import pandas as pd
import re
data = pd.read_csv("D:\data\yonghelu.csv")

y_m_d = list((data[‘time‘]))[0].split()[0] #提取年月日

#從ip_lane列中提取車道信息如(‘172.18.53.140:1‘-->‘1‘)，並創建新的列lane保存
lane = []
a = data["ip_lane"].tolist()
for x in a:
    x = x.split(":")
    lane.append(x[1])
data["lane
 
"] = lane

#從zhuanxiang列中提取方向信息如(‘望江西路與永和路_6017_由東向南‘-->‘由東向南‘)，並創建新的列zx保存
reg = re.compile(r‘由.*‘)
zx = []
for x in data["zhuanxiang"].tolist():
    x = reg.search(x).group()
    zx.append(x)
data["zx"] = zx

#將time列改為Timedelta類型
data1 = data
data1[‘time‘] = pd.to_datetime(data1[‘time
 
‘])

L = []  #存放相位信息
#讀取txt文件中的相位信息存放到L列表中
with open(‘D:\\data\\phase.txt‘,"r",encoding="utf-8") as f:
    for line in f.readlines():
        line = re.sub("[0-9\:]", "", line).strip().split(",")
        L.append(line)

#將time列表中的數據進行處理(只保留 時-分-秒)
data1[‘time‘] =data1[‘time‘] - pd.to_datetime(y_m_d)

 
#提取出t0~t1時間段的數據
t0 = pd.Timedelta(‘07:30:00‘)
t1 = pd.Timedelta(‘09:30:00‘)

#t0~t1時間段數據
data_earlypeak = data1[(data1[‘time‘]< t1) & (data1[‘time‘]>t0)]
data_earlypeak.head()

#t0~t1時間段間隔
T = (t1 - t0).seconds/3600

#按時間順序重新排序表格
data2 = data1.sort_values(by = ‘time‘)
data2.head()
#提取出表格中總共有哪些車道，存放入lane_列表
lane_ = data2[‘lane‘].unique()

#計算每個車道的飽和流量
deta = []         #存放每條車道相鄰兩條數據的時間差
Time_deta = []    #存放由小到大排序的deta列表
for i in range(len(lane_)):
    data2_ = data2[data2[‘lane‘] == lane_[i]]
    time_ = list(data2_[‘time‘])
    for i in range((len(time_) - 1)):
        x = time_[i+1] - time_[i]
        deta.append(x)
    deta.sort()
    Time_deta.append(deta)
    deta = []

sum_deta = [] #存放 每條車道算出來的最小10個相鄰時間差，進行求和
for i in range(len(Time_deta)):
    d = Time_deta[i][0]
    for j in range(1,10):  #取10個最小相鄰時間差值求和
        d = d + Time_deta[i][j]
    sum_deta.append(d)

#計算每條車道飽和流量
for i in range(len(sum_deta)):
    sum_deta[i] = 3600/((sum_deta[i].seconds)/10)    #10個最小相鄰時間差值求和後要 /10 求平均

#用字典hs每條車道對應的飽和流量,即"車道":"飽和流量" 如{‘1‘: 3600.0,‘10‘: 3527.0,‘11‘: 3600.0}
hs = {key : value for key, value in list(zip(lane_,sum_deta))}

y = []   #用來存儲每個相位的每個方向的每條車道的流量比

Y = []   #用來存儲各相位的所有車道流量比，如Y[0]存儲的是第一個相位的每個方向各個車道的流量比，取max(Y[0])
        #即為第一相位的流量比

for k in range(len(L)):
    for i in range(len(L[k])):
        #查找第K個相位的第i方向的所有記錄
        df = data_earlypeak[data_earlypeak["zx"] == L[k][i]]
        #如果某個方向沒有記錄就幾記為0
        if len(df) == 0:
            y.append(0)
            continue
        #查看該方向的所有車道，如：‘由東向西‘對應由車道[‘2‘, ‘3‘, ‘4‘, ‘5‘]
        vehiclelane = list(df["lane"].unique())

        #計算該方向的各個車道的流量比
        for j in range(len(vehiclelane)):
            # 統計每個方向的每條車道流量數
            x = sum(data_earlypeak[data_earlypeak["lane"] == vehiclelane[j]][‘flow‘])
            # t0~t1時間段單位時間的流量（小時為單位）
            x = x/T
            #計算流量比（實際流量/飽和流量）
            x = x/hs[vehiclelane[j]]
            #存儲該方向的各車道流量比
            y.append(x)
    #存儲該相位的各個方向的每條車道的流量比
    Y.append(y)
    #更新y為空，計算下一個相位的各個方向的每條車道的流量比
    y = []

#記錄每個相位的流量比（該相位的每個方向的每條車道的流量比的最大值）
yi = [max(Y[0]),max(Y[1]),max(Y[2]),max(Y[3])]
print(yi)

# 總流量比
Y_ = sum(yi)
print(Y_)

#總損失時間 L = n*Li+AR
sumL = 3*4+0

#由公式計算周期
C = round((1.5*sumL+5)/(1-Y_))

print("周期為： {}秒".format(C))

#有效綠燈時間
Ge = C - sumL

print("------------------------------------------------------")
#第i個相位的有效綠燈時間
ge = [0]*len(L)
for i in range(0,len(L)):
    ge[i] = round(Ge*(yi[i]/Y_))
    print("第 %d 個相位的綠燈有效時間為 %d：" % (i+1,ge[i]))

print("------------------------------------------------------")
#綠燈顯示時間
G = [0]*len(L)
for i in range(0,len(L)):
    G[i] = round(ge[i] - 0 +3)  #0為全紅時間即AR的值；3為每個相位啟動損失時間
    print("第 %d 個相位的綠燈顯示時間為 %d：" % (i+1,G[i]))

webster(韋伯斯特）算法實現