[3]{.chapter-number}  [Análise de GTFS]{.chapter-title}

3 Análise de GTFS

3.1 Pacotes de R

Existem alguns bons pacotes R para ler e manipular dados GTFS, tais como:

tidytransit
gtfstools
gtfsio
gtfsrouter - útil para criar tabela transfers.txt quando não existe.
geotransit - para descarregar todos os GTFS presentes numa determinada área
GTFSwizard - análises rápidas e interativas
GTFShift - análises de frequências para planeamento

Atenção que os pacotes podem partilhar os mesmos nomes de funções, pelo que é importante utilizar um delas de cada vez.

3.2 Exemplo de análise GTFS em R

3.2.1 Metro Lisboa

Vamos importar os dados de GTFS diretamente do website do Metro de Lisboa

Código

## Pacotes
library(tidyverse)
library(tidytransit)
library(mapview)

# Ler dados GTFS
METRO = read_gtfs("https://github.com/rosamfelix/EITbraga/releases/download/latest/metro_gtfs.zip")
summary(METRO)

tidygtfs object
files        agency, stops, routes, trips, stop_times, calendar, calendar_dates, fare_attributes, fare_rules, frequencies, transfers, feed_info
agency       Metropolitano de Lisboa, E.P.E.
service      from 2023-04-02 to 2031-12-31
uses         stop_times (no frequencies)
# routes        4
# trips      2514
# stop_ids     74
# stop_names   50
# shapes        0

Este ficheiro inclui as transferências, mas não inclui as shapes. Neste caso não é relevante, elas podem ser depois geradas com a informação que já existe.

Podemos ver a localização das 50 estações do Metro:

Código

ESTACOES_metro = stops_as_sf(METRO$stops) # converter texto para geometria
mapview(ESTACOES_metro)

Desafio: Ver quanto tempo demora a alcançar cada estação a partir da Baixa

num dia útil em hora de ponta
num domingo de noite

Dia útil em hora de ponta

Filtramos os dados para o dia de hoje, terça-feira, entre as 7h30 e as 9h00, e calculamos a duração da viagem mais rápida entre a estação Baixa-Chiado e todas as outras.

Código

stop_times_metro = filter_stop_times(METRO, "2025-05-28", "07:30:00", "09:00:00")
duracao_viagem = travel_times(stop_times_metro, "Baixa / Chiado") # Baixa / Chiado é a estação de metro da Baixa

summary(duracao_viagem$travel_time/60) # resumo em minutos

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.000   6.383  13.417  12.945  18.904  26.667

Sem contar com o tempo de espera na Baixa-Chiado, é possível alcançar qualquer estação da rede em menos de 26.7 minutos, em hora de ponta.

Domingo de noite

Filtramos os dados para o próximo Domingo entre as 21h30 e as 22h30, e novamente calculamos a duração da viagem mais rápida entre a estação Baixa-Chiado e todas as outras

Código

stop_times_metro = filter_stop_times(METRO, "2025-06-01", "21:30:00", "22:30:00")
duracao_viagem = travel_times(stop_times_metro, "Baixa / Chiado") 

summary(duracao_viagem$travel_time/60) # resumo em minutos

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  0.000   6.321  15.675  14.358  21.846  29.983

Num Domingo de noite, é possível alcançar qualquer estação da rede em menos de 29.9 minutos.

Visualizar dados num mapa

Podemos criar um gráfico que mostre o tempo que cada estação demora a alcançar, a partir da Baixa-Chiado.

Juntamos primeiro os tempos estimados aos dados georreferenciados das estações

Código

duracao_viagem_BC_HP = ESTACOES_metro |> 
  left_join(duracao_viagem, by = c("stop_id" = "to_stop_id")) |>  # juntar os dados às estaçoes
  filter(!is.na(travel_time)) # remover as plataformas não usadas

E “colorimos” o tempo de viagem que demora (no mínímo) a alcançar cada estação

Código

##| code-summary: "Mostrar código"
ggplot(duracao_viagem_BC_HP) +
  geom_sf(aes(color = travel_time/60)) +
  ggtitle("Alcance desde a estação Baixa-Chiado (Metro)",
          subtitle = "às 7h30 de Terça, 28 Maio 2025") +
  labs(color = "Tempo de viagem [min]") +
  geom_sf(data = LisboaGEO, # limite Lisboa
          fill = "transparent",
          color = "grey30") +
  theme_bw()

3.2.2 Transportes Urbanos de Braga (TUB)

Podemos fazer o mesmo exercício com os dados dos TUB. O ficheiro original não inclui o transfers.txt, e foi gerado automaticamente um com a função gtfsrouter::gtfs_transfer_table()

Código

# Ler dados GTFS
TUB = read_gtfs("https://github.com/rosamfelix/EITbraga/releases/download/latest/tub_gtfs.zip")
summary(TUB)

tidygtfs object
files        agency, stops, routes, trips, stop_times, calendar, calendar_dates, fare_attributes, fare_rules, shapes, transfers
agency       Transportes Urbanos de Braga
service      from 2012-12-25 to 2025-11-12
uses         stop_times (no frequencies)
# routes       78
# trips      3601
# stop_ids   1980
# stop_names 1192
# shapes      395

Este ficheiro já inclui as transferências, e também as rotas (shapes).

Podemos ver a localização das 1980 paragens dos TUB:

Código

ESTACOES_tub = stops_as_sf(TUB$stops) # converter texto para geometria
mapview(ESTACOES_tub) # visualizar as 1980 paragens

E as 395 rotas (inclui variantes, idas e voltas):

Código

ROTAS_tub = tidytransit::shapes_as_sf(TUB$shapes) # converter texto para geometria
mapview(ROTAS_tub, zcol = "shape_id") # visualizar

Vamos fazer o mesmo desafio, mas com origem na paragem perto do IPCA (Monsenhor Airosa).

Dia útil em hora de ponta

Filtramos os dados para o dia de hoje, quarta-feira, entre as 7h30 e as 9h00, e calculamos a duração da viagem mais rápida entre a estação Baixa-Chiado e todas as outras.

Código

stop_times_tub1 = filter_stop_times(TUB, "2025-05-27", "07:30:00", "09:00:00")
duracao_viagem1 = travel_times(stop_times_tub1, "MONSENHOR AIROSA", stop_dist_check = FALSE)

nrow(duracao_viagem1)

[1] 935

Código

summary(duracao_viagem1$travel_time/60) # resumo em minutos

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   0.00   22.68   32.33   32.47   41.88   63.67

Sem contar com o tempo de espera nparagem inicial, é possível alcançar 935 estações da rede (47%) em menos de 64 minutos (1h04), em hora de ponta - no intervalo de 1h30 definido.

Outras estatísticas

Código

hist(duracao_viagem1$travel_time/60, breaks = 20) # histograma
abline(v = mean(duracao_viagem1$travel_time/60), col = "red") # linha de média
abline(v = median(duracao_viagem1$travel_time/60), col = "blue") # linha de mediana

Código

round(prop.table(table(duracao_viagem1$transfers))*100, 1) # percentagem de transferências


   0    1    2    3    4 
 6.0 56.3 33.8  3.9  0.1

Apenas 6% das paragens são alcançáveis diretamente (sem transferência de autocarro). 62% são alcançáveis com 1 transferência no máximo, e 4% das paragens necessitam de 4 autocarros para ser alcançadas (3 transferências).

Domingo de noite

Filtramos os dados para o próximo Domingo entre as 20h00 e as 22h00, e novamente calculamos a duração da viagem mais rápida entre as paragens de autocarro do Cais do Sodré e todas as outras

Código

stop_times_tub2 = filter_stop_times(TUB, "2025-06-01", "20:00:00", "22:00:00")
duracao_viagem2 = travel_times(stop_times_tub2, "MONSENHOR AIROSA", stop_dist_check = FALSE)

nrow(duracao_viagem2)

[1] 398

Código

summary(duracao_viagem2$travel_time/60) # resumo em minutos

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   0.00   19.83   25.48   26.68   34.10   55.80

Num Domingo de noite, é possível alcançar 398 estações da rede (20%) em menos de 56 minutos.

Visualizar dados num mapa

Podemos criar dois mapas que comparem o tempo que cada paragem demora a alcançar, a partir do IPCA, para os períodos definidos.

Juntamos primeiro os tempos estimados aos dados georreferenciados das estações

Código

# hora de ponta
duracao_viagem_TUB_HP = ESTACOES_tub |> 
  left_join(duracao_viagem1, by = c("stop_id" = "to_stop_id")) |>  # juntar os dados 
  filter(transfers >= 1) |> # remover viagens com mais de 1 transferência
  filter(travel_time < 60*60) # remover viagens com mais de 60 minutos

# domingo de noite
duracao_viagem_TUB_Dom = ESTACOES_tub |> 
  left_join(duracao_viagem2, by = c("stop_id" = "to_stop_id")) |>  # juntar os dados 
  filter(transfers >= 1) |> # remover viagens com mais de 1 transferência
  filter(travel_time < 60*60) |>  # remover viagens com mais de 60 minutos
  mutate(intervalo = case_when(
    travel_time < 15*60 ~ "até 15 min",
    travel_time < 30*60 ~ "até 30 min",
    travel_time < 45*60 ~ "até 45 min",
    TRUE ~ "até 60 min"
  )) # criar uma variável com o intervalo de tempo

E “colorimos” o tempo de viagem que demora (no mínímo) a alcançar cada estação

Código

ggplot(duracao_viagem_TUB_HP) +
  geom_sf(aes(color = travel_time/60))+
  ggtitle("Alcance desde o IPCA (TUB)",
          subtitle = "às 7h30 de Terça, 27 Maio 2025 - máx 1 transf") +
  labs(color = "Tempo de viagem [min]") +
  geom_sf(data = MONSENHORAIROSA, fill = "black", size = 5) + # destacar a paragem do IPCA
  geom_sf(data = BragaGEO,
          fill = "transparent",
          color = "grey30") +
  theme_bw()

Código

ggplot(duracao_viagem_TUB_Dom) +
  geom_sf(aes(color = intervalo))+ # mudar para escala discreta
  scale_color_manual(values = c("até 15 min" = "#119da4",
                                "até 30 min" = "#0c7489", 
                                "até 45 min" = "#13505B",
                                "até 60 min" = "#040404")) +
  ggtitle("Alcance desde o IPCA (TUB)",
          subtitle = "às 20h30 de Domingo, 1 Junho 2025 - máx 1 transf") +
  labs(color = "Tempo de viagem [min]") +
  geom_sf(data = MONSENHORAIROSA, fill = "black", size = 5) + # destacar a paragem do IPCA
  geom_sf(data = BragaGEO,
          fill = "transparent",
          color = "grey30") +
  theme_bw()

Como podemos visualmnente comparar, em hora de ponta é possível chegar de autocarro a bem mais paragens que num Domingo de noite.

TPC

Experimente importar, explorar e visualizar os dados GTFS da Carris Metropolitana.

--- title: "Análise de GTFS" format: pdf: prefer-html: true --- ## Pacotes de R Existem alguns bons pacotes R para ler e manipular dados GTFS, tais como: - [`tidytransit`](https://r-transit.github.io/tidytransit/) - [`gtfstools`](https://ipeagit.github.io/gtfstools/) - [`gtfsio`](https://r-transit.github.io/gtfsio/index.html) - [`gtfsrouter`](https://urbananalyst.github.io/gtfsrouter/) - útil para criar tabela `transfers.txt` quando não existe. - [`geotransit`](https://github.com/tripwright/geotransit) - para descarregar todos os GTFS presentes numa determinada área - [`GTFSwizard`](https://opatp.github.io/GTFSwizard/) - análises rápidas e interativas - [`GTFShift`](https://u-shift.github.io/GTFShift/) - análises de frequências para planeamento ::: {.callout-caution appearance="simple"} Atenção que os pacotes podem partilhar os mesmos nomes de funções, pelo que é importante utilizar um delas de cada vez. ::: ## Exemplo de análise GTFS em R ### Metro Lisboa Vamos importar os dados de GTFS [diretamente](https://www.metrolisboa.pt/google_transit/googleTransit.zip) do website do Metro de Lisboa ```{r} #| message: false #| fig-format: png ## Pacotes library(tidyverse) library(tidytransit) library(mapview) # Ler dados GTFS METRO = read_gtfs("https://github.com/rosamfelix/EITbraga/releases/download/latest/metro_gtfs.zip") summary(METRO) ``` Este ficheiro inclui as transferências, mas não inclui as shapes. Neste caso não é relevante, elas podem ser depois geradas com a informação que já existe. Podemos ver a localização das 50 estações do Metro: ```{r} #| code-fold: true #| fig-format: png ESTACOES_metro = stops_as_sf(METRO$stops) # converter texto para geometria mapview(ESTACOES_metro) ``` **Desafio:** Ver quanto tempo demora a alcançar cada estação a partir da Baixa 1. num dia útil em hora de ponta 2. num domingo de noite #### Dia útil em hora de ponta Filtramos os dados para o dia de hoje, terça-feira, entre as 7h30 e as 9h00, e calculamos a duração da viagem mais rápida entre a estação Baixa-Chiado e todas as outras. ```{r} stop_times_metro = filter_stop_times(METRO, "2025-05-28", "07:30:00", "09:00:00") duracao_viagem = travel_times(stop_times_metro, "Baixa / Chiado") # Baixa / Chiado é a estação de metro da Baixa summary(duracao_viagem$travel_time/60) # resumo em minutos ``` Sem contar com o tempo de espera na Baixa-Chiado, é possível alcançar qualquer estação da rede **em menos de** 26.7 minutos, em hora de ponta. #### Domingo de noite Filtramos os dados para o próximo Domingo entre as 21h30 e as 22h30, e novamente calculamos a duração da viagem mais rápida entre a estação Baixa-Chiado e todas as outras ```{r} stop_times_metro = filter_stop_times(METRO, "2025-06-01", "21:30:00", "22:30:00") duracao_viagem = travel_times(stop_times_metro, "Baixa / Chiado") summary(duracao_viagem$travel_time/60) # resumo em minutos ``` Num Domingo de noite, é possível alcançar qualquer estação da rede **em menos de** 29.9 minutos. #### Visualizar dados num mapa ```{r} #| include: false # Limite município Lisboa MunicipiosGEO = sf::st_read("data/Municipalities_geo.gpkg") LisboaGEO = MunicipiosGEO |> filter(Municipality == "Lisboa") ``` Podemos criar um gráfico que mostre o tempo que cada estação demora a alcançar, a partir da Baixa-Chiado. Juntamos primeiro os tempos estimados aos dados georreferenciados das estações ```{r} #| code-fold: true duracao_viagem_BC_HP = ESTACOES_metro |> left_join(duracao_viagem, by = c("stop_id" = "to_stop_id")) |> # juntar os dados às estaçoes filter(!is.na(travel_time)) # remover as plataformas não usadas ``` E "colorimos" o tempo de viagem que demora (*no mínímo*) a alcançar cada estação ```{r} #| code-fold: true ##| code-summary: "Mostrar código" ggplot(duracao_viagem_BC_HP) + geom_sf(aes(color = travel_time/60)) + ggtitle("Alcance desde a estação Baixa-Chiado (Metro)", subtitle = "às 7h30 de Terça, 28 Maio 2025") + labs(color = "Tempo de viagem [min]") + geom_sf(data = LisboaGEO, # limite Lisboa fill = "transparent", color = "grey30") + theme_bw() ``` ### Transportes Urbanos de Braga (TUB) Podemos fazer o mesmo exercício com os [dados dos TUB](https://tub.pt/developer/gtfs/feed/tub.zip). O ficheiro original não inclui o `transfers.txt`, e foi gerado automaticamente um com a função [`gtfsrouter::gtfs_transfer_table()`](https://urbananalyst.github.io/gtfsrouter/reference/gtfs_transfer_table.html) ```{r} #| message: false # Ler dados GTFS TUB = read_gtfs("https://github.com/rosamfelix/EITbraga/releases/download/latest/tub_gtfs.zip") summary(TUB) ``` Este ficheiro já inclui as transferências, e também as rotas (`shapes`). Podemos ver a localização das 1980 paragens dos TUB: ```{r} #| code-fold: true #| fig-format: png ESTACOES_tub = stops_as_sf(TUB$stops) # converter texto para geometria mapview(ESTACOES_tub) # visualizar as 1980 paragens ``` ```{r} #| include: false # Limite município Braga ConcelhosPT = sf::st_read("data/MunicipalitiesPT_geo.gpkg") BragaGEO = ConcelhosPT |> filter(con_name == "Braga") # Estação perto do IPCA MONSENHORAIROSA = ESTACOES_tub |> filter(stop_name == "MONSENHOR AIROSA") # a paragem do IPCA ``` E as 395 rotas (inclui variantes, idas e voltas): ```{r} #| code-fold: true #| fig-format: png ROTAS_tub = tidytransit::shapes_as_sf(TUB$shapes) # converter texto para geometria mapview(ROTAS_tub, zcol = "shape_id") # visualizar ``` Vamos fazer o mesmo **desafio**, mas com origem na paragem perto do IPCA (Monsenhor Airosa). #### Dia útil em hora de ponta Filtramos os dados para o dia de hoje, quarta-feira, entre as 7h30 e as 9h00, e calculamos a duração da viagem mais rápida entre a estação Baixa-Chiado e todas as outras. ```{r} stop_times_tub1 = filter_stop_times(TUB, "2025-05-27", "07:30:00", "09:00:00") duracao_viagem1 = travel_times(stop_times_tub1, "MONSENHOR AIROSA", stop_dist_check = FALSE) nrow(duracao_viagem1) summary(duracao_viagem1$travel_time/60) # resumo em minutos ``` Sem contar com o tempo de espera nparagem inicial, é possível alcançar 935 estações da rede (47%) **em menos de** 64 minutos (1h04), em hora de ponta - no intervalo de 1h30 definido. ##### **Outras estatísticas** ```{r} hist(duracao_viagem1$travel_time/60, breaks = 20) # histograma abline(v = mean(duracao_viagem1$travel_time/60), col = "red") # linha de média abline(v = median(duracao_viagem1$travel_time/60), col = "blue") # linha de mediana round(prop.table(table(duracao_viagem1$transfers))*100, 1) # percentagem de transferências ``` Apenas **6%** das paragens são alcançáveis diretamente (**sem transferência de autocarro**). 62% são alcançáveis com 1 transferência no máximo, e 4% das paragens necessitam de 4 autocarros para ser alcançadas (3 transferências). #### Domingo de noite Filtramos os dados para o próximo Domingo entre as 20h00 e as 22h00, e novamente calculamos a duração da viagem mais rápida entre as paragens de autocarro do Cais do Sodré e todas as outras ```{r} stop_times_tub2 = filter_stop_times(TUB, "2025-06-01", "20:00:00", "22:00:00") duracao_viagem2 = travel_times(stop_times_tub2, "MONSENHOR AIROSA", stop_dist_check = FALSE) nrow(duracao_viagem2) summary(duracao_viagem2$travel_time/60) # resumo em minutos ``` Num Domingo de noite, é possível alcançar 398 estações da rede (20%) **em menos de** 56 minutos. #### Visualizar dados num mapa Podemos criar dois mapas que comparem o tempo que cada paragem demora a alcançar, a partir do IPCA, para os períodos definidos. Juntamos primeiro os tempos estimados aos dados georreferenciados das estações ```{r} #| code-fold: true # hora de ponta duracao_viagem_TUB_HP = ESTACOES_tub |> left_join(duracao_viagem1, by = c("stop_id" = "to_stop_id")) |> # juntar os dados filter(transfers >= 1) |> # remover viagens com mais de 1 transferência filter(travel_time < 60*60) # remover viagens com mais de 60 minutos # domingo de noite duracao_viagem_TUB_Dom = ESTACOES_tub |> left_join(duracao_viagem2, by = c("stop_id" = "to_stop_id")) |> # juntar os dados filter(transfers >= 1) |> # remover viagens com mais de 1 transferência filter(travel_time < 60*60) |> # remover viagens com mais de 60 minutos mutate(intervalo = case_when( travel_time < 15*60 ~ "até 15 min", travel_time < 30*60 ~ "até 30 min", travel_time < 45*60 ~ "até 45 min", TRUE ~ "até 60 min" )) # criar uma variável com o intervalo de tempo ``` E "colorimos" o tempo de viagem que demora (*no mínímo*) a alcançar cada estação ```{r} #| code-fold: true ggplot(duracao_viagem_TUB_HP) + geom_sf(aes(color = travel_time/60))+ ggtitle("Alcance desde o IPCA (TUB)", subtitle = "às 7h30 de Terça, 27 Maio 2025 - máx 1 transf") + labs(color = "Tempo de viagem [min]") + geom_sf(data = MONSENHORAIROSA, fill = "black", size = 5) + # destacar a paragem do IPCA geom_sf(data = BragaGEO, fill = "transparent", color = "grey30") + theme_bw() ggplot(duracao_viagem_TUB_Dom) + geom_sf(aes(color = intervalo))+ # mudar para escala discreta scale_color_manual(values = c("até 15 min" = "#119da4", "até 30 min" = "#0c7489", "até 45 min" = "#13505B", "até 60 min" = "#040404")) + ggtitle("Alcance desde o IPCA (TUB)", subtitle = "às 20h30 de Domingo, 1 Junho 2025 - máx 1 transf") + labs(color = "Tempo de viagem [min]") + geom_sf(data = MONSENHORAIROSA, fill = "black", size = 5) + # destacar a paragem do IPCA geom_sf(data = BragaGEO, fill = "transparent", color = "grey30") + theme_bw() ``` Como podemos visualmnente comparar, em hora de ponta é possível chegar de autocarro a bem mais paragens que num Domingo de noite. ::: callout-tip ### TPC Experimente importar, explorar e visualizar os dados GTFS da Carris Metropolitana. :::