Trackintel 是一个用于分析时空轨迹点数据,重点关注于人员流动(human mobility)研究的开源python框架,其核心是交通规划领域内知名的多层次移动数据模型。

我们为人类移动数据的整个数据分析周期提供功能支持:包括不同类别轨迹点数据的读取与写入(例如trackpoints,check-ins,trajectories),数据预处理,数据质量评估,语义丰富,定量分析和挖掘任务,和数据与结果的可视化。

Trackintel 是基于 Pandas 和GeoPandas的扩展框架。

数据模型

Trackintel数据模型概述:

• positionfixes (原始轨迹点,如GPS记录和check-ins)

• staypoints (用户一定时间内静止的位置, 如positionfixes或者check-ins的集合)

• activities (具有目的和语义标签的staypoints,如去咖啡店喝咖啡)

• locations (多次访问的重要地点, 如家或者工作地)

• triplegs (或stages) (连续移动而不改变移动模式,如上车与下车点之间的计程车旅途)

• trips (相邻activity之间所有的triplegs的集合)

• tours (返回到相同location的相连trips的集合)

功能说明

通过我们提供的I/O模块任何与上述运动数据模型相对应的数据都可以进入trackintel框架。 以下是我们提供的一些功能:

• Import: 支持从以下数据格式导入:geopandas数据框(推荐),指定格式的csv文件,postGIS数据库。我们为知名的公共数据集(例如Geolife)提供了特定的数据集读取方式。

• Aggregation: 我们提供函数以生成到不同的数据模型。如从positionfixes到staypoints,从positionfixes到triplegs,从staypoints到locations,从staypoints与triplegs到trips,和从trips到tours。

• Enrichment: 如推测staypoints的活动语义,推测triplegs的运动模式,推测locations的高级语义等。

效果图(正在更新)

多用户轨迹可视化:
多用户轨迹可视化:
Staypoints 与Trips可视化:
Staypoints 与Trips可视化:
更多的数据预处理和数据分析的可视化结果请查阅Trackintel帮助文档。

项目主页

Trackintel 下载地址:GitHub主页
Trackintel 帮助文档:最新文档

相关论文

Hong, Y., Martin, H., Xin, Y., Bucher, D., Reck, D. J., Axhausen, K. W., & Raubal, M. (2023). Conserved quantities in human mobility: From locations to trips. Transportation Research Part C: Emerging Technologies, 146, 103979.

Martin H., Hong Y., Wiedemann N., Bucher D., Raubal M. (2023). Trackintel: An open-source Python library for human mobility analysis. Computers, Environment and Urban Systems, 101, 101938.

联系方式

Trackintel框架正在积极迭代与开发当中,新的分析功能正在逐渐加入。

我们期待更多的研究者和用户参与框架的使用和开发。

洪晔(ETH Zurich 博士生):hongy@ethz.ch

Q.E.D.