Метро
Визуал иллюзии движения в метро нейросетью recraft
Описание
Как видит нейросеть recraft метрополитен в Париже и Шанхае
В рамках данного проекта по визуализации данных объектом исследования стали системы метрополитена крупнейших городов мира. Тема была выбрана потому, что метро является одним из наиболее наглядных показателей развития городской среды. Через анализ метрополитенов можно проследить, как разные города и страны решают задачи транспортной доступности, реагируют на рост населения и формируют инфраструктуру в условиях урбанизации.
Интерес к данной теме также связан с тем, что метрополитены развиваются по различным моделям. В одних городах делается акцент на плотную сеть станций внутри исторически сложившейся застройки, в других приоритетом становится протяжённость линий и связь удалённых районов с центром. Сравнение этих подходов позволяет выявить различия между старыми и новыми системами метро, а также понять, как исторический контекст и экономические условия влияют на транспортные решения.
Источником данных для анализа послужил открытый датасет, размещённый на платформе Kaggle, под названием Metro Systems of the World.
и содержит информацию о метрополитенах различных городов мира. В него входят данные о количестве станций, общей длине линий, годовом пассажиропотоке, годах открытия систем, а также принадлежности метро к конкретным странам и городам. Использование платформы Kaggle позволило работать с реальными структурированными данными и обеспечило прозрачность и воспроизводимость исследования.
Как видит нейросеть recraft метрополитен в New-York
В ходе проекта были сформулированы исследовательские вопросы. Как соотносятся количество станций и протяжённость сетей метро в разных городах. Существует ли зависимость между длиной сети и объёмом пассажиропотока. В какие периоды строительство метро происходило наиболее активно. Какие страны занимают лидирующие позиции по масштабам метрополитенов.
Как видит нейросеть recraft метрополитен в Москве
Для анализа данных были использованы различные типы визуализаций, включая столбчатую диаграмму, точечную диаграмму с линией тренда, линейный график и радиальную диаграмму. Такой набор позволил рассмотреть данные как в сравнительном, так и в динамическом аспекте.
Как видит нейросеть recraft метрополитен в Дели
Визуальный стиль и цветовая палитра
Визуальный стиль проекта был выстроен с опорой на ассоциации с подземным пространством и городской инфраструктурой. Основой оформления стал тёмный фон, создающий ощущение глубины и подчёркивающий индустриальный характер темы. Контрастные акцентные элементы используются для выделения ключевых значений и облегчения восприятия информации.
Подбор цветовой палитры осуществлялся с помощью сервиса Adobe Color, который позволил подобрать гармоничное сочетание оттенков и сохранить визуальное единство всех графиков. В палитре сочетаются холодные тёмные тона, обеспечивающие нейтральный фон, и более насыщенные цвета, применяемые для акцентов и визуального разделения данных. Такой подход помогает избежать визуальной перегрузки и делает графики читаемыми.
Для всего проекта был выбран шрифт Russo One. Его геометричный и индустриальный характер хорошо соответствует теме городской инфраструктуры и усиливает общее визуальное впечатление
ГРАФИК 1
Крупнейшие системы метро по количеству станций
Первый график демонстрирует крупнейшие системы метро мира по числу станций. Этот показатель позволяет оценить плотность сети и степень охвата городской территории. Лидирующее положение занимает Нью Йорк, система которого формировалась на протяжении длительного исторического периода. Значительное присутствие китайских городов в верхней части рейтинга отражает активное строительство метрополитенов в Китае в последние десятилетия.
Европейские города располагаются преимущественно в средней части списка, что указывает на более компактную структуру их сетей и ориентацию на обслуживание плотной городской застройки.
ГРАФИК 2
Длина сети метро и годовой пассажиропоток
Второй график посвящён анализу связи между протяжённостью линий метро и объёмом годового пассажиропотока. Точечная диаграмма показывает наличие общей положительной тенденции, однако данные распределены неравномерно. Это говорит о том, что увеличение длины сети не всегда приводит к пропорциональному росту числа пассажиров.
Результаты указывают на то, что эффективность метрополитена зависит не только от масштаба инфраструктуры, но и от плотности населения, планировки города и роли метро в общей транспортной системе.
ГРАФИК 3
Динамика открытия систем метро по годам
Линейный график отражает количество новых метрополитенов, открытых в разные годы начиная с середины двадцатого века. До конца прошлого столетия рост был относительно постепенным. Существенный скачок наблюдается с начала двухтысячных годов, что совпадает с периодом активной урбанизации и экономического роста в странах Азии.
Пик открытия новых систем приходится на конец 2010 х годов, после чего темпы снижаются, что может быть связано с глобальными экономическими и социальными факторами.
ГРАФИК 4
Страны по суммарной длине сетей метро
Заключительный график показывает распределение стран по общей протяжённости их метрополитенов. Абсолютным лидером является Китай, значительно опережающий другие государства. Далее следуют США, Южная Корея, Россия и Япония. Эта визуализация позволяет сравнить масштабы транспортной инфраструктуры на уровне стран и увидеть различия в стратегиях развития метро.
Заключение
Проведённое исследование позволило ответить на поставленные вопросы. Анализ показал, что количество станций и протяжённость сетей метро не находятся в прямой зависимости. Старые системы, сформированные в условиях плотной застройки, как правило, имеют больше станций при меньшей длине линий. Новые системы чаще ориентированы на протяжённость и обслуживание расширяющихся городских агломераций.
Связь между длиной сети и пассажиропотоком оказалась неоднозначной. Несмотря на наличие общей тенденции к росту пассажиропотока с увеличением длины линий, эффективность метро определяется совокупностью факторов, включая плотность населения и степень интеграции с другими видами транспорта.
Анализ временной динамики показал, что наиболее активное строительство метрополитенов происходило в начале двадцать первого века. Ведущую роль в этом процессе сыграли страны Азии, прежде всего Китай. Сравнение стран по суммарной длине сетей подтвердило лидерство государств с крупными и быстро растущими городами.
Использование датасета позволило рассмотреть метрополитен как показатель развития городской инфраструктуры и выявить ключевые закономерности его эволюции в мировом масштабе.
Использованные статистические методы
В ходе анализа данных были применены методы описательной и разведочной статистики:
Описательная статистика и ранжирование — использовались для отбора крупнейших систем метрополитена по количеству станций. Сортировка и фильтрация данных позволили выделить топ-15 городов с наибольшей развитостью станционной инфраструктуры.
Сравнительный анализ территориальных объектов — реализован с помощью горизонтальной столбчатой диаграммы с цветовой кодировкой по странам. Это позволило одновременно сравнить города по количеству станций и визуально выделить страновую принадлежность метросистем.
Визуальный анализ количественных различий — применялся для наглядного сопоставления абсолютных значений (числа станций) между крупнейшими метросистемами мира.
Анализ взаимосвязей между количественными признаками — проведён с помощью диаграммы рассеяния для изучения зависимости между длиной сети метрополитена и годовым пассажиропотоком. Это позволило оценить характер связи между масштабом инфраструктуры и уровнем её использования.
Трендовый анализ — выполнен путём аппроксимации данных линейной регрессионной моделью, что позволило выявить общую тенденцию изменения пассажиропотока при росте протяжённости сети.
Анализ временных паттернов — использовался для изучения динамики открытия метросистем по годам начиная с 1950 года. Линейный график с точечными значениями позволил выявить периоды активного развития метрополитенов.
Агрегирование по временным интервалам — применялось при подсчёте количества открытых метросистем в каждый год, что позволило оценить интенсивность инфраструктурного развития в разные исторические периоды.
Агрегирование и страновой анализ — реализован при суммировании общей длины метросистем по странам. Это позволило перейти от анализа отдельных городов к оценке национального масштаба развития метро.
Нормализация данных — использовалась логарифмическая трансформация значений суммарной длины сетей для корректного визуального сравнения стран с существенно различающимися масштабами метрополитенов.
Многомерная визуализация и ранговый анализ — выполнены с помощью радиальной столбчатой диаграммы (polar bar chart), что позволило наглядно представить относительные различия между странами по суммарной длине метросетей.
Структурный анализ инфраструктуры — применялся для выявления стран-лидеров по развитию метрополитенов и оценки глобального распределения транспортной ин
Описание применения генеративной модели и вспомогательных инструментов
1. Kaggle — Платформа была использована для поиска и загрузки датасета.
2. Google Colab — Весь процесс работы: обработка данных и визуализация.
3. Библиотеки Python pandas — использовалась для загрузки датасета, очистки, преобразования и анализа табличных данных. matplotlib — основной инструмент для построения визуализаций в проекте. numpy — для расчёта трендовых линий и математических операций. kagglehub — для автоматического скачивания датасета matplotlib.font_manager — для подключения кастомного шрифта
4. Цветовая палитра (Adobe Color)
5. ChatGPT — Нейросеть применялась для генерации и оптимизации кода, настройки визуального стиля графиков и корректировки функций анализа.
6. recraft.ai (https://www.recraft.ai/projects) — Использовала для генерации обложки и иллюстраций.
