Python实现基于OSM地图数据的交通需求生成——Grid2demand

转载最新推荐文章于 2026-11-12 09:49:06 发布 2.8k 阅读 AI写同款

收录于

OSM数据开发

Better.C

码龄9年墨衍会员 · AI 创作全网分发

1万+粉丝72篇原创

关注

osm数据下载 python_【神器】你想要的交通网络数据，三行代码搞定！今天跟大家分享一款由美国亚利桑那州立大学ASU Trans+AI Lab团队开发的开源python依赖库——OSM2GMNS。无需调用地图API，通过OpenStreetMap导出地图数据包，仅需三行代码即可从中提取多模式交通网络数据并输出为符合GMNS (General Modeling Network Specification) 标准的路网文件。从此不再为路网数据而烦恼！有啥用没听... 阅读详情

AI摘要

Grid2demand是一款基于osm2gmns的交通需求预测工具，它能够根据建筑物属性和出行率表计算出行需求，并生成OD矩阵。本文介绍了Grid2demand的安装、使用流程，包括划分网格、获取交通发生率和吸引率等步骤。

1. Grid2demand简介

出行需求是交通规划的根基，其产生与土地性质密切相关。以校园为例，上课前的主要出行需求是从宿舍区至教学区，下课后则反之；而在承办大型赛事期间，校园场馆附近的交通量则会明显增加。
放到城市中，甚至是更大范围的区域中也是一样。一次出行总存在一个出发地 (Origin) 和一个目的地 (Destination)。在不同的出行目的下，居住、商业、工业等不同属性的用地有不同的交通产生率和吸引率。
Grid2demand利用osm2gmns生成的poi.csv，即可根据建筑物属性和出行率表（可自定义）得到指定出行目的下的出行需求，进而利用经典重力模型即可生成OD矩阵。把交通需求进一步做细到建筑物 (Point Of Interest)。

2. 安装

打开电脑Command Prompt或Anaconda Prompt，输入如下命令行，通过pip安装。

pip install grid2demand

3. 使用教程

（1）下载目标路网文件
在OpenStreetMap 中选择指定区域，将地图数据导出。
在这里插入图片描述
（2）利用osm2gmns获取路网信息和POI数据
启动Python编程环境，运行以下代码即可获取路网信息和POI数据。输出的node.csv和poi.csv将作为grid2demand的输入。

import osm2gmns as og
net = og.getNetFromOSMFile('map.osm',network_type=('railway','aeroway','auto'),POIs=True,default_lanes=True,default_speed=True)
og.connectPOIWithNet(net)
og.generateNodeActivityInfo(net)
og.outputNetToCSV(net)

『注意』
由于OpenStreetMap为开源地图，POI信息可能存在空缺或不准的情况，需要手动修订。
在这里插入图片描述
若poi.csv中name列为乱码，可能存在编码错误，请检查系统编码语言和读取csv的软件编码语言是否一致，或直接清空name列内容再运行grid2demand。

（3）调用grid2demand并读取输入文件

import grid2demand as gd
gd.ReadNetworkFiles()

（4）划分网格
与传统的交通小区不同，我们将研究区域划分为方格网。用户可自定义单元格数量或每个单元格的宽度和高度（米）。因须与地理坐标系匹配，在给定单元格尺寸的时候还需给定研究区域的纬度。在研究区域外围还设立有虚拟小区，用于描述进出研究区域的交通量。

gd.PartitionGrid(number_of_x_blocks=None,number_of_y_blocks=None,cell_width=1000,cell_height=1000,latitude=30)

（5）获取各建筑物类型的交通发生率和吸引率
不同出行目的下，同一建筑物的吸发率可能不同。用户可自定义出行率表poi_trip_rate.csv和出行目的。
在这里插入图片描述

gd.GetPoiTripRate(trip_purpose=1)

（6）计算各点的交通发生量和吸引量
对于POI点，根据不同建筑物的吸发率和建筑物的占地面积（也可手动修改poi.csv中的area属性为建筑面积、停车位、人数等测量单位）可计算各点的交通发生量和吸引量。对于进出研究范围的道路边界点（卡口），默认交通发生量和吸引为1000。

gd.GetNodeDemand()

（7）计算各交通小区间的可达性
默认根据小区质心间的直线距离计算，用户也可在accessibility.csv中自定义小区间的可达性为时间、费用等。

gd.ProduceAccessMatrix(latitude=30)

（8）用重力模型得到交通分布
在这里插入图片描述
用户可自定义出行目的及阻抗函数的系数，得到小区间的出行分布。


gd.RunGravityModel(trip_purpose=1, a=None, b=None, c=None)

在这里插入图片描述

（9）生成点到点的需求 (optional)
为便于后续做路径规划和交通分配，根据上一步得到的小区间的OD分布，随机获取各小区内的点，生成点到点的需求。

gd.GenerateAgentBasedDemand()

在这里插入图片描述

（10）可视化 (optional)
在QGIS中添加图层，导入输出的demand.csv，zone.csv等。
在这里插入图片描述

右键已添加的demand图层，选择“Properties”，设置“Symbology”为“Graduated”，选择“Value”为“volume”，即可实现根据出行量的可视化。
在这里插入图片描述

方格网边界外的需求则表示道路边界点产生、吸引的虚拟小区需求。
在这里插入图片描述

4. 为什么是网格状交通小区

传统的交通小区通常沿铁路、河流等天然屏障划分，遵循行政区划，以便交通调查和统计资料的获取，但难以克服空间异质性。
以美国国家植物园所在的交通小区为例，统计调查中的小区 (census tract) 为下图中的红色边框。传统的交通模型多是将这样的census tract作为交通小区 (Traffic Analysis Zone)进行需求分析，而忽视了小区内实际客流吸发点的分布。
通过划分方格网，可以将小区的交通吸发量与实际客流吸发点很好地结合，一定程度上降低了空间异质的影响，使OD出行分布更加精准。
在这里插入图片描述