Datenübersicht über Zähldaten¶
Dieses Notebook gibt einen Überblick über alle recherchierten und in den Unterordnern archivierte Datensätze. Die Datensätze sind thematisch geordnet nach Fahrgastzähldaten und Verkehrszähldaten. Zu jedem Datensatz gibt es einen Abschnitt, in dem die wichtigsten Eigenschaften dargestellt sind und Auszüge aus den Daten präsentiert.
Ordnerstruktur¶
01_AFZ - Automatische und manuelle Fahrgastzähldaten
02_Verkehrszähldaten - Automatische und manuelle Verkehrszähldaten (PKW, Fahrrad...)
- Fahrraddauerzählstellen Berlin
- Fahrraddauerzählstellen München
- Fahrraddauerzählstellen Rostock
- Automatische Zählstellen auf Autobahnen und Bundesstraßen
- Verkehrszähldaten und Fußgänger vom Ernst-Reuter Platz Berlin
- KFZ Zaehlstellen und Werte Koeln
- Automatische Straßenverkehrszählungen in Baden-Württemberg
Imports für Datensatzdarstellungen¶
import matplotlib
import pandas as pd
from pathlib import Path
import pandas_profiling
import numpy as np
import geopandas as gpd
from shapely.geometry import Point
import folium
import datetime
from IPython.display import display
pd.options.display.max_columns = None
AFZ - Automatische und manuelle Fahrgastzähldaten¶
Passagierzählung S-Bahn Hamburg¶
Daten zu Ein- und Aussteigern an den Hamburger S-Bahn Stationen aus Zählfahrten. (Rohdaten aus den Meßfahrten - exemplarische Werte, keine Gesamtpassagierzahlen). Es handelt sich um unbereinigte Rohdaten.
Im Netz der S-Bahn fahren einzelne Züge/Wagen mit, die exemplarisch messen. Die hier veröffentlichten Rohdaten werden dann umgerechnet, um zu einem Gesamtbild zu kommen. Hinweis: Es kann vorkommen, dass von einem Zug nur die Hälfte der Wagen Mess-Sensorik im Einsatz hat.
Die Daten werden türscharf (zwischen 18 und 22 Türen je nach BR) ermittelt und später im Backoffice zusammengefasst. Die gelieferten Daten sind nicht weiter behandelte Daten (Rohdaten). Hier wurde keine Regressionsparameter verwendet, die die Genauigkeit des Systems so erhöhen, dass sie für das Einnahmenaufteilungsverfahren verwendet werden dürfen. Auch ist kein Saldenausgleich vorgenommen worden. Am Ende der Fahrt muss also nicht zwangsläufig die Summe der Ein-Summe der Aussteiger Null ergeben.
Die Zählfahrzeuge fahren täglich, ohne besondere Einsatzplanung im Netz mit und erheben die Fahrten. Eine Fahrplanfahrt kann aus bis zu 3 Triebzügen bestehen. Es werden aber keine Zählzüge gezielt gekuppelt, um Fahrplanfahrten gesamt zu erheben. Dies ist nur zufällig der Fall.
- Quelle: Deutsche Bahn AG
- Datum Datensatz: 2017-10-17
- Erhebungszeitraum: 11.12.2016 - 31.03.2017
- Auflösung: Minütlich
- Aktualisierung: jährlich
- Downloadlink: http://data.deutschebahn.com/dataset/passagierzahlung-s-bahn-hamburg
- Downloaddatum: 27.11.2018
- Lizenz: Dieser Datensatz wird bereitgestellt unter der Lizenz Creative Commons Attribution 4.0 International (CC BY 4.0)
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\01_AFZ\Hamburg_SBahn_AFZ.csv')
df = pd.read_csv(path, encoding = "ISO-8859-1", sep=';', decimal=",")
df.head()
df.describe()
Fahrgastzahlen Zürich¶
Daten zu Ein- und Aussteigern an den Züricher Haltestellen.
- Quelle: Stadt Zürich
- Datum Datensatz: 26.11.2018
- Erhebungszeitraum: 2014
- Auflösung: Minütlich
- Aktualisierung: jährlich
- Downloadlink: https://opendata.swiss/de/dataset/fahrgastzahlen-vbz/resource/7ddb7294-b7fd-48e4-9b37-e92559a1b356
- Downloaddatum: 27.11.2018
- Lizenz: Freie Nutzung
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\01_AFZ\zuerich\REISENDE_2014.csv')
df = pd.read_csv(path, sep=';', decimal=",", nrows=20)
df.head()
pandas_profiling.ProfileReport(df)
Overview
Dataset info
| Number of variables | 22 |
|---|---|
| Number of observations | 20 |
| Total Missing (%) | 9.8% |
| Total size in memory | 3.5 KiB |
| Average record size in memory | 180.0 B |
Variables types
| Numeric | 4 |
|---|---|
| Categorical | 3 |
| Boolean | 2 |
| Date | 0 |
| Text (Unique) | 1 |
| Rejected | 12 |
| Unsupported | 0 |
Warnings
Anzahl_Messungenhas constant value 1 RejectedBesetzunghas 1 / 5.0% missing values MissingDistanzhas 1 / 5.0% missing values MissingID_Abschnittis highly correlated withHaltestellen_Id(ρ = 1) RejectedLinien_Idhas constant value 13 RejectedLiniennamehas constant value 62 RejectedNach_Hst_Idhas 1 / 5.0% missing values MissingNachtnetzhas constant value 0 RejectedTage_DTVhas constant value 17.00 RejectedTage_DWVhas constant value 0.00 RejectedTage_SAhas constant value 17.00 RejectedTage_SA_Nhas 20 / 100.0% missing values MissingTage_SA_Nhas constant value RejectedTage_SOhas constant value 0.00 RejectedTage_SO_Nhas 20 / 100.0% missing values MissingTage_SO_Nhas constant value RejectedTagtyp_Idhas constant value 15 Rejected
Variables
Anzahl_Messungen
Constant
This variable is constant and should be ignored for analysis
| Constant value | 1 |
|---|
Aussteiger
Categorical
| Distinct count | 5 |
|---|---|
| Unique (%) | 25.0% |
| Missing (%) | 0.0% |
| Missing (n) | 0 |
| 0.00 | |
|---|---|
| 1.00 | 1 |
| 2.00 | 1 |
| Other values (2) | 2 |
| Value | Count | Frequency (%) | |
| 0.00 | 16 | 80.0% | |
| 1.00 | 1 | 5.0% | |
| 2.00 | 1 | 5.0% | |
| 11.00 | 1 | 5.0% | |
| 5.00 | 1 | 5.0% |
Besetzung
Categorical
| Distinct count | 10 |
|---|---|
| Unique (%) | 50.0% |
| Missing (%) | 5.0% |
| Missing (n) | 1 |
| 0.00 | |
|---|---|
| 13.00 | |
| 6.00 | |
| Other values (6) |
| Value | Count | Frequency (%) | |
| 0.00 | 7 | 35.0% | |
| 13.00 | 2 | 10.0% | |
| 6.00 | 2 | 10.0% | |
| 1.00 | 2 | 10.0% | |
| 17.00 | 2 | 10.0% | |
| 10.00 | 1 | 5.0% | |
| 16.00 | 1 | 5.0% | |
| 3.00 | 1 | 5.0% | |
| 14.00 | 1 | 5.0% | |
| (Missing) | 1 | 5.0% |
Distanz
Numeric
| Distinct count | 18 |
|---|---|
| Unique (%) | 90.0% |
| Missing (%) | 5.0% |
| Missing (n) | 1 |
| Infinite (%) | 0.0% |
| Infinite (n) | 0 |
| Mean | 443.11 |
|---|---|
| Minimum | 173 |
| Maximum | 680 |
| Zeros (%) | 0.0% |
Quantile statistics
| Minimum | 173 |
|---|---|
| 5-th percentile | 179.3 |
| Q1 | 328.5 |
| Median | 460 |
| Q3 | 547 |
| 95-th percentile | 621.5 |
| Maximum | 680 |
| Range | 507 |
| Interquartile range | 218.5 |
Descriptive statistics
| Standard deviation | 152.58 |
|---|---|
| Coef of variation | 0.34434 |
| Kurtosis | -0.73401 |
| Mean | 443.11 |
| MAD | 122.07 |
| Skewness | -0.55429 |
| Sum | 8419 |
| Variance | 23280 |
| Memory size | 240.0 B |
| Value | Count | Frequency (%) | |
| 279.0 | 2 | 10.0% | |
| 460.0 | 2 | 10.0% | |
| 378.0 | 1 | 5.0% | |
| 180.0 | 1 | 5.0% | |
| 452.0 | 1 | 5.0% | |
| 546.0 | 1 | 5.0% | |
| 615.0 | 1 | 5.0% | |
| 173.0 | 1 | 5.0% | |
| 210.0 | 1 | 5.0% | |
| 458.0 | 1 | 5.0% | |
| Other values (7) | 7 | 35.0% |
Minimum 5 values
| Value | Count | Frequency (%) | |
| 173.0 | 1 | 5.0% | |
| 180.0 | 1 | 5.0% | |
| 210.0 | 1 | 5.0% | |
| 279.0 | 2 | 10.0% | |
| 378.0 | 1 | 5.0% |
Maximum 5 values
| Value | Count | Frequency (%) | |
| 548.0 | 1 | 5.0% | |
| 569.0 | 1 | 5.0% | |
| 606.0 | 1 | 5.0% | |
| 615.0 | 1 | 5.0% | |
| 680.0 | 1 | 5.0% |
Einsteiger
Categorical
| Distinct count | 6 |
|---|---|
| Unique (%) | 30.0% |
| Missing (%) | 0.0% |
| Missing (n) | 0 |
| 0.00 | |
|---|---|
| 2.00 | 2 |
| 3.00 | 2 |
| Other values (3) |
| Value | Count | Frequency (%) | |
| 0.00 | 13 | 65.0% | |
| 2.00 | 2 | 10.0% | |
| 3.00 | 2 | 10.0% | |
| 4.00 | 1 | 5.0% | |
| 1.00 | 1 | 5.0% | |
| 5.00 | 1 | 5.0% |
FZ_AB
Categorical, Unique
| First 3 values |
|---|
| 05:12:24 |
| 05:27:30 |
| 05:13:36 |
| Last 3 values |
|---|
| 05:28:42 |
| 05:33:54 |
| 05:21:30 |
First 10 values
| Value | Count | Frequency (%) | |
| 05:08:30 | 1 | 5.0% | |
| 05:09:54 | 1 | 5.0% | |
| 05:11:00 | 1 | 5.0% | |
| 05:12:24 | 1 | 5.0% | |
| 05:13:36 | 1 | 5.0% |
Last 10 values
| Value | Count | Frequency (%) | |
| 05:29:48 | 1 | 5.0% | |
| 05:30:54 | 1 | 5.0% | |
| 05:32:36 | 1 | 5.0% | |
| 05:33:54 | 1 | 5.0% | |
| 05:35:12 | 1 | 5.0% |
Haltestellen_Id
Numeric
| Distinct count | 12 |
|---|---|
| Unique (%) | 60.0% |
| Missing (%) | 0.0% |
| Missing (n) | 0 |
| Infinite (%) | 0.0% |
| Infinite (n) | 0 |
| Mean | 129.2 |
|---|---|
| Minimum | 77 |
| Maximum | 188 |
| Zeros (%) | 0.0% |
Quantile statistics
| Minimum | 77 |
|---|---|
| 5-th percentile | 77 |
| Q1 | 129 |
| Median | 131.5 |
| Q3 | 134 |
| 95-th percentile | 139.55 |
| Maximum | 188 |
| Range | 111 |
| Interquartile range | 5 |
Descriptive statistics
| Standard deviation | 21.944 |
|---|---|
| Coef of variation | 0.16984 |
| Kurtosis | 4.8138 |
| Mean | 129.2 |
| MAD | 10.72 |
| Skewness | -0.44168 |
| Sum | 2584 |
| Variance | 481.54 |
| Memory size | 240.0 B |
| Value | Count | Frequency (%) | |
| 77 | 2 | 10.0% | |
| 134 | 2 | 10.0% | |
| 133 | 2 | 10.0% | |
| 132 | 2 | 10.0% | |
| 131 | 2 | 10.0% | |
| 130 | 2 | 10.0% | |
| 129 | 2 | 10.0% | |
| 128 | 2 | 10.0% | |
| 188 | 1 | 5.0% | |
| 137 | 1 | 5.0% | |
| Other values (2) | 2 | 10.0% |
Minimum 5 values
| Value | Count | Frequency (%) | |
| 77 | 2 | 10.0% | |
| 128 | 2 | 10.0% | |
| 129 | 2 | 10.0% | |
| 130 | 2 | 10.0% | |
| 131 | 2 | 10.0% |
Maximum 5 values
| Value | Count | Frequency (%) | |
| 134 | 2 | 10.0% | |
| 135 | 1 | 5.0% | |
| 136 | 1 | 5.0% | |
| 137 | 1 | 5.0% | |
| 188 | 1 | 5.0% |
ID_Abschnitt
Highly correlated
This variable is highly correlated with Haltestellen_Id and should be ignored for analysis
| Correlation | 1 |
|---|
Linien_Id
Constant
This variable is constant and should be ignored for analysis
| Constant value | 13 |
|---|
Linienname
Constant
This variable is constant and should be ignored for analysis
| Constant value | 62 |
|---|
Nach_Hst_Id
Numeric
| Distinct count | 14 |
|---|---|
| Unique (%) | 70.0% |
| Missing (%) | 5.0% |
| Missing (n) | 1 |
| Infinite (%) | 0.0% |
| Infinite (n) | 0 |
| Mean | 129.47 |
|---|---|
| Minimum | 77 |
| Maximum | 188 |
| Zeros (%) | 0.0% |
Quantile statistics
| Minimum | 77 |
|---|---|
| 5-th percentile | 77 |
| Q1 | 129.5 |
| Median | 132 |
| Q3 | 134.5 |
| 95-th percentile | 143 |
| Maximum | 188 |
| Range | 111 |
| Interquartile range | 5 |
Descriptive statistics
| Standard deviation | 22.609 |
|---|---|
| Coef of variation | 0.17462 |
| Kurtosis | 4.4198 |
| Mean | 129.47 |
| MAD | 11.302 |
| Skewness | -0.46631 |
| Sum | 2460 |
| Variance | 511.15 |
| Memory size | 240.0 B |
| Value | Count | Frequency (%) | |
| 133.0 | 2 | 10.0% | |
| 132.0 | 2 | 10.0% | |
| 131.0 | 2 | 10.0% | |
| 130.0 | 2 | 10.0% | |
| 77.0 | 2 | 10.0% | |
| 129.0 | 2 | 10.0% | |
| 138.0 | 1 | 5.0% | |
| 137.0 | 1 | 5.0% | |
| 188.0 | 1 | 5.0% | |
| 136.0 | 1 | 5.0% | |
| Other values (3) | 3 | 15.0% |
Minimum 5 values
| Value | Count | Frequency (%) | |
| 77.0 | 2 | 10.0% | |
| 128.0 | 1 | 5.0% | |
| 129.0 | 2 | 10.0% | |
| 130.0 | 2 | 10.0% | |
| 131.0 | 2 | 10.0% |
Maximum 5 values
| Value | Count | Frequency (%) | |
| 135.0 | 1 | 5.0% | |
| 136.0 | 1 | 5.0% | |
| 137.0 | 1 | 5.0% | |
| 138.0 | 1 | 5.0% | |
| 188.0 | 1 | 5.0% |
Nachtnetz
Constant
This variable is constant and should be ignored for analysis
| Constant value | 0 |
|---|
Plan_Fahrt_Id
Boolean
| Distinct count | 2 |
|---|---|
| Unique (%) | 10.0% |
| Missing (%) | 0.0% |
| Missing (n) | 0 |
| Mean | 80706 |
|---|
| 80706 | |
|---|---|
| 80705 |
| Value | Count | Frequency (%) | |
| 80706 | 12 | 60.0% | |
| 80705 | 8 | 40.0% |
Richtung
Boolean
| Distinct count | 2 |
|---|---|
| Unique (%) | 10.0% |
| Missing (%) | 0.0% |
| Missing (n) | 0 |
| Mean | 1.4 |
|---|
| 1 | |
|---|---|
| 2 |
| Value | Count | Frequency (%) | |
| 1 | 12 | 60.0% | |
| 2 | 8 | 40.0% |
Sequenz
Numeric
| Distinct count | 12 |
|---|---|
| Unique (%) | 60.0% |
| Missing (%) | 0.0% |
| Missing (n) | 0 |
| Infinite (%) | 0.0% |
| Infinite (n) | 0 |
| Mean | 5.7 |
|---|---|
| Minimum | 1 |
| Maximum | 12 |
| Zeros (%) | 0.0% |
Quantile statistics
| Minimum | 1 |
|---|---|
| 5-th percentile | 1 |
| Q1 | 3 |
| Median | 5.5 |
| Q3 | 8 |
| 95-th percentile | 11.05 |
| Maximum | 12 |
| Range | 11 |
| Interquartile range | 5 |
Descriptive statistics
| Standard deviation | 3.2783 |
|---|---|
| Coef of variation | 0.57514 |
| Kurtosis | -0.81192 |
| Mean | 5.7 |
| MAD | 2.7 |
| Skewness | 0.30593 |
| Sum | 114 |
| Variance | 10.747 |
| Memory size | 240.0 B |
| Value | Count | Frequency (%) | |
| 8 | 2 | 10.0% | |
| 7 | 2 | 10.0% | |
| 6 | 2 | 10.0% | |
| 5 | 2 | 10.0% | |
| 4 | 2 | 10.0% | |
| 3 | 2 | 10.0% | |
| 2 | 2 | 10.0% | |
| 1 | 2 | 10.0% | |
| 12 | 1 | 5.0% | |
| 11 | 1 | 5.0% | |
| Other values (2) | 2 | 10.0% |
Minimum 5 values
| Value | Count | Frequency (%) | |
| 1 | 2 | 10.0% | |
| 2 | 2 | 10.0% | |
| 3 | 2 | 10.0% | |
| 4 | 2 | 10.0% | |
| 5 | 2 | 10.0% |
Maximum 5 values
| Value | Count | Frequency (%) | |
| 8 | 2 | 10.0% | |
| 9 | 1 | 5.0% | |
| 10 | 1 | 5.0% | |
| 11 | 1 | 5.0% | |
| 12 | 1 | 5.0% |
Tage_DTV
Constant
This variable is constant and should be ignored for analysis
| Constant value | 17.00 |
|---|
Tage_DWV
Constant
This variable is constant and should be ignored for analysis
| Constant value | 0.00 |
|---|
Tage_SA
Constant
This variable is constant and should be ignored for analysis
| Constant value | 17.00 |
|---|
Tage_SA_N
Constant
This variable is constant and should be ignored for analysis
| Constant value |
|---|
Tage_SO
Constant
This variable is constant and should be ignored for analysis
| Constant value | 0.00 |
|---|
Tage_SO_N
Constant
This variable is constant and should be ignored for analysis
| Constant value |
|---|
Tagtyp_Id
Constant
This variable is constant and should be ignored for analysis
| Constant value | 15 |
|---|
Correlations
Sample
Verkehrszähldaten - Automatische und manuelle Verkehrszähldaten (PKW, Fahrrad...)¶
Fahrraddauerzählstellen Berlin¶
Der Datensatz enthält Rohdaten der 17 Zählstellen für den Radverkehr. Rohdaten sind Daten, die direkt aus den Zählgeräten der Dauerzählstellen ausgelesen und nicht weiter bearbeitet werden.
Die Daten werden einmal jährlich nach Abschluss des Zähljahres zusammengestellt und veröffentlicht.
Bei der Auswertung und Interpretation der Daten sind folgende Randbedingungen zu beachten: - unterschiedliche Zeitpunkte für die Inbetriebnahme der Zählstellen, - unterschiedliche klimatische Bedingungen (Temperatur, Sonnen- und Regentage, Schnee, Glatteis, Unwetter) - Datenlücken z. B durch Batterieausfall, defekte Zählgeräte, defekte Induktionsschleifen oder Ausfall der Datenübertragung.
Weiterhin können die Ergebnisse der Messstellen durch folgende Faktoren beeinflusst werden:
- Umleitungen oder Baustellen im direkten Umfeld der Zählstellen,
- Besonderheiten im ÖPNV, z.B. Ersatzverkehre (z.B. der SEV 11-12/2017 in der Berliner Straße in Pankow),
- geänderte Verkehrsführung am Messquerschnitt
- Änderungen im Radwegenetz (Auswirkungen auf die Routenwahl).
Auch individuelles Verhalten von Radfahrenden, wie z.B. Personen, die den Radweg in entgegengesetzter Richtung benutzen und damit die Zählstelle in falscher Richtung überfahren, können richtungsbezogene Ergebnisse verzerren.
Neben den Pegelzählungen sind in dem Datensatz auch die geographische Lage sowie Installationsdatum aufgeführt
- Quelle: Senatsverwaltung für Umwelt, Verkehr und Klimaschutz
- Datum Datensatz:
- Erhebungszeitraum: 01.01.2012 - 31.12.2017
- Auflösung: Stündlich
- Aktualisierung: jährlich
- Downloadlink: https://www.berlin.de/senuvk/verkehr/lenkung/vlb/download/radzaehlung/Gesamtdatei_Stundenwerte_2014_2017.xlsx
- Downloaddatum: 27.11.2018
- Lizenz:
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\Berlin_Fahrraddauerzaehlstellen_Gesamtdatei_Stundenwerte_2014_2017.xlsx')
df = pd.read_excel(path, sheet_name='Jahresdatei 2017')
df.head()
df.describe()
stations = pd.read_excel(path, sheet_name='Standortdaten')
stations['geometry'] = stations.apply(lambda z: Point(z.Längengrad, z.Breitengrad), axis=1)
crs = {'init': 'epsg:4326'} #http://www.spatialreference.org/ref/epsg/2263/
stations = gpd.GeoDataFrame(stations, crs=crs)
r = folium.FeatureGroup(name='Fahrraddauerzählstellen')
for idx, row in stations.iterrows():
location = [row['geometry'].y, row['geometry'].x]
r.add_child(folium.Marker(location=location, popup=row['Beschreibung - Fahrtrichtung']))
layer_centroid = stations.centroid
m = folium.Map(tiles='CartoDB positron',location=[layer_centroid.y[0], layer_centroid.x[0]], zoom_start=11)
m.add_child(r)
m
Fahrraddauerzählstellen München¶
Daten der Raddauerzählstellen München Juni 2017
Der Datensatz enthält Rohdaten der Zählstellen für den Radverkehr. Auf der Seite können die Datensätzte für andere Monate heruntergeladen werden.
Raddauerzählstellen München
Dieser Datensatz umfasst die geographische Lage der Raddauerzählstellen (Fahrradzählstellen) in München. Daten der Zählstellen sind über das Schlagwort https://www.opengov-muenchen.de/dataset?tags=Raddauerzählstellen zu finden.
- Quelle: Stabsstelle Radverkehr der Landeshauptstadt München
- Datum Datensatz: 30.10.2018
- Erhebungszeitraum: 01.2017 - 08.2018
- Auflösung: 15 minütlich und täglich
- Aktualisierung: jährlich
- Downloadlink: https://www.opengov-muenchen.de/dataset/daten-der-raddauerzahlstellen-munchen-juni-2017
- Downloaddatum: 27.11.2018
- Lizenz:
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\radzaelstellen_muenchen\rad20180815min.csv')
df = pd.read_csv(path, encoding = "ISO-8859-1", sep=',')#, nrows=20)
df.head()
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\radzaelstellen_muenchen\radzaehlstellen.csv')
stations = pd.read_csv(path, sep=',')
stations['geometry'] = stations.apply(lambda z: Point(z.longitude, z.latitude), axis=1)
crs = {'init': 'epsg:4326'} #http://www.spatialreference.org/ref/epsg/2263/
stations = gpd.GeoDataFrame(stations, crs=crs)
r = folium.FeatureGroup(name='Fahrraddauerzählstellen')
for idx, row in stations.iterrows():
location = [row['geometry'].y, row['geometry'].x]
r.add_child(folium.Marker(location=location, popup=row['zaehlstelle']))
layer_centroid = stations.centroid
m = folium.Map(tiles='CartoDB positron',location=[layer_centroid.y[0], layer_centroid.x[0]], zoom_start=11)
m.add_child(r)
m
Fahrraddauerzählstellen Rostock¶
Dieser Datensatz umfasst die Standorte der Radmonitore in der Hanse- und Universitätsstadt Rostock mit Informationen zu Adresse, ID, Bezeichnung und Kontaktdaten, die Daten der Radmonitore in der Hanse- und Universitätsstadt Rostock, das heißt, je Radmonitor die Summe der gezählten Radfahrer je 15 Minuten sowie die Standorte der Radmonitore in der Hanse- und Universitätsstadt Rostock mit Informationen zu Adresse, Bezeichnung, Kontaktdaten, Summe der Radfahrer am vorherigen Tage, Gesamtsumme der Radfahrer seit Messbeginn und täglicher Summe der Radfahrer seit Messbeginn im Schnitt. Die Ressourcen werden in der Regel im folgenden Zeitabstand aktualisiert: 1 Tag
- Quelle: Hanse- und Universitätsstadt Rostock – Mobilitätskoordinator
- Datum Datensatz: 28.11.2018
- Erhebungszeitraum: 01.01.2019 - 28.11.2018
- Auflösung: 15 minütlich
- Aktualisierung: täglich
- Downloadlink: https://www.opendata-hro.de/dataset/radmonitore
- Downloaddatum: 28.11.2018
- Lizenz: Creative Commons Zero Universal 1.0 Public Domain Dedication
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\radzaehlstellen_rostock\radmonitore_daten.csv')
df = pd.read_csv(path, encoding = "ISO-8859-1", sep=',')
df.head()
df.describe()
Kartenübersicht der Zählstellen¶
path = (r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\radzaehlstellen_rostock\radmonitore_standorte.json')
stations = gpd.read_file(path)
crs = {'init': 'epsg:4326'} #http://www.spatialreference.org/ref/epsg/2263/
stations = gpd.GeoDataFrame(stations, crs=crs)
r = folium.FeatureGroup(name='Fahrraddauerzählstellen')
for idx, row in stations.iterrows():
location = [row['geometry'].y, row['geometry'].x]
popup = row['id'] + ' (' + row['bezeichnung'] + ')'
r.add_child(folium.Marker(location=location, popup=popup))
layer_centroid = stations.centroid
m = folium.Map(tiles='CartoDB positron',location=[layer_centroid.y[0], layer_centroid.x[0]], zoom_start=11)
m.add_child(r)
m
Fahrraddauerzählstellen Düsseldorf¶
Messungen¶
Der Datensatz enthält die Angaben der Dauerzählstellen für den Radverkehr in Düsseldorf. Die Daten zeigen, wann wie viele Radfahrerinnen und Radfahrer an diesem Ort unterwegs gewesen sind. Die Messergebnisse werden im 15-Minuten-Takt erfasst. In Düsseldorf gibt es 17 Dauerzählstellen für den Radverkehr. Im Herbst 2014 wurde die Zählstelle am Mannesmannufer mit einer Informationstafel verknüpft. Sie zeigt den Tages- und Jahreswert an dieser Messstelle an. Sofern in der Darstellung Angaben fehlen, war die entsprechende Dauerzählstelle zum Messzeitpunkt außer Betrieb. Die erfassten Daten können im Jahresvergleich abweichen, da bei den Zahlen der Radfahrer auch immer das entsprechende Wetter am Messtag berücksichtigt werden muss. So kann es sein, dass am Tag X wenige Radfahrer gezählt werden, am gleichen Tag ein Jahr später mehr gezählt werden, da dann evtl. das Wetter besser ist oder es sich um einen Wochenendetag handelt. Weitergehende Informationen zum Thema Radfahren in Düsseldorf finden Sie auf der Seite RADschlag – Düsseldorf tritt an! Die Datei „Jahresübersicht aller Dauerzählstellen Jahr“ enthält folgende Spalteninformationen: Datum: Tag der Messung Uhrzeit: Uhrzeit der Messung Bilker Allee IN…..OKB Süd: Anzahl der gezählten Räder im Zeitintervall an der entsprechenden Messstelle
Standorte¶
Der Datensatz enthält die Standorte und weitere Angaben zu den Dauerzählstellen für Fahrräder in Düsseldorf. In Düsseldorf gibt es 17 Dauerzählstellen für den Radverkehr. Im Herbst 2014 wurde die Zählstelle am Mannesmannufer mit einer Informationstafel verknüpft. Sie zeigt den Tages- und Jahreswert an dieser Messstelle an. Weitergehende Informationen zum Thema Radfahren in Düsseldorf finden Sie auf der Seite RADschlag – Düsseldorf tritt an! Die Datei „Standorte der Dauerzählstellen“ enthält folgende Spalteninformationen: Standort: Standort der Zählstelle Installationsdatum: Tag der Inbetriebnahme Latitude: Geographische Breite Longitude: Geographische Länge Kommentar: Installationsart
Klicken Sie hier für weiterführende Informationen (https://opendata.duesseldorf.de/dataset/standorte-der-dauerz%C3%A4hlstellen-radverkehr-d%C3%BCsseldorf)
- Quelle: Landeshauptstadt Düsseldorf , opendata@duesseldorf.de
- Datum Datensatz: 10.07.2018
- Erhebungszeitraum: 01.01.2012 - 31.12.2017
- Auflösung: 15 minütlich
- Aktualisierung: jährlich
- Downloadlink: https://opendata.duesseldorf.de/dataset/jahres%C3%BCbersicht-der-dauerz%C3%A4hlstellen-radverkehr-seit-2012
- Downloaddatum: 28.11.2018
- Lizenz: Datenlizenz Deutschland – Zero – Version 2.0
Datensatz Beispiel¶
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\radzaehlstellen_duesseldorf\Jahresuebersicht_aller_Dauerzaehlstellen_2017_0.csv')
df = pd.read_csv(path, sep=';')
df.head()
df.describe()
Kartenübersicht der Zählstellen¶
path = (r"Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\radzaehlstellen_duesseldorf\standorte_dauerzaehlstellen.json")
stations = gpd.read_file(path)
crs = {'init': 'epsg:4326'} #http://www.spatialreference.org/ref/epsg/2263/
stations = gpd.GeoDataFrame(stations, crs=crs)
r = folium.FeatureGroup(name='Fahrraddauerzählstellen')
for idx, row in stations.iterrows():
location = [row['geometry'].y, row['geometry'].x]
popup = row['Standort'] + ' (' + row['Installationsdatum'] + ')'
r.add_child(folium.Marker(location=location, popup=popup))
layer_centroid = stations.centroid
m = folium.Map(tiles='CartoDB positron',location=[layer_centroid.y[0], layer_centroid.x[0]], zoom_start=11)
m.add_child(r)
m
Fahrraddauerzählstellen Bonn¶
Der Datensatz enthält die Messergebnisse der Fahrradzählungen aller städtischen Dauerzählstellen im Bonner Stadtgebiet. Mit diesen Daten kann genau festgestellt werden, wann wie viele Radfahrerinnen und Radfahrer an diesen Orten unterwegs gewesen sind. Die Messergebnisse sind im 15 Minuten-Rhythmus erfasst. Die jeweiligen Standorte der Dauerzählstellen sind in der Datei Standortdaten sowie als eigener GeoJSON-Datensatz abrufbar. Hinweis zu Daten Kennedybrücke: Daten 1.1.2017 heraus genommen wg. falscher Datenübermittlung. Für jeden Standort gibt es eine csv-Datei.
Hinweis : Die Koordinaten der Standorte bei den mitgelieferten Messungen der Zählstellen sind unbrauchbar. Die Standorte über den Link beinhalten korrekte Geometrien, jedoch keine richtig codierten Namen.
- Quelle: Stadt Bonn
- Datum Datensatz: 23.02.2018
- Erhebungszeitraum: 01.01.2015 - 31.12.2017
- Auflösung: 15 minütlich
- Aktualisierung: jährlich
- Downloadlink: https://opendata.bonn.de/dataset/fahrradmessstellen-ergebnisse-radz%C3%A4hlungen
- Downloaddatum: 28.11.2018
- Lizenz:
Datenübersicht Beispiel¶
path = Path(r"Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\radzaehlstellen_bonn\506_2015bis2017SuedbrueckeSuedseite.csv")
df = pd.read_csv(path, sep=';')
df.head()
df.describe()
path = (r"Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\radzaehlstellen_bonn\standorte_zaehlstellen.geojson")
stations = gpd.read_file(path, encoding='iso8859-1')
crs = {'init': 'epsg:4326'} #http://www.spatialreference.org/ref/epsg/2263/
stations = gpd.GeoDataFrame(stations, crs=crs)
r = folium.FeatureGroup(name='Fahrraddauerzählstellen')
for idx, row in stations.iterrows():
location = [row['geometry'].y, row['geometry'].x]
popup = str(row['station_nr']) + ' (' + row['lage'] + ')'
r.add_child(folium.Marker(location=location, popup=popup))
layer_centroid = stations.centroid
m = folium.Map(tiles='CartoDB positron',location=[layer_centroid.y[0], layer_centroid.x[0]], zoom_start=11)
m.add_child(r)
m
Automatische Zählstellen auf Autobahnen und Bundesstraßen¶
Datensatz für richtungsbezogene Verkehrsmengendaten auf Autobahnen und Bundesstraßen. Der Erhebungszeitraum ist von 2003 bis aktuell 2017.
Stundenwerte¶
Bisher wurden für 2017 die Daten für Autbahnen (A) und Bundestraßen (B) heruntergeladen. Datensätze für weitere Jahre können hier heruntergeladen werden. Die Beschreibung der Attribute befindet sich hier. Die Verkehrszählung wird stündlich für verschiedenen Fahrzeuggruppe, -art und Richtungsfahrbahn gemessen.
Sollten Sie unsere Stundendaten verwenden, bitten wir Sie als Quelle "Bundesanstalt für Straßenwesen" anzugeben. Über einen Hinweis der Verwendung würden wir uns freuen (webmaster@bast.de).
Tageswerte¶
Bisher wurden für 2017 die Daten für Autbahnen (A) und Bundestraßen (B) heruntergeladen. Datensätze für weitere Jahre können hier heruntergeladen werden. Die Beschreibung der Attribute befindet sich hier. Die Verkehrszählung wird für DTV für verschiedenen Fahrzeuggruppe, -art und Richtungsfahrbahn dargestellt.
Die räumliche Zuordnung der Dauerverkehrszählstellen befindet sich in den Jahreswerten der täglichen Durchschnittlichen Verkehre.
- Quelle: BAST
- Datum Datensatz:
- Erhebungszeitraum: 2003 - 2017 (verschiedene Tabellen)
- Auflösung: Stündlich/Täglich
- Aktualisierung: jährlich
- Downloadlink: http://www.bast.de/videos/2017_A_S.zip
- Downloaddatum: 27.11.2018
- Lizenz:
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\bast\Jawe2017.csv')
df = pd.read_csv(path, encoding = "ISO-8859-1", sep=';', decimal=",")
df.head()
df.describe()
stations = df[['DZ_Nr', 'DZ_Name', 'Koor_WGS84_N', 'Koor_WGS84_E']].copy()
stations['geometry'] = stations.apply(lambda z: Point(z.Koor_WGS84_E, z.Koor_WGS84_N), axis=1)
crs = {'init': 'epsg:4326'}
stations = gpd.GeoDataFrame(stations, crs=crs)
r = folium.FeatureGroup(name='Verkehrsdauerzählstellen')
for idx, row in stations.iterrows():
location = [row['geometry'].y, row['geometry'].x]
r.add_child(folium.Marker(location=location))
layer_centroid = stations.centroid
m = folium.Map(tiles='CartoDB positron',location=[layer_centroid.y[0], layer_centroid.x[0]], zoom_start=8)
m.add_child(r)
m
Verkehrszähldaten und Fußgänger vom Ernst-Reuter Platz Berlin¶
Die Daten stammen aus einem Projekt, welches sich mit der Verarbeitung von Verkehrsfluss-und Parkplatz-Daten beschäftigt. Diese Daten werden über eine, von Cisco eingerichtete, Sensorik rund um den Ernst-Reuter-Platz gesammelt.
Beim Traffic oder People Flow Monitoring geht es um die Beobachtung und Aufzeichnung von Verkehrsflüssen. Im Rahmen dieses Projektes geschieht dies auf verschiedenen Weisen:
Wifi basiert
Mobilgeräte mit aktivem WLAN werden gezählt, wodurch Statistiken über Fußgänger oder und auch Activity-Heatmaps der überwachten Region entstehen
Kamera basiert
Analyse der Kamera-Aufnahmen zum Erstellen von Activity-Heatmaps oder Statistiken über Fahrzeuge (Anzahl von Fahrzeugen, Wann war ein bestimmtes Fahrzeug an welchem Punkt einer Kreuzung/Kreisverkehrs)
- Quelle: SCB ERP (Smart City Berlin Ernst Reuter Platz)
- Datum Datensatz: 11.07.2018
- Erhebungszeitraum: 2008
- Auflösung: Stündlich
- Aktualisierung: unregelmäßig
- Downloadlink: [http://flow.dai-labor.de/datasets/]
- Downloaddatum: 27.11.2018
- Lizenz: Creative Commons Attribution 4.0 International Public License
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\scb_erp\2018-07-11_combined\traffic_data_erp.csv')
df = pd.read_csv(path, encoding = "ISO-8859-1", sep=' ')#, nrows=20)
df['Timestamp'] = pd.to_datetime(df['Timestamp'],unit='ms')
df.head()
df.describe()
KFZ Zaehlstellen und Werte Koeln¶
Überblick der KFZ Zählstellen der Jahrgänge 2010 bis 2016 (1. Halbjahr).
Die Zähldaten werden an einem repräsentativen Stichtag (Montag - Freitag, nicht an Feiertagen und außerhalb von Schulferien) als Knotenstromzählungen erhoben.
So werden z.B. an einem 4-armigen Knotenpunkt 12 Knotenströme (Abbieger) erfasst. Die Zählung wird mit einer extra angebrachten Videokamera durchgeführt.
Die Auswertung der Verkehrszählung erfolgt in 3 Zeitblöcken (6-10 Uhr, 11-14 Uhr und 15-19 Uhr). Aus den Zeitblöcken wird, über spezifische Faktoren, der Tagesverkehr hochgerechnet.
Die Werte sind analog dem Fachbegriff DTVw (Durchschnittlicher täglicher Verkehr werktags) zu sehen. Die Einheit ist KFZ/24h. Aus den Werten ergeben sich die Streckenbelastungen an den zum jeweiligen Knotenpunkt zulaufenden Straßen.
Ziel ist es, dass sukzessive alle Strecken im Haupstraßennetz aufgenommen werden. Strecken ohne Werte wurden von 2010 bis 2016 nicht gezählt.
Eine richtungsbezogene Zuordnung gibt es nur im Fall von Einbahnstraßen, ansonten decken die dargestellten Werte beide Richtungen ab.
Die Ressource "Messlinien 2010 - 2016" zeigt die in diesem Zeitraum gezählten Knotenpunkte.
- Quelle: Stadt Köln
- Datum Datensatz: 31.05.2017
- Erhebungszeitraum: 2010-2016 (1. Halbjahr)
- Auflösung: täglich
- Aktualisierung:
- Downloadlink: [https://offenedaten-koeln.de/dataset/kfz-zaehlstellen-und-werte-koeln]
- Downloaddatum: 27.11.2018
- Lizenz:
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\stadt_koeln\Zaehldaten_2010_2016_link.csv')
df = pd.read_csv(path, encoding = "ISO-8859-1", sep=';')#, nrows=20)
df.head()
path = Path(r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\stadt_koeln\Zaehldaten_2010_2016_node.csv')
df = pd.read_csv(path, encoding = "ISO-8859-1", sep=';')#, nrows=20)
df.head()
path = r'Z:\10870_BMVI\106_xMND\2_Daten\Zaehldaten\02_Verkehrszaehldaten\stadt_koeln\zaehldaten_2010_2016_node.geojson'
m = folium.Map(tiles='CartoDB positron',location=[layer_centroid.y[0], layer_centroid.x[0]], zoom_start=8)
folium.GeoJson(path, name='geojson').add_to(m)
#m
Automatische Straßenverkehrszählungen in Baden-Württemberg¶
DTV der automatischen Verkehrszählstellen in Baden-Württemberg auf ausgefählten Autobahnen, Bundes- und Landstraßen. Daten der Jahre 2002 bis 2018 liegen monatlich als PDF vor.
- Quelle: Straßenverkehrszentrale Baden-Württemberg
- Datum Datensatz:
- Erhebungszeitraum: 2002-2018
- Auflösung: monatlich
- Aktualisierung:
- Downloadlink: [http://www.svz-bw.de/automatische_zaehlung.html#filter_landkreis=ALL&filter_strassennummer=ALL&filter_strassenklasse=ALL&showresult=0&]
- Downloaddatum:
- Lizenz: