Chronotrains扩展开发指南：如何添加新的交通数据源-尧图网络科技

Chronotrains扩展开发指南：如何添加新的交通数据源

【免费下载链接】chronotrainsShortest times between train stations in Europe项目地址: https://gitcode.com/gh_mirrors/ch/chronotrains

Chronotrains是一个创新的欧洲火车旅行时间可视化工具，它通过等时线地图展示从任意车站出发5小时内可以到达的区域。这个开源项目的核心功能依赖于高质量的交通数据，而添加新的交通数据源可以让地图覆盖更广泛的区域，提供更准确的旅行时间计算。本文将为您详细介绍如何为Chronotrains扩展新的交通数据源，让您能够定制化地增强这个强大的交通可视化工具。

Chronotrains数据架构解析

要理解如何添加新的数据源，首先需要了解Chronotrains的数据处理流程。项目采用了三层数据处理架构：

数据采集层

位于src/scripts/scrape.ts的爬虫脚本从外部API获取车站之间的直达时间数据。当前项目使用Deutsche Bahn的API作为主要数据源，通过Direkt Bahn Guru包装服务获取数据。

数据处理层

数据存储在PostgreSQL数据库中，使用Prisma ORM进行管理。数据库模式定义在prisma/schema.prisma中，包含三个核心表：

stations：存储车站基本信息（ID、名称、经纬度）
direct_times：存储车站之间的直达时间和距离
isochrones：存储预计算的等时线几何数据

等时线计算层

src/scripts/compute-isochrones.ts脚本负责基于直达时间数据计算等时线区域，考虑换乘时间和本地交通可达性。

添加新数据源的完整步骤

第一步：准备数据源API

新的数据源需要提供以下基本信息：

车站列表（ID、名称、经纬度）
车站之间的直达旅行时间
可选的距离信息（用于本地交通计算）

API响应格式应类似于现有的结构：

{ "id": "8002549", "name": "Berlin Hbf", "location": { "type": "station", "id": "8011160", "latitude": 52.525592, "longitude": 13.369545 }, "duration": 120 }

第二步：扩展数据库模型

在prisma/schema.prisma中，DirectTimeSource枚举定义了数据源类型：

enum DirectTimeSource { bahnguru computed }

要添加新的数据源，只需扩展这个枚举：

enum DirectTimeSource { bahnguru computed your_new_source // 添加新的数据源标识 }

第三步：创建数据采集脚本

创建一个新的数据采集脚本，参考现有的src/scripts/scrape.ts结构：

// src/scripts/scrape-your-source.ts import prisma from "~/lib/prisma"; import fetch from "node-fetch"; interface YourSourceStation { stationId: string; stationName: string; latitude: number; longitude: number; travelTime: number; } export const scrapeYourSource = async () => { const baseUrl = "https://api.your-source.com"; // 获取所有车站 const stations = await fetch(`${baseUrl}/stations`).then(res => res.json()); // 处理每个车站的数据 for (const station of stations) { // 获取该车站的直达时间 const directTimes = await fetch(`${baseUrl}/times/${station.id}`) .then(res => res.json()); // 存储到数据库 await prisma.directTime.createMany({ data: directTimes.map((time: YourSourceStation) => ({ fromStationId: parseInt(station.id), toStationId: parseInt(time.stationId), duration: time.travelTime, source: "your_new_source", // 使用新的数据源标识 })), skipDuplicates: true, }); } };

第四步：数据预处理和清洗

不同数据源可能有不同的数据格式和质量问题，需要进行预处理：

坐标转换：确保经纬度使用标准WGS84坐标系
时间单位统一：将所有时间转换为分钟
数据去重：避免重复记录相同的车站对
异常值过滤：移除不合理的旅行时间（如负数或过长的时间）

第五步：集成到主数据流

修改现有的数据处理流程，将新数据源纳入计算：

在src/scripts/compute-isochrones.ts中，确保新数据源的数据被正确读取
在src/pages/api/stations.ts中，确保新车站数据能被前端访问
更新数据验证逻辑，确保数据一致性

数据源质量评估标准

选择或评估新的交通数据源时，应考虑以下标准：

📊 数据完整性

车站覆盖率：至少覆盖目标区域的80%以上车站
时间数据完整性：每个车站应有足够的直达时间记录
地理坐标准确性：经纬度误差不超过0.001度

⚡ 数据时效性

更新频率：至少每月更新一次
实时性：反映最新的时刻表变化
历史数据：最好能提供历史趋势分析

🔧 技术兼容性

API稳定性：99.9%以上的可用性
响应时间：平均响应时间小于1秒
数据格式：支持JSON或易于解析的格式

常见问题与解决方案

问题1：数据格式不一致

解决方案：创建数据适配器层，将不同格式转换为统一格式

class DataAdapter { static adaptFromSourceA(rawData: any): DirectTimeInput { return { fromStationId: rawData.origin_id, toStationId: rawData.destination_id, duration: rawData.travel_minutes, source: "source_a" }; } static adaptFromSourceB(rawData: any): DirectTimeInput { return { fromStationId: parseInt(rawData.from), toStationId: parseInt(rawData.to), duration: Math.round(rawData.duration / 60), // 秒转分钟 source: "source_b" }; } }

问题2：数据缺失或异常

解决方案：实现数据验证和补全机制

使用地理空间分析填补缺失的车站位置
使用机器学习模型预测缺失的旅行时间
设置数据质量监控和报警系统

问题3：性能问题

解决方案：优化数据处理流程

使用批量插入代替单条插入
实现增量更新机制
添加缓存层减少API调用

测试与验证流程

添加新数据源后，必须进行全面的测试：

单元测试

// 测试数据适配器 test('adaptFromSourceA converts correctly', () => { const raw = { origin_id: '100', destination_id: '200', travel_minutes: 120 }; const result = DataAdapter.adaptFromSourceA(raw); expect(result.duration).toBe(120); }); // 测试数据完整性 test('data has no missing stations', async () => { const stations = await prisma.station.findMany(); const times = await prisma.directTime.findMany(); // 检查每个车站是否有足够的连接 stations.forEach(station => { const connections = times.filter(t => t.fromStationId === station.id); expect(connections.length).toBeGreaterThan(0); }); });