Cuantificar Patrones de Transporte Utilizando Datos GTFS
Cómo medir patrones de transporte utilizando datos GTFS
En este artículo, exploraré los sistemas de transporte público de cuatro ciudades seleccionadas basándome en las Especificaciones Generales de Alimentación de Tránsito (General Transit Feed Specification – GTFS) y diversas herramientas de ciencias de datos espaciales.
En este cuaderno, he elegido cuatro ciudades: Budapest, Berlín, Estocolmo y Toronto, para ofrecer una visión general de sus sistemas de transporte público utilizando los datos GTFS (General Transit Feed Specification) disponibles públicamente. Este cuaderno tiene como objetivo servir como un tutorial introductorio sobre cómo acceder, manipular, agregar y visualizar datos de transporte público utilizando Pandas, GeoPandas y otras herramientas estándar de ciencias de datos para obtener información sobre el transporte público. Posteriormente, esta comprensión puede ser útil en diferentes casos de uso, como el transporte, la planificación urbana y la inteligencia de ubicación.
Además, aunque el formato GTFS se supone que es general y universal, también señalaré situaciones que todavía requieren conocimiento e inspección manual a nivel de cada ciudad a lo largo de los siguientes pasos analíticos.
1. Recolectar e interpretar datos GTFS
Para este artículo, descargué datos de transporte público de Transitfeeds.com, un sitio web que recopila datos de transporte público. En particular, descargué datos con las siguientes fechas de actualización más recientes para las siguientes ciudades:
- El ex CEO de Google advierte que las actuales barreras de inteligencia artificial no son suficientes
- Pequeño pero poderoso avances de los modelos de lenguaje pequeños en la era de los modelos de lenguaje grandes dominantes
- 15+ Herramientas de IA para Desarrolladores (Diciembre 2023)
En los siguientes bloques de código, exploraré cada una de estas ciudades varias veces, crearé gráficos comparativos y resaltaré la universalidad del formato GTFS. Además, para asegurarme de que mis análisis sean fáciles de actualizar con datos más recientes, almacené los datos GTFS de cada ciudad en una carpeta correspondiente a la fecha de actualización:
import osroot = 'data'cities = ['Budapest', 'Toronto', 'Berlin', 'Stockholm']updated = {city : [f for f in os.listdir(root + '/' + city) if '20' in f][0] for city in cities}updated
La salida de esta celda:
Ahora, echemos un vistazo más de cerca a los diferentes archivos almacenados en estas carpetas:
for city in cities…
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Aprovechando el poder de las APIs Moldeando la hoja de ruta del producto y elevando las experiencias de los usuarios a través de la autenticación
- Una guía paso a paso para modelos de lenguaje pequeños en CPUs locales
- Alibaba prioriza esto sobre la computación cuántica
- Integración de datos e información impulsada por IA
- Dominando los flujos de trabajo de la ciencia de datos con ChatGPT
- Introducción comprensiva a la Inteligencia Artificial General (IAG)
- Investigadores de la Universidad de Pekín y Microsoft presentan COLE un marco de generación jerárquica eficaz que puede convertir una simple indicación de intención en un diseño gráfico de alta calidad.