Momahmoses/lagos-traffic-commute-study

# 拉各斯交通与通勤模式研究 基于拉各斯路网性能的统计证据研究，旨在为承诺数十亿奈拉的基础设施支出前提供数据驱动的决策依据。 ## 问题背景 拉各斯州政府希望在拨款500亿奈拉新建基础设施**之前**，了解哪些道路在什么时段最拥堵、天气如何影响交通，以及BRT扩建是否真正缩短了通勤时间。 ## 快速开始 ``` pip install -r requirements.txt # 生成两年的合成GPS探针数据（730天 × 10条道路 × 7小时） python src/analysis/generate_data.py # 运行完整统计分析并生成报告 python src/analysis/main.py ``` ## 执行的分析 ### 1. 降雨影响（曼-惠特尼U检验） - **零假设H0**：降雨不会使通勤时间增加超过30% - 采用非参数检验（交通数据不符合正态分布） - 结果：强降雨（>30mm）使平均通勤时间增加**45-55%** ### 2. BRT扩建影响检验 - 对每条BRT线路开通日期进行前后对比 - 伊科罗杜路BRT：**通勤时间减少23%**（p < 0.001） - 莱基-埃佩BRT：**通勤时间减少19%**（p < 0.01） ### 3. 道路特征主成分分析 - 将5个道路特征降维为3个可解释成分 - PC1："通行能力"（宽度+车道数），PC2："城市密度"，PC3："安全性" - 3个成分解释了>82%的方差 ### 4. 时间序列分解 - 趋势：月均增长0.8分钟（人口增长效应） - 季节性：7天周期，周五最拥堵（较周一基准增加35%） - 高峰时段：早7-9点，晚5-8点 ### 5. 相关性分析（斯皮尔曼等级相关） - `market_proximity_km` → 与通勤速度呈最强负相关 - `lane_count` → 相关性最弱（车道数≠减少拥堵） ## 输出图表 - `reports/charts/commute_heatmap.png`，道路×小时热力图 - `reports/charts/rainfall_effect.png`，降雨类别与通勤时间关系图 ## 实际影响 基于证据的基础设施投资。由统计数据而非政治因素支持，聚焦真正关键的道路建设。

标签：BRT评估, Mutation, Python, 主成分分析, 交通分析, 交通拥堵, 代码示例, 可视化, 合成数据, 城市规划, 基础设施决策, 拉各斯交通, 数据分析, 数据科学, 数据驱动决策, 无后门, 时间序列分解, 热图生成, 相关性分析, 统计分析, 统计测试, 资源验证, 逆向工具, 降雨影响, 非参数检验