data, drop unnecessary cols
agency = read('./data/google_feed/agency.txt')
agency.drop(['agency_url', 'agency_timezone', 'agency_phone', 'agency_lang'],axis=1,inplace=True)

routes = read('./data/google_feed/routes.txt')
routes.drop(['route_short_name', 'route_desc', 'route_url', 'route_color', 'route_text_color'],axis=1,inplace=True)

trips = read('./data/google_feed/trips.txt')
trips.drop(['trip_headsign', 'block_id'],axis=1,inplace=True)

stopTimes = read('./data/google_feed/stop_times.txt')
stopTimes.drop(['stop_headsign'],axis=1,inplace=True)

stops = read('./data/google_feed/stops.txt')
stops.drop(['stop_desc', 'zone_id', 'stop_url'],axis=1,inplace=True)

# merge data into one df
df = pd.merge(agency, routes, on='agency_id')
df = pd.merge(df, trips, on='route_id')
df = pd.merge(df, stopTimes, on='trip_id')
df = pd.merge(df, stops, on='stop_id')

Izdelava zemljevida

Za izdelavo zemljevida smo uporabili knjižico Matplotlib Basemap.

Nastaviti je bilo potrebno meje za zemljevid. Površino Slovenije smo orisali z uporabo shapefile datoteke, ki je vsebovala vse meje držav v Evropi.

Risanje postaj je bilo z uporabo knjižice zelo preprosto. Podati je bilo potrebno le koordinate postaje, barvo ter velikost. Barvo in velikost smo določili na podlagi števila avtobusov na postaji v danem časovnem obdobju. Barvo smo glede na velikost izračunali s pomočjo barvnega sistema HSV in jo nato pretvorili v RGB.

def heatMapColorForValue(self, value):
  h = (1.0 - value) * 240
  return (h/360, 1, 0.5)

def getStopStyle(self, size):
    scale = 4
    size = size / max(20, self.maxStopN*0.2)
    h, s, v = self.heatMapColorForValue(min([size, 1]))
    color = colorsys.hsv_to_rgb(h, s, v)
    size = 1 + (size * scale) ** 1.1
    return (size, color)

def plot_stops(self, row):
    x, y = row.name
    x, y = self.m(x, y)
    size, color = self.getStopStyle(row['stop_id'])
    self.m.plot(x, y, 'o', markersize=size, color=color, alpha=0.3, markeredgewidth=0.0)

Risanje povezav med postajami je predstavljalo kar nekaj preglavic. Risanje črt je že v osnovi počasnejše od risanja točk, narisati pa je bilo potrebno približno 200 000 povezav, kar je 20× več kot postaj. Risanje je zaradi tega bilo zelo počasno, v prvi verziji kode bi vse skupaj trajalo več kot 10 ur. V uradni dokumentaciji nismo našli ničesar kar bi nam pomagalo pohitriti risanje. Z iskanjem po spletu smo našli ustrezno pohitritev. Povezave je bilo potrebno predstaviti v seznamu koordinat in jih narisati naenkrat.

Delo s časom

Tudi pri delu s časom smo si pomagali s knjižico pandas. Najprej je bilo potrebno čas pretvoriti v ustrezen format. Pri tem smo naleteli na nekaj napačnih podatkov, kjer so bile v podatkih zapisane napačne ure (npr. 27:00). Po odpravi napačnih podatkov smo čas v ustrezen format pretvorili s pomočjo funkcije pd.to_datetime().

Google Maps Distance Matrix API

Podatke o razdalji in času vožnje z avtomobilom ali javnim prevozom se je pridobilo iz Google Maps preko Distance Matrix API. Omejitev (za brezplačno uporabo) je do 2.500 poizvedb na dan, ker pa smo imeli podatkov več, smo pridobili celotno množico podatkov skozi več dni.

gmaps = googlemaps.Client(key='AIzaSyAjAw1bVBU1KncV-zg2RS9QrhbSAA_0aag')

def calculate_time(start_lat, start_lon, dep_time, end_lat, end_lon, mode):
    time = datetime.strptime(date + ' ' + dep_time, '%d.%m.%Y %H:%M:%S')
    try:
        directions = gmaps.directions(origin=str(start_lat) + ',' + str(start_lon),
                                      destination=str(end_lat) + ',' + str(end_lon),
                                      mode=mode,
                                      departure_time=time)
    except:
        return 0, 1
    try:
        return (directions[0].get('legs')[0].get('distance').get('value') / 1000,
                int(directions[0].get('legs')[0].get('duration').get('value') / 60))
    except IndexError:
        return 0, 1

Pri poizvedbi se lahko pridobi napačne podatke ali pa povezava ne obstaja; te primere se obravnava s pomočjo izjem. Vrhnji izsek kode izračuna razdaljo in trajanje povezave med danima točkama ob izbranem času.

Delo s kraji

Podatke krajev se je s pomočjo knjižnice Rtree shranilo v index, preko katerega se je z NearestNeighbour iskanjem vsako povezavo priredilo pripadajočemu kraju. Vendar pa, ker so kraji opisani kot točke, ter ker so lahko tudi enako oddaljeni od določene točke, so lahko nekatere postaje štete k napačnemu kraju.

from rtree import index
idx = index.Index()

tar = read('./data/google_feed/SI.csv')
for i in tar.index:
    idx.insert(i,(tar.X[i],tar.Y[i],tar.X[i],tar.Y[i]))
for i in range(df.shape[0]):
    left=df.iloc[i].stop_lat
    right=left
    bottom=df.iloc[i].stop_lon
    top=bottom
    tar.loc[list(idx.nearest((left,bottom,right,top),1))[0]:list(idx.nearest((left,bottom,right,top),1))[0],"SUM"]+=1
tar

4. Rezultati

Ob kateri uri je največ/najmanj linijskih prevozov?

Pregled celotnega dneva

Na podlagi podatkov je v Sloveniji vsak dan aktivnih 1717 linij, ki obiščejo 10040 različnih avtobusnih postajah. Vsak dan se zgodi 191295 avtobusnih prihodov. Povprečna postaja ima dnevno 19 avtobusnih prihodov.

Spodnja slika prikazuje vse aktivne postaje. Velikost in barva posamezne postaje je odvisna od števila avtobusov, črte med postajami pa označujejo linije.

Iz slike lahko vidimo, da so najbolj aktivne postaje v večjih mestih ali njihovi bližini. Vidimo lahko tudi, da večina linij vodi v večja mesta, predvsem iz Ljubljane pa je veliko direktnih linij med večjimi in tudi manjšimi mesti.

Postaja	Kraj	Število prihodov
Avtobusna postaja Ljubljana	Ljubljana	1872
Avtobusna postaja Maribor	Maribor	802
Avtobusna postaja Kranj	Kranj	776
Avtobusna postaja Celje	Celje	565
Stadion	Ljubljana	559
Kamnik	Kamnik	541
City center	Maribor	491
Grosuplje	Grosuplje	491
Domžale	Domžale	460
Avtobusna postaja Ptuj	Ptuj	455

Tabela potrjuje ugotovitve s slike. Vse postaje izmed prvih deset najbolj aktivnih postaj se nahajajo v večjih mestih ali njihovi neposredni bližini.

Število postankov po urah

Graf prikazuje število postankov v posamezni uri. Največ postankov se zgodi med 6. in 7. uro in sicer 20148. Druga najbolj aktivna ura je med 14. in 15. uro, ko se zgodi 19938 prihodov.

Najmanj prihodov se zgodi od 1. do 4. ure zjutraj, ko je skupno le 34 prihodov. Spodnji zemljevid prikazuje aktivne avtobusne postaje in linije v tem času.

Podroben pregled ure z največ prihodi

Največ avtobusnih prihodov se zgodi med 6. in 7. uro. V tem času je aktivnih 948 linij (55% vseh linij), ki opravijo 20148 prihodov (10% vseh prihodov) na 6810 različnih postajah (68% vseh postaj).

Postaja	Kraj	Število prihodov
Avtobusna postaja Ljubljana	Ljubljana	163
Avtobusna postaja Kranj	Kranj	92
Avtobusna postaja Maribor	Maribor	78
Avtobusna postaja Celje	Celje	68
Avtobusna postaja Ptuj	Ptuj	59

Zemljevid aktivnih avtobusnih postaj in linij med 6. in 7. uro izgleda precej podoben zemljevidu ki zajema obdobje celotnega dneva. Opazimo lahko, da je ob tej uri manj aktivnih postaj v manjših krajih, oddaljenih od večjih mest v primerjavi z zemljevidom za celoten dan.

Podroben pregled ure z najman prihodi

Najmanj avtobusnih prevozov se zgodi med 2. in 3. uro ponoči. V tem času sta aktivni dve liniji (Vrtojba Drive In - N. Gorica IZC Park - N. Gorica IZC Perla - Solkan H. Sabotin - Vrtojba Drive In, Ljubljana - Murska Sobota).

Finančno stanje prevoznika in ponujeni prevozi...

Ko pomislimo na ponudnike javnih prevozov, se zavedamo, da imajo nekateri boljši finančno stanje kot drugi. Zakaj je temu tako? Ima to kakšno povezavo s ponujenimi prevozi ali je to zgolj le dobro načrtovanje in poraba danih sredstev?

...V primerjavi s številom linij

Na prvem mestu izpostavimo, da se v podatkih najde nekaj robnih primerov: podjetja, ki imajo izredno visok dobiček in izredno malo prevozov. Razlog za to so nepopolni podatki in za boljše razumevanje povezave med financami in številom ponujenih linij so tej prevozniki (Slovenske železnice, Avtoprevozništvo Kraševec Sandi S.P., Pohorje turizem in AP prevoz oseb Špik Miroslav S.P.) izločeni iz analize. Opazi se, da prevozniki, ki so bolj dobičkonosni ne ponujajo toliko ponujenih prevozov kot tisti, ki niso. Na grafu je prikazan dobiček za opravljeno povezavo.

Zgornji Zavratnik d.o.o. je bil celo preveč optimističen in je šel v izgubo (skupno -21.000€), JP LPT pa se komaj da prebije z nekaj dobička (37€ na povezavo), najbolj donosni izmed upoštevanih pa so AP Rižana d.o.o. in Arriva Štajerska d.d., ki imajo donos krepkih 4.500€ na linijo.

...V primerjavi s številom prevoženih kilometrov

Zanimivo je, da je slika popolnoma drugačna v primerjavi s prevoženim številom kilometrov, kjer pri istih prevoznikih ni nobene povezave. Spet lahko opazimo nekaj izstopanj, kjer so prevozniki izjemno dobičkonosni za vsak prevožen kilometer. Najboljši donesejo okoli 200€/km, najslabši pa pod 10€/km. Zgornji Zavratnik ima pa izgubo 46€ za vsak prevožen kilometer.

Je potovanje z avtomobilom hitrejše od javnega prevoza?

Potovanje je v veliki večini primerov hitrejše z avtomobilom, v nekaterih primerih je potovanje enako hitro. V zelo redkih primerih se je izkazalo, da je potovanje hitrejše z javnim prevozom (še to je k večjemu, ker je lahko del poti avtomobilom nedostopen ali pa rezerviran samo za javni prevoz). Če bi na relacijah potovali z avtomobilom, bi v povprečju prevozili 53km/h; če bi se na iste relacije odpravili z javnim prevozom, bi pa potovali s hitrostjo 31km/h. Iz tega lahko razberemo, da z avtomobilom dosežemo željeno destinacijo 1.7-krat hitreje (seveda bi bilo potrebno pri javnem prevozu tudi upoštevati, da se pogosto moramo presesti iz ene relacije na drugo).

Spodaj na grafu je še primerjava koliko časa se potrebuje za opraviti relacije. Tudi tukaj je opazno, da se z avtomobilom pride precej bolj hitro kot pa z javnim prevozom (ne nujno pa vedno).

Krajevna statistika

Kot zanimivost smo si zadali ugotoviti, če število povezav narašča/pada z številom prebivalcev in nadmorsko višino. Začetni sklep je bil, da naj bi se število povezav manjšalo z nadmorsko višino, ter dokaj linearno večalo z številom prebivalcev.

Nadmorska višina

Ob obdelavi podatkov smo ugotovili, da se kraji z majhnim številom (~5) povezav nahajajo na celotnem spektru nadmorskih višin, kraji z velikim številom (200+) pa na odseku 150-400m nadmorske višine. Naša hipoteza je bila tudi delno potrjena, saj se nad 1000m pojavljajo večinoma kraji z malim številom povezav.

Število prebivalcev

Izkazalo se je, da si prvi dve največji slovenski mesti sledita linearno (Ljublana in Maribor), drugi kraji pa so razporejeni bolj kaotično.

Kot zanimivost smo še pogledali, če se graf spremeni če primerjamo kakšen delež vseh povezav ima določeno mesto v odvisnosti od deleža prebivalcev v tistem mestu. Graf se je izkazal za drastično različnega od prejšnjih in je pokazal, da ima dosti manjših mest disproporcionalno veliko povezav, večja mesta pa so se dokaj normalizirala.

Dodatki