In ahorawzy/TFTSA: Traffic Flow Time Series Analysis

library(ggplot2)
library(reshape2)

在上一次实验中，将”十一“节假日期间的交通流变化用柱状图显示，能够表现出”十一“节假日所带来的交通流突变效应。

本实验重点分析：

1. 节假日某日，2016年9月30日或2016年10月1日，交通流数据特征；
2. 非节假日某日，2016年9月29日以及之前，交通流数据特征。

节假日交通流特征

读取2016年10月1日交通流数据

tml1001 <- read.csv("D://data//thesis/201610/tmldata/tml1001all.csv",header = T)
dim(tml1001)

数据有288行，似乎是全的。

names(tml1001)

首先整理一下数据，计算当量

tml1001$机动车当量 <- 1*tml1001$中小客车+1*tml1001$小货车+1.5*tml1001$大客车+1.5*tml1001$中货车+3*tml1001$大货车+
  4*tml1001$特大货车+4*tml1001$集装箱+1*tml1001$摩托车+4*tml1001$拖拉机

names(tml1001)

tml1001 <- tml1001[,-c(1,16)]
names(tml1001)

绘制机动车交通流量图

点画线图

plot(tml1001$时间序号,tml1001$机动车当量,type="b")

折线图

plot(tml1001$时间序号,tml1001$机动车当量,type="l")

10月1日

qplot(x = 时间序号,y = 机动车当量,data=tml1001)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_x_continuous(breaks = seq(0,288,24))+
  scale_y_continuous(breaks = seq(0,120,20))

ggsave(filename = "10月1日交通流量点画线图.png",width = 6,height = 4,dpi = 600)

数据具有很多噪音

尝试使用LOESS技术平滑曲线，span取0.1。

loess1 <- loess(tml1001$机动车当量~tml1001$时间序号,span=0.1)
plot(tml1001$时间序号,tml1001$机动车当量,type="l")
lines(tml1001$时间序号,loess1$fit,col="red")

将LOESS平滑后的数据写入数据框，并存起来

tml1001$LOESS <- loess1$fitted
write.csv(tml1001,file = "D:\\data\\thesis\\201610\\tmldata\\tml1001loess.csv")

9月30日

tml0930 <- read.csv("D://data//thesis/201610/tmldata/tml0930all.csv",header = T)
tml0930 <- tml0930[,-1]
qplot(x = 时间序号,y = 机动车当量,data=tml0930)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_x_continuous(breaks = seq(0,288,24))+
  scale_y_continuous(breaks = seq(0,120,20))

10月2日

tml1002 <- read.csv("D://data//thesis/201610/tmldata/tml1002all.csv",header = T)
tml1002 <- tml1002[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml1002)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

10月3日

tml1003 <- read.csv("D://data//thesis/201610/tmldata/tml1003all.csv",header = T)
tml1003 <- tml1003[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml1003)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

10月4日

tml1004 <- read.csv("D://data//thesis/201610/tmldata/tml1004all.csv",header = T)
tml1004 <- tml1004[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml1004)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

10月5日

tml1005 <- read.csv("D://data//thesis/201610/tmldata/tml1005all.csv",header = T)
tml1005 <- tml1005[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml1005)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

10月6日

tml1006 <- read.csv("D://data//thesis/201610/tmldata/tml1006all.csv",header = T)
tml1006 <- tml1006[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml1006)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

10月7日

tml1007 <- read.csv("D://data//thesis/201610/tmldata/tml1007all.csv",header = T)
tml1007 <- tml1007[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml1007)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

非节假日交通流特征

9月29日

tml0929 <- read.csv("D://data//thesis/201610/tmldata/tml0929all.csv",header = T)
tml0929 <- tml0929[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml0929)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_x_continuous(breaks = seq(0,288,24))+
  scale_y_continuous(breaks = seq(0,120,20))

9月27日

tml0927 <- read.csv("D://data//thesis/201610/tmldata/tml0927all.csv",header = T)
tml0927 <- tml0927[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml0927)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

9月26日

tml0926 <- read.csv("D://data//thesis/201610/tmldata/tml0926all.csv",header = T)
tml0926 <- tml0926[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml0926)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

9月25日

tml0925 <- read.csv("D://data//thesis/201610/tmldata/tml0925all.csv",header = T)
tml0925 <- tml0925[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml0925)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

9月24日

tml0924 <- read.csv("D://data//thesis/201610/tmldata/tml0924all.csv",header = T)
tml0924 <- tml0924[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml0924)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

9月23日

tml0923 <- read.csv("D://data//thesis/201610/tmldata/tml0923all.csv",header = T)
tml0923 <- tml0923[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml0923)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

9月22日

tml0922 <- read.csv("D://data//thesis/201610/tmldata/tml0922all.csv",header = T)
tml0922 <- tml0922[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml0922)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

9月21日

tml0921 <- read.csv("D://data//thesis/201610/tmldata/tml0921all.csv",header = T)
tml0921 <- tml0921[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml0921)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

9月20日

tml0920 <- read.csv("D://data//thesis/201610/tmldata/tml0920all.csv",header = T)
tml0920 <- tml0920[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml0920)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

9月19日

tml0919 <- read.csv("D://data//thesis/201610/tmldata/tml0919all.csv",header = T)
tml0919 <- tml0919[,-1]

qplot(x = 时间序号,y = 机动车当量,data=tml0919)+geom_line(color="steelblue")+
  geom_smooth(method = "loess",span=0.1)+
  scale_y_continuous(breaks = seq(0,120,20))+
  scale_x_continuous(breaks = seq(0,288,24))

节假日与非节假日对比

试验1

names(tml1001)

tml1001try <- tml1001[,c(4,5,15)]
names(tml1001try)

tmlmelt <- melt(tml1001try,id="时间序号")
qplot(tmlmelt$时间序号,tmlmelt$value,data=tmlmelt,color=variable)+
  facet_grid(variable~.,scales="free_y")

试验2

tmlall <- read.csv("D:\\data\\thesis\\201610\\tmldata\\tml.csv",header = T)
dim(tmlall)

unique(tmlall$日期)

qplot(tmlall$时间序号,tmlall$中小客车,data=tmlall,color=tmlall$日期,geom="line")+
  facet_grid(tmlall$日期~.,scales="free_y")

图太密了

ggsave("多日图对比2.png",width=20,height=10)

试验3

jjr <- unique(tmlall$日期)[12:18]
tmljjr <- tmlall[tmlall$日期==jjr,]
ggplot3 <- qplot(tmljjr$时间序号,tmljjr$中小客车,data=tmljjr,color=tmljjr$日期,geom="line")+
  facet_grid(tmljjr$日期~.,scales="free_y")+geom_smooth(method = "loess",span=0.1)

ggsave("多日图对比.png",width=20,height=10)

ahorawzy/TFTSA documentation built on May 13, 2019, 12:18 p.m.