如何优化OSMnx旅行时间多边形计算效率？

问题描述 #

我持有荷兰境内500个带经纬度坐标的点位，需要为每个点位生成15分钟驾车旅行时间范围的多边形。目前基于OSMnx、NetworkX和GeoPandas实现了功能，但每个点位都需下载25×25km的bounding box并转换为Multigraph，计算速度极慢。

曾尝试将荷兰路网分割为小块下载并存储为.graphml，合并后文件达2GB，处理时出现内存等问题。现寻求以下方向的解决方案：

• 如何避免重复下载路网？
• 有没有更优的旅行时间多边形计算方法？
• 推荐合适的替代工具库。

现有实现代码 #

# 选择数据集中的目标行
start = infra_dataframe[i-1:i]

# 设置坐标系
start.crs = "EPSG:4326"

# 设置旅行时间阈值（秒）
distance_value = 900  # 900秒 = 15分钟

# 生成点位缓冲区域（7855为米制坐标系）
buffer_value = distance_value*25  # 放大倍数确保覆盖所有可达区域
buffer_home = start.to_crs(epsg=7855).buffer(buffer_value).to_crs(epsg=4326)

# 获取缓冲区域的边界框
bounds = buffer_home.bounds.loc[i-1]

# 自定义道路过滤规则
cf = '["highway"~"motorway|motorway_link|trunk|trunk_link|primary|primary_link|secondary|secondary_link|tertiary|tertiary_link|residential|unclassified|living_street|service"]'

# 下载边界框内的路网
region = ox.graph_from_bbox(bounds['maxy'], bounds['miny'], bounds['minx'], bounds['maxx'], network_type='drive', custom_filter=cf)

# 为路网添加速度和旅行时间属性
G = ox.add_edge_speeds(region)
G = ox.add_edge_travel_times(region)

# 找到离起点最近的路网节点
center_node = ox.nearest_nodes(G, start['infra.lon'].iloc[0], start['infra.lat'].iloc[0])

# 计算从中心节点到所有节点的最短旅行时间
distances = nx.shortest_path_length(G, source=center_node, weight="travel_time")

# 筛选出15分钟内可达的节点
drivable_nodes = {node: dist for node, dist in distances.items() if dist < distance_value}

# 生成可达子图
G_reachable = G.subgraph(drivable_nodes.keys())

# 将子图转换为GeoDataFrame
gdf_nodes, gdf_edges = ox.graph_to_gdfs(G_reachable)

# 自定义函数生成可达区域多边形
reachable_polygon = create_polygon(gdf_nodes)

# 将多边形存入GeoDataFrame
gdf_reachable = gpd.GeoDataFrame(index=[0], crs='epsg:4326', geometry=[reachable_polygon])

优化方案 #

一、避免重复下载路网 #

• 预下载分区路网：不要按单个点位的buffer下载，而是下载覆盖所有500个点位的最小外接区域路网，或按荷兰行政区（如省份）划分成多个子区域，存储为.graphml文件。计算时直接加载对应子区域的路网，而非重复调用OSMnx下载接口。若全荷兰路网过大，可按点位分布划分重叠子区域，每个子区域覆盖部分点位。
• 添加路网缓存逻辑：用点位的buffer范围作为缓存key，将下载好的graph对象通过pickle序列化存储。后续遇到相同或重叠的buffer时，直接读取缓存文件，跳过重复下载步骤。

二、优化旅行时间多边形计算流程 #

• 批量执行可达性计算：若使用全区域路网，利用NetworkX的nx.multi_source_dijkstra_path_length函数，一次性传入所有点位对应的中心节点列表，批量计算所有节点到这些源点的最短旅行时间，再分别提取每个源点的可达节点，避免逐个点位重复计算。
• 复用路网预处理结果：对加载的路网仅执行一次add_edge_speeds和add_edge_travel_times操作，不要每个点位都重复处理。
• 优化多边形生成逻辑：自定义create_polygon函数可能是性能瓶颈，可替换为更高效的实现：
  • 先用gdf_nodes.unary_union.convex_hull快速生成凸包，再通过buffer(0)修复拓扑、simplify()简化形状；
  • 若不需要高精度，可使用可达节点的Voronoi图或Delaunay三角剖分生成多边形，比自定义函数更高效。
• 缩小缓冲区域范围：当前distance_value*25的buffer值（22500米）过大，可根据荷兰道路平均车速调整：按最高限速120km/h计算，15分钟最多行驶30km，但实际驾车不会全程高速，设置15km的buffer已足够覆盖所有可达区域，减少路网规模。

三、替代工具库推荐 #

• Pyrosm：直接从OSM PBF文件读取路网，支持按区域过滤，下载和加载速度比OSMnx更快，内存占用更低，适合预下载大规模路网并批量处理。
• GraphHopper：可本地部署的路由引擎，支持批量点位的等时线计算，生成旅行时间多边形的效率远高于NetworkX，适合处理500个点位的大规模计算需求。
• Valhalla：开源高性能路由引擎，专门优化了大规模路网的可达性计算，支持批量生成等时线，性能远超纯Python实现的工具。

内容的提问来源于stack exchange，提问作者jmt_r