はじめに

国土交通省・JARTICが収集・提供しているオープンデータ「交通量データ」の「交通量API」を分析する簡単なコード例です．せっかくオープンデータとして公開していただいているので，本コードもオープンに公開します．

参考URL：国交省xROAD, JARTIC交通量データの提供ページ

本記事は，GitHubにあるJupyter notebookをマークダウンに変換したものです．直接実行したい方はそちらにアクセスしてください．

Jupyter notebookのコマンド

%matplotlib inline

from matplotlib.pyplot import *
from numpy import *
from numpy.linalg import *

from tqdm.notebook import tqdm as tqdm
import pandas as pd

rcParams['font.family'] = "MS Gothic"

APIでデータ取得

import requests
import json
from datetime import datetime

#道路種別を指定．この例は一般道
road_type = "3"

#日時を指定
time_code_from = "20250512"+"0000"
time_code_to   = "20250512"+"2355"

#緯度経度を指定．この例は東京
min_x = 139.45
min_y = 35.55
max_x = 139.93
max_y = 35.82

api = f"https://api.jartic-open-traffic.org/geoserver?service=WFS&version=2.0.0&request=GetFeature&typeNames=t_travospublic_measure_5m&srsName=EPSG:4326&outputFormat=application/json&exceptions=application/json&cql_filter=道路種別={road_type} AND 時間コード>={time_code_from} AND 時間コード<={time_code_to} AND BBOX(ジオメトリ,{min_x},{min_y},{max_x},{max_y},'EPSG:4326')"
response = requests.get(api)

print(response.text[:200])

data = json.loads(response.text)

{"type": "FeatureCollection", "features": [{"type": "Feature", "id": "t_travospublic_measure_5m.24158256.202505121150", "geometry": {"type": "MultiPoint", "coordinates": [[139.7049058, 35.58550262]]},

内容確認

time_code_from_obj = datetime.strptime(time_code_from, "%Y%m%d%H%M")
time_code_to_obj = datetime.strptime(time_code_to, "%Y%m%d%H%M")
timestep_counts = ((time_code_to_obj - time_code_from_obj).total_seconds()) // (60*5)

print(f'total: {len(data["features"])}, time counts (aprx): {timestep_counts}, locations (aprx):, {len(data["features"])/timestep_counts}')

total: 5742, time counts (aprx): 287.0, locations (aprx):, 20.006968641114984

data.keys()

dict_keys(['type', 'features', 'totalFeatures', 'numberMatched', 'numberReturned', 'timeStamp', 'crs'])

data["features"][0]

{'type': 'Feature',
 'id': 't_travospublic_measure_5m.24158256.202505121150',
 'geometry': {'type': 'MultiPoint',
  'coordinates': [[139.7049058, 35.58550262]]},
 'geometry_name': 'ジオメトリ',
 'properties': {'地方整備局等番号': 83,
  '開発建設部／都道府県コード': '',
  '常時観測点コード': 3110010,
  '収集時間フラグ（5分間／1時間）': '1',
  '観測年月日': 20250512,
  '時間帯': 1150,
  '上り・小型交通量': 91,
  '上り・大型交通量': 7,
  '上り・車種判別不能交通量': 0,
  '上り・停電': '0',
  '上り・ループ異常': '0',
  '上り・超音波異常': '0',
  '上り・欠測': '0',
  '下り・小型交通量': 73,
  '下り・大型交通量': 10,
  '下り・車種判別不能交通量': 3,
  '下り・停電': '0',
  '下り・ループ異常': '0',
  '下り・超音波異常': '0',
  '下り・欠測': '0',
  '道路種別': '3',
  '時間コード': 202505121150}}

GeoPandasに変換

import geopandas as gpd
from shapely.geometry import Point

# Initialize an empty list to collect rows
rows = []

for feature in data["features"]:
    prop = feature["properties"]
    coords = feature["geometry"]["coordinates"][0]
    
    datetime_obj = datetime.strptime(str(prop['観測年月日'])+str(prop['時間帯']), "%Y%m%d%H%M")

    # Calculate totals
    traffic_up = prop['上り・小型交通量'] + prop['上り・大型交通量'] + prop['上り・車種判別不能交通量']
    traffic_down = prop['下り・小型交通量'] + prop['下り・大型交通量'] + prop['下り・車種判別不能交通量']
    
    rows.append({
        "lon": coords[0],
        "lat": coords[1],
        "datetime": datetime_obj,
        "traffic_up": traffic_up,
        "traffic_down": traffic_down,
        "traffic_up_small": prop['上り・小型交通量'],
        "traffic_up_large": prop['上り・大型交通量'],
        "traffic_up_unidentified": prop['上り・車種判別不能交通量'],
        "traffic_down_small": prop['下り・小型交通量'],
        "traffic_down_large": prop['下り・大型交通量'],
        "traffic_down_unidentified": prop['下り・車種判別不能交通量'],
        "geometry": Point(coords[0], coords[1])
    })

# Create GeoDataFrame in one operation
df = gpd.GeoDataFrame(rows, crs="EPSG:4326")

print(f"Created GeoDataFrame with {len(df)} rows")
df

Created GeoDataFrame with 5742 rows

	lon	lat	datetime	traffic_up	traffic_down	traffic_up_small	traffic_up_large	traffic_up_unidentified	traffic_down_small	traffic_down_large	traffic_down_unidentified	geometry
0	139.704906	35.585503	2025-05-12 11:50:00	98	86	91	7	0	73	10	3	POINT (139.70491 35.5855)
1	139.878654	35.702749	2025-05-12 11:50:00	88	94	71	11	6	74	15	5	POINT (139.87865 35.70275)
2	139.727326	35.564747	2025-05-12 11:50:00	85	77	58	22	5	54	20	3	POINT (139.72733 35.56475)
3	139.685433	35.792401	2025-05-12 11:50:00	51	79	33	16	2	63	16	0	POINT (139.68543 35.7924)
4	139.648182	35.803057	2025-05-12 11:50:00	126	143	83	43	0	91	52	0	POINT (139.64818 35.80306)
...	...	...	...	...	...	...	...	...	...	...	...	...
5737	139.613062	35.607644	2025-05-12 11:10:00	155	136	118	32	5	103	28	5	POINT (139.61306 35.60764)
5738	139.696999	35.748881	2025-05-12 11:10:00	92	78	75	13	4	50	15	13	POINT (139.697 35.74888)
5739	139.683590	35.757753	2025-05-12 11:10:00	118	112	95	20	3	86	22	4	POINT (139.68359 35.75775)
5740	139.900546	35.648160	2025-05-12 11:10:00	117	131	53	54	10	47	73	11	POINT (139.90055 35.64816)
5741	139.823846	35.646721	2025-05-12 11:10:00	44	40	20	23	1	13	23	4	POINT (139.82385 35.64672)

5742 rows × 12 columns

df.to_csv('traffic_data.csv', index=False)
print(f"Data saved to traffic_data.csv with {len(df)} rows and {len(df.columns)} columns")

Data saved to traffic_data.csv with 5742 rows and 12 columns

適当に可視化

# ただの位置確認

figure()
subplot(111, aspect="equal")
plot(df["lon"], df["lat"], "o")

# OSMと合わせて平均交通量

import contextily as ctx
import geopandas as gpd
from shapely.geometry import box
from pyproj import Transformer

# 緯度経度のbboxを指定
min_lon, min_lat, max_lon, max_lat = min_x, min_y, max_x, max_y 

# bboxからジオメトリを作成
bbox_geom = box(min_lon, min_lat, max_lon, max_lat)

# GeoDataFrameに変換（WGS84座標系）
gdf = gpd.GeoDataFrame(geometry=[bbox_geom], crs="EPSG:4326")

# Web Mercator座標系に変換（OSMタイルと合わせるため）
gdf = gdf.to_crs(epsg=3857)

# 交通データ
key = "traffic_up"
df_mean = df.groupby(["lon", "lat"], as_index=False)[key].mean()
transformer = Transformer.from_crs("EPSG:4326", "EPSG:3857", always_xy=True)
df_mean["x"], df_mean["y"] = transformer.transform(df_mean["lon"].values, df_mean["lat"].values)

# プロット
fig, ax = subplots(figsize=(16, 10))
gdf.plot(ax=ax, alpha=0.5, edgecolor='red', facecolor='none')

traffic_scat = ax.scatter(df_mean["x"], df_mean["y"], s=200, c=df_mean[key], cmap="jet")

# カラーバーを追加
cbar = fig.colorbar(traffic_scat, ax=ax)
cbar.set_label('平均5分間交通量')

# contextily でOSMタイルを追加
ctx.add_basemap(ax, source=ctx.providers.OpenStreetMap.Mapnik)

# 軸ラベルなどを設定
ax.set_axis_off()
tight_layout()
show()

# 時系列プロット

figure()
plot(df["datetime"], df["traffic_up"], "b.", alpha=0.1)
xlim([time_code_from_obj, time_code_to_obj])
ylabel("5分間交通量（上り）")
xlabel("日時")
figure()
plot(df["datetime"], df["traffic_down"], "r.", alpha=0.1)
xlim([time_code_from_obj, time_code_to_obj])
ylabel("5分間交通量（下り）")
xlabel("日時")
show()

↑上りと下りで明らかにパターンが違うのがおもしろい

#下の3次元プロットをインタラクティブに動かす場合
#%matplotlib qt

# 3次元時空間プロット

from mpl_toolkits.mplot3d import Axes3D

import matplotlib.pyplot as plt

# Create a 3D figure
fig = plt.figure(figsize=(14, 10))
ax = fig.add_subplot(111, projection='3d')

# Convert datetime to hours from midnight for better visualization
hours = [(dt - time_code_from_obj).total_seconds()/3600 for dt in df['datetime']]

# Create the scatter plot
scatter = ax.scatter(df['lon'], df['lat'], hours, 
                    c=df['traffic_up'], 
                    cmap='jet', 
                    s=30)

# Add labels and title
ax.set_xlabel('Longitude')
ax.set_ylabel('Latitude')
ax.set_zlabel('Hours (from start time)')
ax.set_title('Traffic Volume (Up Direction) by Location and Time')

ax.set_zlim([0, (time_code_to_obj-time_code_from_obj).total_seconds()/3600])

# Add a color bar
cbar = plt.colorbar(scatter)
cbar.set_label('Traffic Volume (Up Direction)')

# Adjust the view angle for better visualization
ax.view_init(elev=35, azim=225)

plt.tight_layout()
plt.show()

データ出典・ライセンス

データの出典は以下です：交通量 API（国土交通省）機能による交通量(参考値)および国土交通省 API 機能による交通量(参考値)を加工して作成．交通量 API 機能を使用していますが、内容は国土交通省によって保証されたものではありません。

本コードのライセンスはパブリックドメイン（CC0）です．