BusNetPy —— 公交网络分析工具库

基于 Python 的城市公交网络数据采集、构建与分析工具库

简介

BusNetPy 是一个面向城市公共交通研究的 Python 工具库，提供从数据采集到网络分析的完整工作流。支持通过高德地图 API 和 8684 网站获取公交线路数据，构建 Space-L 和 Space-P 拓扑网络模型，计算非直线系数、平均站间距、重复系数等核心指标，并支持公交路径规划和地理可视化。

本工具库适用于城市交通规划、公交网络评价、学术研究等场景。

功能特性

功能模块	说明
数据采集	通过高德地图 REST API（v3/v5）采集公交站点、线路信息和折线坐标
网页爬取	通过 8684.cn 网站爬取城市公交线路名称列表
坐标转换	支持 GCJ-02（高德坐标）与 WGS-84（国际坐标）互转
数据构建	将原始数据构建为站点间衔接的结构化 GeoDataFrame
网络建模	构建 Space-L（相邻站点连接）和 Space-P（同线路站点全连接）拓扑网络
指标计算	非直线系数、平均站间距、重复系数、最大共线边、最多线路站点
路径规划	基于 Space-P 网络的公交换乘最短路径规划
可视化	静态图（matplotlib）和交互式地图（folium/geopandas）
数据导出	导出为 Shapefile、CSV 等格式
可达性分析	等时圈分析、站点覆盖率、出行时间矩阵
线网优化	重复路段识别、覆盖盲区检测、站间距异常检测、线路效率评估
换乘分析	换乘站识别与评级、直达率分析、线路换乘关联矩阵
网络韧性	关键节点识别、失效模拟、冗余度分析、渐进式攻击健壮性评估
POI 联动	站点周边 POI 画像、公共设施可达性、职住通勤分析

安装

环境要求

Python >= 3.8
pip 包管理器

安装步骤

# 1. 克隆仓库
git clone https://github.com/promise2341/BusNetPy.git
cd BusNetPy

# 2. 安装依赖
pip install -r requirements.txt

依赖库

主要依赖：

库名	用途
`pandas`	数据处理与分析
`geopandas`	地理空间数据处理
`shapely`	几何对象操作
`networkx`	图与网络分析
`requests`	HTTP 请求（API 调用）
`beautifulsoup4`	网页解析（8684 爬虫）
`matplotlib`	静态可视化
`contextily`	底图瓦片服务
`pyproj`	坐标系投影变换
`tqdm`	进度条显示
`fuzzywuzzy`	模糊字符串匹配
`pypinyin`	中文转拼音
`osmnx`	OpenStreetMap 网络分析

快速开始

1. 数据采集

使用高德地图 API 采集公交数据，需要先申请高德开放平台的 API Key。

from BusNetPynew.buspider import buspi

# 初始化采集器
spider = buspi(
    province='湖南省',
    city='长沙',
    key='你的高德API_Key',
    key_fwd='你的高德API_Key_v5',
    jscode='你的安全密钥',
    keyword='公交',
    region_xzq=['湖南省', '长沙市']  # 行政区划方式
)

# 执行采集，返回站点和线路 GeoDataFrame
bus_stops, bus_lines = spider.businfo(save_path='./data/')

2. 数据构建

将采集的原始数据构建为站点间衔接的结构化线网数据：

from BusNetPynew.busbuild import read_busdata, build_route

# 读取 CSV 数据
df_line, df_point = read_busdata(
    path_line='线路折线.csv',
    path_point='站点数据.csv'
)

# 构建结构化线网（默认投影 EPSG:3857，输出转回 WGS84）
gdf_route = build_route(df_line, df_point, epsg=3857, wgs84=True)

3. 网络建模

构建 Space-L 和 Space-P 拓扑网络：

from BusNetPynew.metrical import spaceL, spacep

# Space-L 网络（相邻站点连接）
G_L, pos = spaceL(gdf_route)

# Space-P 网络（同线路站点全连接）
G_P = spacep(df_point, gdf_route)

4. 指标计算

from BusNetPynew.metrical import Nonline, avg_station, cf_all, unique_line, most_linesta

# 非直线系数
base_line, cycle_line, fzxxs_base, fzxxs_hx = Nonline(
    gdf_route, base_path='非环线.csv', hx_path='环线.csv'
)

# 平均站间距
avg_sta = avg_station(gdf_route, file_path='平均站间距.csv')

# 重复系数
cf = cf_all(G_L, gdf_route)

# 最大共线边
max_lines = unique_line(G_L)

# 最多线路站点
most_linesta(G_L)

5. 路径规划

from BusNetPynew.metrical import find_nearest_node
from BusNetPynew.routplaning import bus_route_planning

# 查找最近站点
node1, name1, dist1 = find_nearest_node(G_L, lng=112.97, lat=28.23)
node2, name2, dist2 = find_nearest_node(G_L, lng=113.02, lat=28.19)

# 公交路径规划
stations, path_gdf, length = bus_route_planning(G_P, G_L, node1, node2, gdf_route)

6. 可视化

from BusNetPynew.csvis import ksh_point, ksh_line, ksh_all
from BusNetPynew.metrical import G_ksh

# 静态网络图
G_ksh(G_L, pos)

# 交互式地图
ksh_line(gdf_route, columns_name='name')  # 线路图
ksh_point(bus_stops)                        # 站点图
ksh_all(bus_stops, gdf_route)              # 叠加图

7. 可达性分析

from BusNetPynew.accessibility import isochrone, multi_isochrone, travel_time_matrix

# 单站点等时圈：30 分钟内可达站点
node1, _, _ = find_nearest_node(G_L, lng=121.52, lat=31.30)
result = isochrone(G_L, node1, time_limit=30, speed_kmh=20)
print(f"30 分钟内可达 {result['total_reachable']} 个站点")
print(result['reachable_details'].head())

# 多级等时圈（15/30/45/60 分钟）
gdf_iso = multi_isochrone(G_L, node1, time_limits=[15, 30, 45, 60])

# 出行时间矩阵
matrix = travel_time_matrix(G_L, speed_kmh=20, nodes=list(G_L.nodes())[:20])

8. 线网优化建议

from BusNetPynew.optimization import (
    find_redundant_segments, detect_spacing_anomalies,
    evaluate_route_efficiency, suggest_new_stops
)

# 识别重叠超过 3 条线路的路段
redundant = find_redundant_segments(G_L, threshold=3)
print(f"有 {len(redundant)} 个路段经过 3 条以上线路")

# 站间距异常检测
anomalies = detect_spacing_anomalies(gdf_route, min_km=0.2, max_km=2.0)
print(f"过短: {anomalies['stats']['too_short_count']} 段, 过长: {anomalies['stats']['too_long_count']} 段")

# 线路效率评估
efficiency = evaluate_route_efficiency(gdf_route, G_L)
print(efficiency[['name', 'total_length_km', 'avg_spacing_km', 'efficiency_score']].head(10))

# 建议新增站点
new_stops = suggest_new_stops(gdf_route, max_spacing_km=2.0)

9. 换乘分析

from BusNetPynew.transfer import (
    identify_transfer_stations, direct_reach_rate,
    line_connection_matrix, transfer_summary
)

# 识别换乘站及评级
transfers = identify_transfer_stations(G_L)
print(transfers[['staname', 'line_count', 'level']].head(10))

# 直达率分析
rates = direct_reach_rate(G_L)
print(f"直达率: {rates['direct_rate']:.1%}")
print(f"一次换乘可达率: {rates['one_transfer_rate']:.1%}")

# 线路换乘关联矩阵
matrix = line_connection_matrix(G_L)

# 换乘综合摘要
summary = transfer_summary(G_L)

10. 网络韧性与脆弱性分析

from BusNetPynew.resilience import (
    critical_nodes, simulate_node_failure,
    simulate_line_failure, redundancy_analysis, network_robustness
)

# 识别最关键的站点
critical = critical_nodes(G_L, top_n=10)
print(critical[['staname', 'betweenness', 'line_count', 'critical_score']])

# 模拟站点失效
node_top = critical.iloc[0]['node_id']
impact = simulate_node_failure(G_L, [node_top])
print(f"严重程度: {impact['severity']}, 受影响线路: {impact['affected_lines']}")

# 模拟线路停运
line_impact = simulate_line_failure(G_L, '1路')
print(f"移除边数: {line_impact['removed_edges']}, 严重程度: {line_impact['severity']}")

# 冗余度分析（桥边、割点）
redundancy = redundancy_analysis(G_L)
print(f"桥边数: {redundancy['bridge_count']}, 割点数: {redundancy['articulation_count']}")
print(f"平均冗余度: {redundancy['avg_redundancy']}")

# 渐进式攻击健壮性曲线
robustness = network_robustness(G_L, attack_mode='targeted', max_removals=10)

11. POI 数据联动

from BusNetPynew.poi_bindling import (
    station_poi_profile, facility_accessibility,
    commute_analysis, nearby_stations, fetch_pois
)

# 获取 POI 数据（需要高德 API Key）
# hospitals = fetch_pois(api_key='YOUR_KEY', city='上海', keywords='医院')

# 站点周边 POI 画像
profile = station_poi_profile(bus_stops, poi_gdf, radius_m=500)

# 公共设施可达性
access = facility_accessibility(G_L, bus_stops, poi_gdf, speed_kmh=20)

# 职住通勤分析
residential = ['s1', 's2', 's3']  # 居住区站点
workplace = ['s10', 's11']         # 工作区站点
commute = commute_analysis(G_L, residential, workplace, speed_kmh=20)
print(f"平均通勤: {commute['avg_commute_min']:.1f} 分钟")

# 查找附近站点
nearby = nearby_stations(bus_stops, lng=121.52, lat=31.30, radius_m=1000)

模块说明

模块	文件	功能
`buspider`	`buspider.py`	公交数据采集主模块，调用高德 API 获取线路和站点数据
`busbuild`	`busbuild.py`	数据构建模块，将原始数据处理为结构化公交线网
`metrical`	`metrical.py`	网络分析指标模块，计算非直线系数、站间距、构建网络拓扑
`routplaning`	`routplaning.py`	公交路径规划模块，基于 Space-P 的最短路径算法
`csvis`	`csvis.py`	交互式可视化模块，基于 geopandas 的 folium 地图
`buslist`	`buslist.py`	公交线路名称列表获取（高德 POI 搜索）
`citybus`	`citybus.py`	通过 8684.cn 网站爬取公交线路名称
`WGS1984`	`WGS1984.py`	GCJ-02 与 WGS-84 坐标互转
`find_cycle`	`find_cycle.py`	环线检测，识别公交线路中的环形模式
`citycode`	`citycode.py`	全国城市行政编码数据（adcode/citycode）
`utm_espg`	`utm_espg.py`	UTM 投影带号计算与坐标变换工具
`accessibility`	`accessibility.py`	可达性分析（等时圈、覆盖率、时间矩阵）
`optimization`	`optimization.py`	线网优化建议（重复路段、盲区、站间距）
`transfer`	`transfer.py`	换乘分析（换乘站识别、直达率、关联矩阵）
`resilience`	`resilience.py`	网络韧性（关键节点、失效模拟、冗余度）
`poi_bindling`	`poi_bindling.py`	POI 联动（设施可达性、通勤分析）
`utils`	`utils.py`	公共工具函数（坐标提取、距离计算等）
`ChineseAdminiDivisionsDict`	`ChineseAdminiDivisionsDict.py`	中国行政区划编码字典
`conversion_geo`	`conversion_geo.py`	地理边界校验与 Shapefile 导出

使用流程

数据采集 ──→ 数据构建 ──→ 网络建模 ──→ 指标分析 ──→ 可视化/导出
                                    │
                                    ├──→ 路径规划
                                    ├──→ 可达性分析（等时圈/覆盖率）
                                    ├──→ 换乘分析（换乘站/直达率）
                                    ├──→ 线网优化（盲区/冗余/效率）
                                    ├──→ 网络韧性（关键节点/失效模拟）
                                    └──→ POI 联动（设施可达/通勤分析）

详细流程：

数据采集（buspider）：通过高德 API 采集公交站点坐标、线路信息、线路折线
数据构建（busbuild）：读取 CSV 数据，建立站点索引，构建前后站衔接关系，生成 GeoDataFrame
网络建模（metrical）：构建 Space-L（相邻连接）和 Space-P（同线全连接）图网络
指标分析（metrical）：计算非直线系数、平均站间距、重复系数等
路径规划（routplaning）：基于网络模型进行公交出行路径规划
可视化（csvis/metrical）：静态图和交互式地图展示

项目结构

BusNetPy/
├── BusNetPynew/                     # 主包目录
│   ├── __init__.py                  # 包初始化与导出
│   ├── buspider.py                  # 数据采集模块
│   ├── busbuild.py                  # 数据构建模块
│   ├── metrical.py                  # 网络分析指标模块
│   ├── routplaning.py               # 路径规划模块
│   ├── csvis.py                     # 交互式可视化模块
│   ├── buslist.py                   # POI 搜索获取线路列表
│   ├── citybus.py                   # 8684 网站爬虫
│   ├── WGS1984.py                   # 坐标转换（GCJ-02 ↔ WGS-84）
│   ├── find_cycle.py                # 环线检测
│   ├── utils.py                     # 公共工具函数
│   ├── citycode.py                  # 城市行政编码
│   ├── utm_espg.py                  # UTM 投影工具
│   ├── ChineseAdminiDivisionsDict.py  # 行政区划字典
│   └── conversion_geo.py            # 地理校验与导出
├── tests/                           # 单元测试
│   ├── __init__.py
│   └── test_core.py                 # 核心功能测试
├── docs/                            # 文档目录
│   ├── API.md                       # API 参考文档
│   └── examples.md                  # 使用示例
├── requirements.txt                 # 依赖列表
├── AGENTS.md                        # 开发环境说明
└── README.md                        # 项目说明文档

核心概念

Space-L 网络

Space-L 拓扑网络中，只有相邻站点之间存在边。该模型保留了公交线路的地理拓扑关系，适用于：

分析公交线网的空间覆盖
计算重复系数（实际线路长度 / 网络长度）
识别最大共线路段

Space-P 网络

Space-P 拓扑网络中，同一条线路上的任意两个站点之间都存在边。该模型体现了乘客的可达性，适用于：

公交路径规划
可达性分析
换乘方案计算

非直线系数

非直线系数 = 线路实际长度 / 起终点直线距离。根据《城市道路交通规划设计规范 GB50220-95》，单条线路非直线系数不应大于 1.4，全网平均值以 1.15～1.2 为宜。

常见问题

Q: 需要哪些 API Key？

使用数据采集功能需要高德开放平台的 Web 服务 API Key：

key：高德 v3 API Key（公交线路详情查询）
key_fwd：高德 v5 API Key（POI 搜索）
jscode：JavaScript 安全密钥

申请地址：https://lbs.amap.com/

Q: 不用 API Key 能做什么？

所有离线分析功能（网络建模、指标计算、路径规划、可视化）均可使用预采集的 CSV 数据运行，无需 API Key。

Q: 坐标系是什么？

高德 API 返回的坐标为 GCJ-02 坐标系
本工具库自动将其转换为 WGS-84 国际通用坐标系
指标计算时会投影至 UTM 或 EPSG:3857 坐标系以保证距离精度

Q: 支持哪些城市？

支持中国大陆所有城市，城市行政编码数据已内置于 citycode.py 模块。

贡献指南

Fork 本仓库
创建功能分支：git checkout -b feature/your-feature
提交更改：git commit -m "Add your feature"
推送分支：git push origin feature/your-feature
提交 Pull Request

代码规范

遵循 PEP 8 代码风格
函数签名使用类型注解
公共函数编写 Google 风格的 docstring
新功能需附带单元测试

许可证

本项目采用 MIT 许可证。

Name		Name	Last commit message	Last commit date
Latest commit History 10 Commits
BusNetPynew		BusNetPynew
docs		docs
tests		tests
.gitignore		.gitignore
AGENTS.md		AGENTS.md
README.md		README.md
requirements.txt		requirements.txt
test.ipynb		test.ipynb
平均站间距.csv		平均站间距.csv
环线.csv		环线.csv
非环线.csv		非环线.csv

promise2341/BusNetPy

Folders and files

Latest commit

History

Repository files navigation

BusNetPy —— 公交网络分析工具库

目录

简介

功能特性

安装

环境要求

安装步骤

依赖库

快速开始

1. 数据采集

2. 数据构建

3. 网络建模

4. 指标计算

5. 路径规划

6. 可视化

7. 可达性分析

8. 线网优化建议

9. 换乘分析

10. 网络韧性与脆弱性分析

11. POI 数据联动

模块说明

使用流程

项目结构

核心概念

Space-L 网络

Space-P 网络

非直线系数

常见问题

Q: 需要哪些 API Key？

Q: 不用 API Key 能做什么？

Q: 坐标系是什么？

Q: 支持哪些城市？

贡献指南

代码规范

许可证

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages