saturation-analysis 1.0.1

服务区饱和度分析系统 - 流量分析、饱和度计算和预测

服务区饱和度分析系统

服务区饱和度分析系统是一个基于Python开发的工具，用于分析高速公路服务区的车辆流量和服务区饱和度情况。该系统通过分析车辆通行数据、车辆类型和行驶速度等信息，计算服务区的实时饱和度，并可预测未来一段时间内的饱和度变化趋势。

系统特点

• 模块化设计，便于功能扩展和维护
• 完全支持自定义所有输入输出文件名，提高灵活性
• 提供完整的API接口，方便调用各个功能模块
• 支持流量分析、饱和度计算和预测功能
• 支持通过命令行或API方式使用
• 以Python包形式封装，易于分发和安装

安装方法

从源码安装

# 克隆代码库
git clone <仓库地址>
cd 服务区饱和度分析

# 安装依赖
pip install -r requirements.txt

# 以开发模式安装包
pip install -e .

使用pip安装（发布后）

# 从PyPI安装
pip install saturation-analysis

# 或者从本地wheel文件安装
pip install dist/saturation_analysis-1.0.0-py3-none-any.whl

系统目录结构

服务区饱和度分析/
├── saturation/          # 主要代码目录
│   ├── __init__.py      # 包初始化文件
│   ├── api.py           # API接口模块
│   ├── main.py          # 主程序入口
│   ├── flow.py          # 流量分析模块
│   ├── enJud/           # 入口判别模块
│   │   ├── data_process.py  # 数据处理模块
│   │   ├── julei.py     # 聚类分析模块
│   │   ├── fenleipanbie.py  # 分类判别模块
│   │   ├── panbie.py    # 速度判别模块
│   │   ├── yuzhi.py     # 阈值分析模块
│   │   └── huo_canshu.py  # 货车参数分析模块
│   ├── satAna/          # 饱和度分析模块
│   │   └── saturation.py  # 饱和度计算模块
│   └── pre/             # 预测模块
│       └── 预测模型.py     # 饱和度预测模块
├── examples/            # 示例代码目录
│   └── api_usage.py     # API使用示例
├── data/                # 数据目录
├── result/              # 结果目录
├── setup.py             # 安装配置文件
└── README.md            # 说明文档

使用方法

通过API使用

服务区饱和度分析系统提供了统一的API接口，您可以通过导入saturation.api模块来使用所有功能：

from saturation import api

# 设置数据目录
api.set_data_dir("path/to/your/data")

# 数据处理（自定义输入输出文件名）
api.process_data(
    input_file="input.csv", 
    output_file="processed.csv"
)

# 聚类分析（自定义参数和文件名）
api.cluster_analysis(
    input_file="total.csv",
    output_file="cluster_results.csv",
    n_components=3,  # 使用3个聚类
    plot=True  # 生成图表
)

# 阈值分析（自定义参数和图表文件名）
api.analyze_threshold(
    mu1=70.0,  # 自定义均值
    mu2=15.0,
    sigma1=10.0,  # 自定义标准差
    sigma2=9.0,
    w1=0.65,  # 自定义权重
    w2=0.35,
    save_plot=True,
    output_plot="custom_threshold_plot.png"  # 自定义输出图表文件名
)

# 流量分析（使用自定义文件名）
api.analyze_flow(
    input_file="speed_current1.csv",
    output_files={
        'flow_adjust': "custom_flow_adjust.csv",
        'etc_flow': "custom_etc_flow.csv",
        'inner_flow': "custom_inner.csv",
        'outer_flow': "custom_outer.csv",
        'ke_inner_flow': "custom_ke_inner.csv",
        'ke_outer_flow': "custom_ke_outer.csv",
        'huo_inner_flow': "custom_huo_inner.csv",
        'huo_outer_flow': "custom_huo_outer.csv",
        'merged_flow': "custom_flow_kehuo_adjusted.xlsx"
    }
)

# 单独使用流量分析子功能
# 计算时间值
t0, t1 = api.calculate_time_values_api(
    input_file="speed_current1.csv",
    distance=4.0
)

# 计算内部和外部流量
inner_path, outer_path = api.calculate_inner_outer_flow_api(
    input_file="speed_current1.csv",
    inner_file="custom_inner_flow.csv",
    outer_file="custom_outer_flow.csv"
)

# 饱和度分析（自定义输入输出文件名）
api.analyze_saturation_data(
    ke_flow_file="ke_flow1.csv",  # 自定义输入文件名
    huo_flow_file="huo_flow1.csv",  # 自定义输入文件名
    output_file="custom_saturation_results.csv"  # 自定义输出文件名
)

# 对饱和度结果进行聚类（自定义文件名）
api.cluster_saturation_data(
    input_file="custom_saturation_results.csv",  # 使用前面饱和度分析的输出文件
    output_file="custom_saturation_clusters.csv",  # 自定义输出文件名
    num_clusters=4,  # 使用4个聚类
    save_plot=True,
    plot_file="custom_saturation_plot.png"  # 自定义输出图表文件名
)

# 饱和度预测（自定义所有输入输出文件名）
api.predict(
    input_file="flow-kehuo-adjusted.xlsx",  # 自定义输入文件名
    output_model="example_model.h5",  # 自定义模型输出文件名
    output_results="custom_prediction_results.csv",  # 自定义预测结果输出文件名
    output_plot="custom_prediction_plot.png",  # 自定义图表输出文件名
    train_size=500,  # 训练集大小
    epochs=20  # 训练轮数
)

# 执行完整流程（支持自定义所有输出文件名）
output_files = {
    'cluster_result': "custom_cluster_result.csv",
    'truck_plot': "custom_truck_plot.png",
    'threshold_plot': "custom_threshold_plot.png",
    'speed_result': "custom_speed_result.csv",
    'classification_result': "custom_classification_result.csv",
    'flow_adjust': "custom_flow_adjust.csv",
    'etc_flow': "custom_etc_flow.csv",
    'inner_flow': "custom_inner_flow.csv",
    'outer_flow': "custom_outer_flow.csv",
    'ke_inner_flow': "custom_ke_inner_flow.csv",
    'ke_outer_flow': "custom_ke_outer_flow.csv",
    'huo_inner_flow': "custom_huo_inner_flow.csv",
    'huo_outer_flow': "custom_huo_outer_flow.csv",
    'merged_flow': "custom_merged_flow.xlsx",
    'saturation_result': "custom_saturation_result.csv",
    'saturation_clusters': "custom_saturation_clusters.csv",
    'saturation_plot': "custom_saturation_plot.png",
    'prediction_model': "custom_prediction_model.h5",
    'prediction_results': "custom_prediction_results.csv",
    'prediction_plot': "custom_prediction_plot.png"
}
api.run_full_pipeline(output_files=output_files)

通过命令行使用

# 执行完整分析流程
python -m saturation.main --all

# 仅执行数据处理
python -m saturation.main --process

# 仅执行流量分析
python -m saturation.main --flow

# 仅执行饱和度分析
python -m saturation.main --analyze

# 仅执行预测
python -m saturation.main --predict

# 指定数据目录
python -m saturation.main --all --data-dir="path/to/your/data"

# 指定输出目录
python -m saturation.main --all --output-dir="path/to/output/dir"

模块详细说明及输入输出

1. 数据处理模块 (saturation.enJud.data_process)

该模块负责处理原始ETC数据，进行去重、匹配和速度计算等操作。

主要功能：

• 原始数据处理和去重
• 上下行车辆匹配
• 速度计算
• 按车辆类型分割数据

API接口：

api.process_data(input_file, output_file, data_dir)

输入文件：

• input_file: 原始ETC数据文件，默认为"G006550002000620010.csv"

输出文件：

• output_file: 处理后的数据文件，默认为"down.csv"

2. 聚类分析模块 (saturation.enJud.julei)

该模块使用贝叶斯高斯混合模型对车辆行为数据进行聚类分析。

主要功能：

• 对车辆行为特征进行聚类分析
• 将车辆分为不同的行为模式组

API接口：

api.cluster_analysis(input_file, output_file, n_components, test_size, plot, data_dir)

输入文件：

• input_file: 输入数据文件，默认为"total.csv"

输出文件：

• output_file: 聚类结果文件，默认为"聚类结果.csv"

3. 速度判别模块 (saturation.enJud.panbie)

该模块根据车辆速度阈值进行判别分析。

主要功能：

• 根据车辆类型和速度进行分类判别
• 生成速度判别结果

API接口：

api.classify_speed_data(input_file, output_file, speed_threshold_0, speed_threshold_1, data_dir)

输入文件：

• input_file: 速度数据文件，默认为"speed_current1.csv"

输出文件：

• output_file: 速度判别结果文件，默认为"速度判别数据.csv"

参数：

• speed_threshold_0: 客车速度阈值，默认为66.268
• speed_threshold_1: 货车速度阈值，默认为39.582

4. 分类判别模块 (saturation.enJud.fenleipanbie)

该模块根据聚类结果和速度判别结果进行综合分类判别。

主要功能：

• 将聚类结果和速度判别结果进行合并
• 生成最终的分类判别结果

API接口：

api.classify_data_by_cluster(cluster_file, speed_file, output_file, data_dir)

输入文件：

• cluster_file: 聚类结果文件，默认为"聚类结果.csv"
• speed_file: 速度判别文件，默认为"速度判别数据.csv"

输出文件：

• output_file: 分类判别结果文件，默认为"分类判别.csv"

5. 阈值分析模块 (saturation.enJud.yuzhi)

该模块通过模拟退火算法计算最优速度阈值。

主要功能：

• 分析车辆速度分布特征
• 计算最优速度阈值

API接口：

api.analyze_threshold(mu1, mu2, sigma1, sigma2, w1, w2, save_plot, output_plot, data_dir)

参数：

• mu1, mu2: 两个分布的均值，默认为69.24和15.42
• sigma1, sigma2: 两个分布的标准差，默认为10.22和9.47
• w1, w2: 两个分布的权重，默认为0.7和0.3
• save_plot: 是否保存图表，默认为True
• output_plot: 输出图表文件名，默认为"threshold_plot.png"

输出文件：

• 阈值分析图表文件（可自定义文件名）

6. 货车参数分析模块 (saturation.enJud.huo_canshu)

该模块专门分析货车的速度分布特征。

主要功能：

• 对货车速度数据进行K-means聚类
• 使用EM算法拟合混合高斯模型
• 分析货车速度分布参数

API接口：

api.analyze_truck_params(input_file, plot, output_plot, data_dir)

输入文件：

• input_file: 速度数据文件，默认为"speed_current.csv"

输出文件：

• output_plot: 货车速度分布图表文件，默认为"truck_speed_distribution.png"（可自定义文件名）

7. 流量分析模块 (saturation.flow)

该模块负责计算和分析车辆流量数据。

主要功能：

• 计算时间值
• 调整流量数据
• 计算内部和外部流量
• 计算不同车型的流量
• 支持完全自定义所有输入输出文件名

API接口：

api.analyze_flow(input_file, data_dir, output_dir, custom_flow_files, output_files)

输入文件：

• input_file: 速度数据文件，默认为"speed_current1.csv"
• custom_flow_files: 自定义流量文件列表，用于合并流量文件

输出文件： 以下文件名均可通过output_files字典自定义：

• flow_adjust: 流量调整文件，默认为"flow_adjust.csv"
• etc_flow: ETC流量文件，默认为"etc_flow.csv"
• inner_flow: 内部流量文件，默认为"inner.csv"
• outer_flow: 外部流量文件，默认为"outer.csv"
• ke_inner_flow: 客车内部流量文件，默认为"etc_ke_inner.csv"
• ke_outer_flow: 客车外部流量文件，默认为"etc_ke_outer.csv"
• huo_inner_flow: 货车内部流量文件，默认为"etc_huo_inner.csv"
• huo_outer_flow: 货车外部流量文件，默认为"etc_huo_outer.csv"
• merged_flow: 合并流量文件，默认为"flow-kehuo-adjusted.xlsx"

单独的流量分析API：

# 计算时间值
api.calculate_time_values_api(input_file, distance, data_dir)

# 调整流量
api.adjust_flow_api(input_file, output_file, data_dir)

# 计算流量
api.calculate_flow_api(input_file, output_file, data_dir)

# 计算内部和外部流量
api.calculate_inner_outer_flow_api(input_file, inner_file, outer_file, data_dir)

# 计算不同车型的内外流量
api.calculate_vehicle_type_flow_api(input_file, ke_inner_file, ke_outer_file, huo_inner_file, huo_outer_file, data_dir)

# 创建合并流量文件
api.create_flow_file(output_file, data_dir, input_files)

8. 饱和度分析模块 (saturation.satAna.saturation)

该模块负责计算服务区饱和度并进行聚类分析。

主要功能：

• 使用PCA计算客车和货车流量的权重
• 计算加权后的饱和度
• 对饱和度数据进行聚类分析
• 支持自定义输入输出文件名和图表文件名

API接口：

api.analyze_saturation_data(ke_flow_file, huo_flow_file, output_file, data_dir)
api.cluster_saturation_data(input_file, output_file, num_clusters, save_plot, plot_file, data_dir)

输入文件：

• ke_flow_file: 客车流量文件，默认为"ke_flow1.csv"
• huo_flow_file: 货车流量文件，默认为"huo_flow1.csv"
• input_file: 饱和度数据文件，默认为"merged_flow_saturation_PCA.csv"

输出文件：

• output_file: 饱和度分析结果文件，默认为"merged_flow_saturation_PCA.csv"或"saturation_clusters.csv"（可自定义）
• plot_file: 聚类图表文件，默认为"saturation_clusters.png"（可自定义）

9. 预测模块 (saturation.pre.预测模型)

该模块使用深度学习模型预测未来饱和度。

主要功能：

• 使用LSTM网络建立时间序列预测模型
• 预测未来一段时间内的饱和度变化
• 评估预测结果
• 支持自定义所有输入输出文件名

API接口：

api.predict(input_file, output_model, output_results, output_plot, train_size, time_steps, input_dims, lstm_units, epochs, batch_size, save_plot, data_dir)

输入文件：

• input_file: 输入流量文件，默认为"flow-kehuo-adjusted.xlsx"（可自定义）

输出文件：

• output_model: 模型输出文件，默认为"saturation_model.h5"（可自定义）
• output_results: 预测结果文件，默认为"prediction_results.csv"（可自定义）
• output_plot: 预测图表文件，默认为"saturation_prediction.png"（可自定义）

参数：

• train_size: 训练集大小，默认为200
• time_steps: 时间步长，默认为5
• input_dims: 输入维度，默认为6
• lstm_units: LSTM单元数，默认为64
• epochs: 训练轮数，默认为100
• batch_size: 批处理大小，默认为64
• save_plot: 是否保存图表，默认为True

10. 完整流程 (saturation.main)

系统提供一键执行完整分析流程的功能，并且支持自定义所有输出文件名。

API接口：

api.run_full_pipeline(data_dir, output_dir, output_files)

参数：

• data_dir: 数据目录
• output_dir: 输出目录
• output_files: 自定义输出文件名字典，可以自定义系统产生的所有输出文件的名称

自定义文件名功能

本系统的一个重要特点是完全支持自定义所有输入输出文件名。这意味着您可以：

1. 使用已有的数据文件，无需重命名来适应系统
2. 自定义所有输出文件的命名，方便管理和整理结果
3. 在不同的分析任务中使用不同的文件命名方案
4. 集成到现有的数据处理流程中，无缝衔接上下游系统

使用示例：

# 定义自定义输出文件名
custom_output_files = {
    'flow_adjust': "my_flow_adjust.csv",
    'etc_flow': "my_etc_flow.csv",
    'inner_flow': "my_inner.csv",
    'outer_flow': "my_outer.csv",
    'ke_inner_flow': "my_ke_inner.csv",
    'ke_outer_flow': "my_ke_outer.csv",
    'huo_inner_flow': "my_huo_inner.csv",
    'huo_outer_flow': "my_huo_outer.csv",
    'merged_flow': "my_flow_kehuo_adjusted.xlsx",
    'saturation_result': "my_saturation_results.csv",
    'saturation_clusters': "my_saturation_clusters.csv",
    'saturation_plot': "my_saturation_plot.png",
    'prediction_model': "my_model.h5",
    'prediction_results': "my_prediction_results.csv",
    'prediction_plot': "my_prediction_plot.png"
}

# 执行完整流程，使用自定义文件名
api.run_full_pipeline(output_files=custom_output_files)

Python包封装说明

本项目已封装为Python包，命名为saturation，提供以下方式安装和使用：

安装方式

1. 开发模式安装：适用于需要修改源码的情况

   pip install -e .
   

2. 从构建的分发包安装：

   # 构建分发包
   python setup.py sdist bdist_wheel
   
   # 安装构建的wheel包
   pip install dist/saturation-0.1.0-py3-none-any.whl
   

3. 从PyPI安装（如已发布）：

   pip install saturation
   

包结构

安装后，可以通过以下方式导入和使用包：

# 导入整个包
import saturation

# 导入API模块
from saturation import api

# 使用API功能
api.set_data_dir("path/to/data")
api.run_full_pipeline()

依赖管理

包的依赖项在setup.py中定义，安装时会自动安装所需的依赖库。主要依赖包括：

• pandas
• numpy
• matplotlib
• scikit-learn
• tensorflow/keras
• scikit-fuzzy

示例代码

请参考examples/api_usage.py文件，该文件展示了如何使用各个API功能，包括如何自定义所有输入输出文件名。

版权和许可

版权所有 © 2023 服务区饱和度分析系统开发团队。保留所有权利。

贡献

欢迎提交问题报告和改进建议。