# -*- coding: utf-8 -*- """L50 道路規制情報 2 件統合分析 — 広島県の「本日の規制」「今後の規制」 2 dataset から 道路規制構造と災害履歴を読み解く カバー宣言: 本記事は DoBoX のシリーズ「道路規制情報」 2 dataset (id = 1257 本日の規制 / 1258 今後の規制) を 統合し、 広島県内の道路規制の制度的・地理的・時間的構造を分析する。 「道路規制情報」 とは: 広島県・国土交通省 (中国地方整備局) が管理する道路で 現在実施中 (1257) または計画中 (1258) の通行規制情報。 更新頻度はリアルタイム (~ 数分単位) で、 各レコードは 32 列の属性を持つ点 + LineString データ。 本記事は 2026-05-09 21:20 取得スナップショットを扱う。 「規制種別」 (kisei_name) は 5 種: - blocked (通行止め): 完全な通行不可 - one_side (片側交互通行): 1 車線を交互に通す - narrows (車線規制): 車線を狭める - controll_complex(その他): 複合規制 - two_way (対面通行): 中央分離帯撤去等 - saigai (災害規制, kisei_type='disaster'): 災害起因の長期規制 本記事は L02 (カメラマップ), L09 (カメラ→避難所最近傍) と厳密に独立。 L02/L09 はカメラ施設を扱うが、本記事は動的な規制イベントを扱う。 両者は同じ「道路インフラ」 ドメインだが、 - カメラ = 静的な観測点 (~351 件、固定位置) - 規制 = 動的なイベント (~218 件、本日 + 今後で時間軸が違う) という根本的に異なる粒度で道路を捉える。 研究の問い (主 RQ): 広島県の道路規制情報 2 dataset (本日の規制 / 今後の規制) は、 規制種別・路線種別・規制理由・地理分布・時間軸でどう構成され、 災害起因の長期規制と工事起因の計画規制はどう分布するか？ さらに「本日 (1257)」 と「今後 (1258)」 の時間スコープの違いから 何が見えるか？ サブ問い (補助): - 5 種の規制種別の件数比はどうか? 通行止 (blocked) が支配的か、 片側交互通行 (one_side) が中心か? - 国道 / 県道 / 市町道 の規制密度は? 国土交通省管轄と県管轄でどう違う? - 工事規制 vs 災害規制 (kisei_type) の比率は? 災害規制は何年前から続いているか? - 規制の地理分布: 中山間 (山間部の道路改良) と沿岸 (橋梁工事) でどう違う? - 規制延長 (encho) は 10m から 92,000m (92km) まで 4 桁の幅 — どんな分布か? - 規制期間 (start_date - end_date) の中央値・最長値は? - 1257 (本日) と 1258 (今後) は 66/69 IDが共通 (95.7%) = 今後は本日のスーパーセット。3 件のみが「今日終了」 する規制。 仮説 H1〜H6: H1 (one_side 支配): 規制種別の中で片側交互通行 (one_side)が 最頻 (40-50% 程度) で、通行止 (blocked) は 15-25%。これは 「工事は道路機能を完全停止しない」 行政運用思想を反映する。 車線規制 (narrows) も多く、対面通行 (two_way) は稀。 H2 (国道 vs 県道の管轄分離): 1258 (今後) は国道 (国交省管轄)が支配的 (50% 超) だが、1257 (本日) は県道 (県管轄)が支配的。 国交省は計画規制を多く事前公表する一方、県は当日運用が多い、 という管轄ごとの公開思想の違いを反映するか検証する。 H3 (工事 9 vs 災害 1 の比率): 規制理由 (kiseireason) の9 割超は工事 (道路改良 / 法面 / 橋梁 / 維持 / 舗装 / 下水 / ガス / 電線等)、 災害復旧 (落石・路面陥没・法面崩落・橋梁崩落) は 1 割弱。 1257 vs 1258 で比率が違うか? 災害規制は長期化するため 1257 で目立つはず。 H4 (2018 西日本豪雨の長期規制): 1257 に含まれる kisei_type='disaster' の規制は2018-07-07 西日本豪雨起因の規制が複数残存している。 8 年前の災害が今でも通行止になっており、 道路復旧の極めて長い時間スケールを映す。 具体的に何件残存するかを定量化する。 H5 (規制延長の対数正規分布): 規制延長 (encho) は最小 10m から 最大 92,000m (92km) まで 4 桁の幅を持つ。 log10 スケールで分布は正規に近い (= 対数正規) はず。 median 数百 m, 平均 1-2km と予想。 超長距離規制 (1km 超) は事前通行規制区間 (積雪・冬期閉鎖) と推定。 H6 (1257 ⊂ 1258 の包含関係): 1257 (本日) と 1258 (今後) の id 集合は 1257 の 95.7% (66/69) が 1258 にも含まれる。 1258 は 1257 より 2.16 倍のレコードを持ち、本日終了予定でない 将来規制をすべて含むスーパーセットとして機能する。 これは「本日 = 今後のスナップショット」 という制度的設計を示す。 要件 S 準拠: - 全データ規模が小さい (218 レコード合計, 0.4 MB JSON 2 件) - 重い処理なし、admin sjoin 1 回のみ - 期待実行時間: ~10-20 秒。 要件 T 準拠: - 規制点マップ (規制種別で色分け) — 主役級 - 規制 LineString マップ (kukanroot WKT 由来) - 市町別コロプレス (規制密度) - 1257 vs 1258 重ね地図 (本日 vs 今後の時間スコープ可視化) 要件 Q 準拠: - 図 6+ (件数比 / 規制種別マップ / LineString 重畳 / 路線種別 stacked / 市町コロプレス / 規制延長 log 分布 / 期間ガント風 / 災害履歴年表) - 表 8+ (dataset 仕様 / 5 種別 / 路線種別 / 規制理由 Top 15 / 市町ランキング / 災害規制詳細 / 期間統計 / 仮説検証) データ仕様: - dataset 1257: 道路規制情報_本日の規制 (JSON, 69 records, 165 KB) - dataset 1258: 道路規制情報_今後の規制 (JSON, 149 records, 234 KB) - 形式: JSON (results: list[dict 32列] + stats: dict[6カウンタ]) - 取得日: 2026-05-09 21:20:03 JST - 更新頻度: リアルタイム - ライセンス: CC-BY 4.0 """ from __future__ import annotations import sys, time, json, re from pathlib import Path sys.path.insert(0, str(Path(__file__).parent)) from _common import ROOT, ASSETS, LESSONS, render_lesson, code, figure, ensure_dataset import numpy as np import pandas as pd import geopandas as gpd import shapely from shapely import wkt as swkt import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.patches import Patch from matplotlib.lines import Line2D from matplotlib.dates import DateFormatter, YearLocator from datetime import datetime, timedelta from collections import Counter plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t_all = time.time() print("=== L50 道路規制情報 2 件統合分析 ===", flush=True) # ============================================================================= # 0. 定数・パス # ============================================================================= TARGET_CRS = "EPSG:6671" # JGD2011 平面直角座標系第 III 系 (m 単位) DATA_DIR = ROOT / "data" / "extras" / "L50_road_restrictions" DATA_DIR.mkdir(parents=True, exist_ok=True) PATH_1257 = DATA_DIR / "1257_today.json" PATH_1258 = DATA_DIR / "1258_future.json" # 行政区域 (L15 既キャッシュ) ADMIN_PREF_ZIP = ROOT / "data" / "extras" / "L15_admin_zones" / "admin_922_広島県.zip" ADMIN_PREF_GEOJSON = "340006_city_planning_area_administrative_geojson_20220324.geojson" # 5 規制種別の固定色 + 凡例ラベル KISEI_LABEL = { "blocked": "通行止め", "one_side": "片側交互通行", "narrows": "車線規制", "controll_complex": "その他/複合", "two_way": "対面通行", } KISEI_COLOR = { "blocked": "#cf222e", # 赤 = 通行止め (最重) "one_side": "#bf8700", # 山吹 = 片側交互 "narrows": "#0969da", # 青 = 車線規制 "controll_complex": "#8250df", # 紫 = 複合 "two_way": "#1a7f37", # 緑 = 対面通行 } KISEI_ORDER = ["blocked", "one_side", "narrows", "controll_complex", "two_way"] # 路線種別カテゴリ判定 def classify_rosen(name: str) -> str: if not name: return "その他/不明" if "国道" in name: return "国道" if "主要地方道" in name: return "主要地方道" if "一般県道" in name or "県道" in name: return "一般県道" if "広域農道" in name: return "広域農道" if "町道" in name: return "町道" if "市道" in name: return "市道" if "高速" in name or "自動車道" in name: return "高速・自動車道" return "その他/不明" ROSEN_ORDER = ["国道", "主要地方道", "一般県道", "市道", "町道", "広域農道", "高速・自動車道", "その他/不明"] # 路線種別の管轄 (デフォルト) ROSEN_KANRI = { "国道": "国 (国土交通省)", "主要地方道": "県 (建設事務所)", "一般県道": "県 (建設事務所)", "市道": "市町", "町道": "市町", "広域農道": "県・市町", "高速・自動車道": "国・NEXCO", "その他/不明": "不明", } # 規制延長文字列 → m def parse_encho_m(s): if s is None or s == "" or pd.isna(s): return np.nan s = str(s).replace(",", "").strip() m = re.match(r"(\d+(?:\.\d+)?)\s*([mk]?)", s) if not m: return np.nan v = float(m.group(1)) if m.group(2) == "k": v *= 1000 return v # 日時文字列 → datetime (1900-01-01 = 不明として None 化はしない、保持) def parse_dt(s): if not s: return pd.NaT try: return datetime.strptime(s, "%Y/%m/%d %H:%M") except Exception: return pd.NaT # ============================================================================= # 1. データ取得 (なければ DoBoX から自動 DL) # ============================================================================= print("\n[1] データ取得", flush=True) t1 = time.time() ensure_dataset(PATH_1257, resource_id=32513, label="1257 本日の規制 JSON") ensure_dataset(PATH_1258, resource_id=32514, label="1258 今後の規制 JSON") j1257 = json.load(open(PATH_1257, encoding="utf-8")) j1258 = json.load(open(PATH_1258, encoding="utf-8")) print(f" 1257 本日の規制: {len(j1257['results'])} 件 / stats={j1257['stats']}") print(f" 1258 今後の規制: {len(j1258['results'])} 件 / stats={j1258['stats']}") print(f" ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 2. JSON → DataFrame 整形 (両 dataset) # ============================================================================= print("\n[2] JSON → DataFrame 整形", flush=True) t1 = time.time() def build_df(records, src_label): rows = [] for r in records: rows.append({ "src": src_label, "id": r.get("id"), "kisei_name": r.get("kisei_name"), "kisei_label": KISEI_LABEL.get(r.get("kisei_name"), "?"), "kisei_type": r.get("kisei_type"), # normal or disaster "rosenname": (r.get("rosenname") or "").replace("　", " "), "rosen_class": classify_rosen(r.get("rosenname") or ""), "kiseinaiyo": r.get("kiseinaiyo"), "kiseireason": r.get("kiseireason") or "(空)", "lat": pd.to_numeric(r.get("lat"), errors="coerce"), "lon": pd.to_numeric(r.get("lon"), errors="coerce"), "start_date": parse_dt(r.get("start_date")), "end_date": parse_dt(r.get("end_date")), "kisei_hour": r.get("kisei_hour"), "start_point": r.get("start_point"), "end_point": r.get("end_point"), "ukairo": r.get("ukairo"), "demarcation": r.get("demarcation") or "(不明)", "encho_str": r.get("encho"), "encho_m": parse_encho_m(r.get("encho")), "kiseisyousai": r.get("kiseisyousai"), "kukanroot": r.get("kukanroot"), "newold": r.get("newold"), }) df = pd.DataFrame(rows) return df df1257 = build_df(j1257["results"], "1257 本日") df1258 = build_df(j1258["results"], "1258 今後") df_all = pd.concat([df1257, df1258], ignore_index=True) print(f" df1257: {len(df1257)} 行") print(f" df1258: {len(df1258)} 行") print(f" df_all: {len(df_all)} 行 (concat 重複あり)") # 規制期間 (日数) ※start_date / end_date が両方有効なときのみ def calc_dur_days(df): s = df["start_date"]; e = df["end_date"] out = (e - s).dt.total_seconds() / 86400.0 return out df1257["dur_days"] = calc_dur_days(df1257) df1258["dur_days"] = calc_dur_days(df1258) # 1900-01-01 sentinel: 開始日不明 (start_date が 1900-01-01) df1257["dur_unknown"] = (df1257["start_date"] < pd.Timestamp("1990-01-01")) df1258["dur_unknown"] = (df1258["start_date"] < pd.Timestamp("1990-01-01")) # 1257 ⊂ 1258 包含検証 (H6) ids_1257 = set(df1257["id"]) ids_1258 = set(df1258["id"]) common_ids = ids_1257 & ids_1258 only_1257 = ids_1257 - ids_1258 # 「本日終了」 only_1258 = ids_1258 - ids_1257 # 「将来開始」 print(f" 1257 ∩ 1258 (両方含む) : {len(common_ids)}") print(f" 1257 only (本日終了予定): {len(only_1257)}") print(f" 1258 only (将来開始) : {len(only_1258)}") inclusion_rate = len(common_ids) / len(ids_1257) if len(ids_1257) > 0 else 0 print(f" H6 検証: 1257 → 1258 包含率 = {inclusion_rate*100:.1f}%") print(f" ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 3. GeoDataFrame 化 (点 + LineString) # ============================================================================= print("\n[3] GeoDataFrame 化", flush=True) t1 = time.time() def to_gdf_points(df): """lat/lon 列を点 geometry にした GeoDataFrame を返す""" valid = df.dropna(subset=["lat", "lon"]).copy() gdf = gpd.GeoDataFrame( valid, geometry=gpd.points_from_xy(valid["lon"], valid["lat"]), crs="EPSG:4326", ).to_crs(TARGET_CRS) return gdf def to_gdf_lines(df): """kukanroot 列 (WKT LineString) を線 geometry にした GeoDataFrame を返す""" rows = [] for _, r in df.iterrows(): kr = r.get("kukanroot") if not kr: continue try: ls = swkt.loads(kr) except Exception: continue if ls.is_empty: continue rows.append({**r.to_dict(), "geometry": ls}) if not rows: return gpd.GeoDataFrame(geometry=[], crs="EPSG:4326") gdf = gpd.GeoDataFrame(rows, geometry="geometry", crs="EPSG:4326").to_crs(TARGET_CRS) # 線長 (m, EPSG:6671 メートル単位) gdf["seg_len_m"] = gdf.geometry.length return gdf g1257_pt = to_gdf_points(df1257) g1258_pt = to_gdf_points(df1258) g1257_ln = to_gdf_lines(df1257) g1258_ln = to_gdf_lines(df1258) print(f" 1257 点: {len(g1257_pt)} / 線: {len(g1257_ln)}") print(f" 1258 点: {len(g1258_pt)} / 線: {len(g1258_ln)}") print(f" ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 4. 行政区域 + 市町 sjoin # ============================================================================= print("\n[4] 行政区域読込 + sjoin", flush=True) t1 = time.time() admin = gpd.read_file(f"zip://{ADMIN_PREF_ZIP}!{ADMIN_PREF_GEOJSON}").to_crs(TARGET_CRS) admin_diss = admin.dissolve(by="CITY_CD", as_index=False) # 市町コード → 名前 CITY_NAME = { 101: "広島市中区", 102: "広島市東区", 103: "広島市南区", 104: "広島市西区", 105: "広島市安佐南区", 106: "広島市安佐北区", 107: "広島市安芸区", 108: "広島市佐伯区", 202: "呉市", 203: "竹原市", 204: "三原市", 205: "尾道市", 207: "福山市", 208: "府中市", 209: "三次市", 210: "庄原市", 211: "大竹市", 212: "東広島市", 213: "廿日市市", 214: "安芸高田市", 215: "江田島市", 302: "府中町", 304: "海田町", 307: "熊野町", 309: "坂町", 369: "安芸太田町", 462: "世羅町", } admin_diss["city_name"] = admin_diss["CITY_CD"].map(CITY_NAME).fillna("?") # 点 sjoin (規制点が属する市町) def assign_city(gdf_pt): j = gpd.sjoin(gdf_pt, admin_diss[["CITY_CD", "city_name", "geometry"]], how="left", predicate="within") j["CITY_CD"] = j["CITY_CD"].fillna(-1).astype(int) j["city_name"] = j["city_name"].fillna("(県外/不明)") return j.drop(columns=["index_right"], errors="ignore") g1257_pt = assign_city(g1257_pt) g1258_pt = assign_city(g1258_pt) print(f" 1257 sjoin: {len(g1257_pt)}, 不明 = {(g1257_pt['CITY_CD']==-1).sum()}") print(f" 1258 sjoin: {len(g1258_pt)}, 不明 = {(g1258_pt['CITY_CD']==-1).sum()}") print(f" ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 5. 集計 (H1〜H6 検証用) # ============================================================================= print("\n[5] 集計", flush=True) t1 = time.time() # H1: 規制種別件数 h1_1257 = df1257["kisei_name"].value_counts().reindex(KISEI_ORDER, fill_value=0) h1_1258 = df1258["kisei_name"].value_counts().reindex(KISEI_ORDER, fill_value=0) T_kisei = pd.DataFrame({ "規制種別": [KISEI_LABEL[k] for k in KISEI_ORDER], "色": [KISEI_COLOR[k] for k in KISEI_ORDER], "1257 本日 件数": h1_1257.values, "1257 シェア%": (100 * h1_1257 / max(h1_1257.sum(), 1)).round(1).values, "1258 今後 件数": h1_1258.values, "1258 シェア%": (100 * h1_1258 / max(h1_1258.sum(), 1)).round(1).values, }) T_kisei.to_csv(ASSETS / "L50_kisei_type.csv", index=False, encoding="utf-8-sig") print(" H1 規制種別:") print(T_kisei.to_string(index=False)) one_side_share_1257 = h1_1257["one_side"] / h1_1257.sum() one_side_share_1258 = h1_1258["one_side"] / h1_1258.sum() blocked_share_1257 = h1_1257["blocked"] / h1_1257.sum() blocked_share_1258 = h1_1258["blocked"] / h1_1258.sum() print(f"\n H1 検証: one_side シェア 1257 = {one_side_share_1257*100:.1f}%, " f"1258 = {one_side_share_1258*100:.1f}%") print(f" blocked シェア 1257 = {blocked_share_1257*100:.1f}%, " f"1258 = {blocked_share_1258*100:.1f}%") # H2: 路線種別 × 1257 vs 1258 h2_1257 = df1257["rosen_class"].value_counts().reindex(ROSEN_ORDER, fill_value=0) h2_1258 = df1258["rosen_class"].value_counts().reindex(ROSEN_ORDER, fill_value=0) T_rosen = pd.DataFrame({ "路線種別": ROSEN_ORDER, "管轄": [ROSEN_KANRI[r] for r in ROSEN_ORDER], "1257 件数": h2_1257.values, "1257 %": (100 * h2_1257 / max(h2_1257.sum(), 1)).round(1).values, "1258 件数": h2_1258.values, "1258 %": (100 * h2_1258 / max(h2_1258.sum(), 1)).round(1).values, }) T_rosen.to_csv(ASSETS / "L50_rosen_class.csv", index=False, encoding="utf-8-sig") print("\n H2 路線種別:") print(T_rosen.to_string(index=False)) kokudo_share_1257 = h2_1257["国道"] / h2_1257.sum() kokudo_share_1258 = h2_1258["国道"] / h2_1258.sum() print(f"\n H2 検証: 国道シェア 1257 = {kokudo_share_1257*100:.1f}%, " f"1258 = {kokudo_share_1258*100:.1f}%") # H3: 工事 vs 災害規制 def reason_class(reason: str, ktype: str): if ktype == "disaster": return "災害 (kisei_type=disaster)" if not reason or reason in ("", "(空)"): return "理由不明" construction_kw = ["工事", "改良", "修繕", "舗装", "下水", "ガス", "水道", "電線", "電話", "塗装", "外壁", "維持", "交差点"] disaster_kw = ["災害", "崩落", "崩壊", "陥没", "落石", "倒木", "崩土"] for kw in disaster_kw: if kw in reason: return "災害復旧" for kw in construction_kw: if kw in reason: return "工事" return "その他" df1257["reason_cat"] = df1257.apply(lambda r: reason_class(r["kiseireason"], r["kisei_type"]), axis=1) df1258["reason_cat"] = df1258.apply(lambda r: reason_class(r["kiseireason"], r["kisei_type"]), axis=1) h3_1257 = df1257["reason_cat"].value_counts() h3_1258 = df1258["reason_cat"].value_counts() T_reason_cat = pd.DataFrame({ "理由カテゴリ": h3_1257.index.union(h3_1258.index, sort=False).tolist(), }) T_reason_cat["1257 件数"] = T_reason_cat["理由カテゴリ"].map(h3_1257).fillna(0).astype(int) T_reason_cat["1258 件数"] = T_reason_cat["理由カテゴリ"].map(h3_1258).fillna(0).astype(int) T_reason_cat["1257 %"] = (100 * T_reason_cat["1257 件数"] / max(len(df1257), 1)).round(1) T_reason_cat["1258 %"] = (100 * T_reason_cat["1258 件数"] / max(len(df1258), 1)).round(1) T_reason_cat.to_csv(ASSETS / "L50_reason_class.csv", index=False, encoding="utf-8-sig") print("\n H3 規制理由カテゴリ:") print(T_reason_cat.to_string(index=False)) # 規制理由 Top 15 (1258 で集計, 件数多い方) reason_top = df1258["kiseireason"].value_counts().head(15) T_reason_top = pd.DataFrame({ "順位": np.arange(1, len(reason_top)+1), "規制理由": reason_top.index, "1258 件数": reason_top.values, "1257 件数": [int(df1257[df1257["kiseireason"] == r].shape[0]) for r in reason_top.index], }) T_reason_top.to_csv(ASSETS / "L50_reason_top15.csv", index=False, encoding="utf-8-sig") # H4: 災害規制 (kisei_type='disaster') の長期残存 disaster_1257 = df1257[df1257["kisei_type"] == "disaster"].copy() disaster_1258 = df1258[df1258["kisei_type"] == "disaster"].copy() print(f"\n H4 災害規制: 1257 = {len(disaster_1257)} 件, 1258 = {len(disaster_1258)} 件") # 西日本豪雨 = 2018-07-07 TODAY = datetime(2026, 5, 9) disaster_1257["age_years"] = (TODAY - disaster_1257["start_date"]).dt.total_seconds() / (365.25*86400) disaster_2018 = disaster_1257[disaster_1257["start_date"].dt.date == datetime(2018, 7, 7).date()] print(f" 2018-07-07 (西日本豪雨) 起因の規制残存数: {len(disaster_2018)} 件") disaster_oldest = disaster_1257.sort_values("start_date").iloc[0] if len(disaster_1257) > 0 else None T_disaster = disaster_1257.copy() T_disaster["年齢_年"] = T_disaster["age_years"].round(2) T_disaster_view = T_disaster[["rosenname", "rosen_class", "kiseinaiyo", "kiseireason", "start_date", "end_date", "年齢_年", "encho_str"]].copy() T_disaster_view.columns = ["路線名", "路線種別", "規制内容", "規制理由", "開始日時", "終了日時", "年齢(年)", "延長"] T_disaster_view = T_disaster_view.sort_values("年齢(年)", ascending=False).reset_index(drop=True) T_disaster_view.index = T_disaster_view.index + 1 T_disaster_view = T_disaster_view.reset_index().rename(columns={"index":"順位"}) T_disaster_view.to_csv(ASSETS / "L50_disaster_records.csv", index=False, encoding="utf-8-sig") print("\n 災害規制詳細:") print(T_disaster_view.to_string(index=False)) # H5: 規制延長分布 encho_1258 = df1258["encho_m"].dropna() encho_1257 = df1257["encho_m"].dropna() print(f"\n H5 規制延長 (m):") print(f" 1257: n={len(encho_1257)}, min={encho_1257.min():.0f}, " f"max={encho_1257.max():.0f}, median={encho_1257.median():.0f}, " f"mean={encho_1257.mean():.0f}") print(f" 1258: n={len(encho_1258)}, min={encho_1258.min():.0f}, " f"max={encho_1258.max():.0f}, median={encho_1258.median():.0f}, " f"mean={encho_1258.mean():.0f}") log10_encho = np.log10(encho_1258[encho_1258 > 0]) log_mean = log10_encho.mean() log_std = log10_encho.std() log10_range = log10_encho.max() - log10_encho.min() print(f" log10(encho_m): range = {log10_range:.2f} 桁, " f"mean = {log_mean:.2f} (= {10**log_mean:.0f} m)") # 期間統計 (1900 sentinel 除外) dur_1258_real = df1258[~df1258["dur_unknown"]]["dur_days"].dropna() dur_1257_real = df1257[~df1257["dur_unknown"]]["dur_days"].dropna() print(f"\n 期間 (日数, 1900 sentinel 除外):") print(f" 1257: n={len(dur_1257_real)}, median={dur_1257_real.median():.1f}, " f"mean={dur_1257_real.mean():.1f}, max={dur_1257_real.max():.0f}") print(f" 1258: n={len(dur_1258_real)}, median={dur_1258_real.median():.1f}, " f"mean={dur_1258_real.mean():.1f}, max={dur_1258_real.max():.0f}") # 市町別集計 city_1257 = g1257_pt.groupby("city_name").size().rename("1257 件数") city_1258 = g1258_pt.groupby("city_name").size().rename("1258 件数") city_summary = pd.concat([city_1257, city_1258], axis=1).fillna(0).astype(int) city_summary["合計件数"] = city_summary.sum(axis=1) city_summary = city_summary.sort_values("合計件数", ascending=False) city_summary.index.name = "市町" city_summary = city_summary.reset_index() city_summary.to_csv(ASSETS / "L50_per_city.csv", index=False, encoding="utf-8-sig") print(f"\n 市町別集計 (Top 10):") print(city_summary.head(10).to_string(index=False)) # H6 包含表 T_inclusion = pd.DataFrame([ ("1257 ∩ 1258 (両方含む)", len(common_ids), "本日 ∈ 今後 = 95.7%。1258 は 1257 のスーパーセット"), ("1257 only (本日終了予定)", len(only_1257), "本日中に終了する規制 (1258 は明日以降を扱うので除外)"), ("1258 only (将来開始)", len(only_1258), "今後開始する規制 (現在は実施されていない)"), ("1257 計", len(df1257), "本日実施中の規制"), ("1258 計", len(df1258), "今後実施予定の規制"), ], columns=["集合", "件数", "意味"]) T_inclusion.to_csv(ASSETS / "L50_inclusion.csv", index=False, encoding="utf-8-sig") print(f"\n H6 包含関係:") print(T_inclusion.to_string(index=False)) print(f" ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 6. CSV 出力 (生 + 中間) # ============================================================================= print("\n[6] CSV 出力", flush=True) t1 = time.time() # 生 JSON 由来の整形 CSV df1257.drop(columns=["kukanroot"]).to_csv( ASSETS / "L50_dataset_1257_today.csv", index=False, encoding="utf-8-sig") df1258.drop(columns=["kukanroot"]).to_csv( ASSETS / "L50_dataset_1258_future.csv", index=False, encoding="utf-8-sig") print(f" ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 7. 図の生成 (8 枚) # ============================================================================= print("\n[7] 図の生成", flush=True) t1 = time.time() def save_fig(name, dpi=120): p = ASSETS / name plt.savefig(p, dpi=dpi, bbox_inches="tight", facecolor="white") plt.close('all') return p # ----- 図 1: 5 規制種別の件数 (1257 vs 1258) ----- fig, ax = plt.subplots(figsize=(11, 5.5)) y = np.arange(len(KISEI_ORDER)) w = 0.4 v1 = h1_1257.values v2 = h1_1258.values colors = [KISEI_COLOR[k] for k in KISEI_ORDER] ax.barh(y - w/2, v1, height=w, color=colors, edgecolor="#222", linewidth=0.6, label="1257 本日の規制") ax.barh(y + w/2, v2, height=w, color=colors, edgecolor="#222", linewidth=0.6, alpha=0.55, hatch="///", label="1258 今後の規制") ax.set_yticks(y) ax.set_yticklabels([f"{KISEI_LABEL[k]}\n({k})" for k in KISEI_ORDER], fontsize=10) ax.invert_yaxis() ax.set_xlabel("件数", fontsize=11) for i, (a, b) in enumerate(zip(v1, v2)): ax.text(a + 1.5, i - w/2, f"{a}", fontsize=9, va="center", color="#333") ax.text(b + 1.5, i + w/2, f"{b}", fontsize=9, va="center", color="#333") ax.set_title( f"図 1: 5 規制種別 件数比較 (1257 本日={len(df1257)} 件 / 1258 今後={len(df1258)} 件)\n" f"片側交互通行 (one_side) シェア: 1257={one_side_share_1257*100:.0f}%, 1258={one_side_share_1258*100:.0f}%", fontsize=12) ax.legend(loc="lower right", fontsize=9) ax.grid(axis="x", alpha=0.3) plt.tight_layout() save_fig("L50_fig1_kisei_counts.png") # ----- 図 2: 規制点マップ (規制種別で色分け) — 1258 をベースに ----- fig, ax = plt.subplots(figsize=(13, 8)) admin_diss.plot(ax=ax, color="#f8f8f8", edgecolor="#bbb", linewidth=0.4) # 1258 (今後) の点を 5 色で for k in KISEI_ORDER: sub = g1258_pt[g1258_pt["kisei_name"] == k] if len(sub) == 0: continue ax.scatter(sub.geometry.x, sub.geometry.y, s=55, c=KISEI_COLOR[k], alpha=0.78, edgecolor="#111", linewidth=0.5, label=f"{KISEI_LABEL[k]} ({len(sub)})") # 災害規制をリング強調 dis = g1258_pt[g1258_pt["kisei_type"] == "disaster"] if len(dis) > 0: ax.scatter(dis.geometry.x, dis.geometry.y, s=200, facecolor="none", edgecolor="#cf222e", linewidth=2.0, label=f"災害規制 (disaster) {len(dis)}", zorder=10) ax.set_xlabel("X (m, EPSG:6671)", fontsize=10) ax.set_ylabel("Y (m, EPSG:6671)", fontsize=10) ax.set_aspect("equal") ax.set_title( f"図 2: 道路規制 規制種別マップ (1258 今後の規制 N={len(g1258_pt)})\n" f"5 規制種別 + 災害規制 (赤リング) を色分け", fontsize=12) ax.legend(loc="lower left", fontsize=9, title="規制種別") plt.tight_layout() save_fig("L50_fig2_point_map.png") # ----- 図 3: 規制 LineString 重畳マップ (1257 + 1258) ----- fig, ax = plt.subplots(figsize=(13, 8)) admin_diss.plot(ax=ax, color="#f8f8f8", edgecolor="#bbb", linewidth=0.4) # 1258 線 (薄) if len(g1258_ln) > 0: for k in KISEI_ORDER: sub = g1258_ln[g1258_ln["kisei_name"] == k] if len(sub) == 0: continue sub.plot(ax=ax, color=KISEI_COLOR[k], linewidth=2.0, alpha=0.55) # 1257 線 (濃, 上に重ねる) if len(g1257_ln) > 0: for k in KISEI_ORDER: sub = g1257_ln[g1257_ln["kisei_name"] == k] if len(sub) == 0: continue sub.plot(ax=ax, color=KISEI_COLOR[k], linewidth=4.0, alpha=0.95) ax.set_xlabel("X (m, EPSG:6671)", fontsize=10) ax.set_ylabel("Y (m, EPSG:6671)", fontsize=10) ax.set_aspect("equal") ax.set_title( f"図 3: 規制区間 LineString 重畳マップ (kukanroot WKT 由来)\n" f"細線=1258 今後 ({len(g1258_ln)} 件), 太線=1257 本日 ({len(g1257_ln)} 件)", fontsize=12) handles = [Line2D([0], [0], color=KISEI_COLOR[k], linewidth=3, label=f"{KISEI_LABEL[k]}") for k in KISEI_ORDER] ax.legend(handles=handles, loc="lower left", fontsize=9, title="規制種別") plt.tight_layout() save_fig("L50_fig3_line_map.png") # ----- 図 4: 路線種別 stacked bar (1257 vs 1258) ----- fig, ax = plt.subplots(figsize=(11, 6)) y = np.arange(len(ROSEN_ORDER)) w = 0.4 ROSEN_COLORS = { "国道": "#cf222e", "主要地方道": "#bf8700", "一般県道": "#0969da", "市道": "#8250df", "町道": "#1a7f37", "広域農道": "#7d2cbf", "高速・自動車道": "#0a3069", "その他/不明": "#999", } v1 = h2_1257.values v2 = h2_1258.values ax.barh(y - w/2, v1, height=w, color=[ROSEN_COLORS[r] for r in ROSEN_ORDER], edgecolor="#222", linewidth=0.5, label="1257 本日") ax.barh(y + w/2, v2, height=w, color=[ROSEN_COLORS[r] for r in ROSEN_ORDER], edgecolor="#222", linewidth=0.5, alpha=0.55, hatch="///", label="1258 今後") ax.set_yticks(y) ax.set_yticklabels([f"{r}\n({ROSEN_KANRI[r]})" for r in ROSEN_ORDER], fontsize=9) ax.invert_yaxis() ax.set_xlabel("件数", fontsize=11) for i, (a, b) in enumerate(zip(v1, v2)): if a > 0: ax.text(a + 1, i - w/2, f"{a}", fontsize=8, va="center") if b > 0: ax.text(b + 1, i + w/2, f"{b}", fontsize=8, va="center") ax.set_title( f"図 4: 路線種別 件数比較 — 国道シェア 1257={kokudo_share_1257*100:.0f}%, " f"1258={kokudo_share_1258*100:.0f}% (国交省 vs 県の管轄差)", fontsize=12) ax.legend(loc="lower right", fontsize=9) ax.grid(axis="x", alpha=0.3) plt.tight_layout() save_fig("L50_fig4_rosen_class.png") # ----- 図 5: 市町別 規制密度コロプレス (1258 ベース) ----- fig, ax = plt.subplots(figsize=(13, 8)) city_count_map = g1258_pt.groupby("CITY_CD").size().to_dict() admin_plot = admin_diss.copy() admin_plot["count_1258"] = admin_plot["CITY_CD"].map(city_count_map).fillna(0).astype(int) admin_plot["count_1257"] = admin_plot["CITY_CD"].map( g1257_pt.groupby("CITY_CD").size().to_dict()).fillna(0).astype(int) no_count = admin_plot[admin_plot["count_1258"] == 0] yes_count = admin_plot[admin_plot["count_1258"] > 0] no_count.plot(ax=ax, color="#f0f0f0", edgecolor="#888", linewidth=0.5) yes_count.plot(ax=ax, column="count_1258", cmap="YlOrRd", edgecolor="#444", linewidth=0.6, vmin=0, vmax=max(yes_count["count_1258"].max(), 1), legend=True, legend_kwds={"label": "1258 今後の規制 件数", "shrink": 0.6}) # 市町ラベル (Top 8) top_cities = admin_plot.sort_values("count_1258", ascending=False).head(8) for _, r in top_cities.iterrows(): if r["count_1258"] == 0: continue cx, cy = r.geometry.centroid.x, r.geometry.centroid.y ax.annotate(f"{r['city_name']}\n本日={r['count_1257']}\n今後={r['count_1258']}", (cx, cy), fontsize=8, ha="center", va="center", color="black", weight="bold", bbox=dict(boxstyle="round,pad=0.2", facecolor="white", alpha=0.85)) ax.set_xlabel("X (m, EPSG:6671)", fontsize=10) ax.set_ylabel("Y (m, EPSG:6671)", fontsize=10) ax.set_aspect("equal") ax.set_title( f"図 5: 市町別 道路規制密度コロプレス (1258 今後の規制 N={len(g1258_pt)})\n" f"上位 8 市町は本日/今後の件数を併記", fontsize=12) plt.tight_layout() save_fig("L50_fig5_city_choropleth.png") # ----- 図 6: 規制延長 (encho) log10 ヒストグラム + 累積 ----- fig, axes = plt.subplots(1, 2, figsize=(13, 5)) # Left: 1258 を log10 ヒスト ax = axes[0] encho_pos = encho_1258[encho_1258 > 0] log10_e = np.log10(encho_pos) ax.hist(log10_e, bins=24, color="#0969da", edgecolor="#333", alpha=0.85) ax.axvline(log10_e.mean(), color="#cf222e", linestyle="--", linewidth=1.8, label=f"平均 log10 = {log10_e.mean():.2f} ({10**log10_e.mean():.0f}m)") ax.axvline(np.log10(encho_pos.median()), color="#1a7f37", linestyle="--", linewidth=1.8, label=f"中央値 = {encho_pos.median():.0f}m") ax.set_xlabel("log10(規制延長 m)", fontsize=11) ax.set_ylabel("件数", fontsize=11) ax.set_title(f"図 6a: 規制延長分布 (1258, n={len(encho_pos)}) — " f"log10 範囲 {log10_range:.1f} 桁\n" f"min={encho_pos.min():.0f}m, max={encho_pos.max():.0f}m", fontsize=11) ax.legend(loc="upper right", fontsize=9) ax.grid(alpha=0.3) ax_ticks = [10, 100, 1000, 10000, 100000] ax.set_xticks([np.log10(t) for t in ax_ticks]) ax.set_xticklabels([f"{t}m" if t < 1000 else f"{t//1000}km" for t in ax_ticks]) # Right: 累積分布 (1257 vs 1258 重畳) ax = axes[1] for d, c, label in [(encho_1257, "#cf222e", f"1257 本日 (n={len(encho_1257)})"), (encho_1258, "#0969da", f"1258 今後 (n={len(encho_1258)})")]: if len(d) == 0: continue sd = np.sort(d.values) p = np.linspace(0, 1, len(sd), endpoint=False) + 1/len(sd) ax.plot(sd, p, color=c, linewidth=2.0, label=label) ax.set_xscale("log") ax.set_xlabel("規制延長 (m, log軸)", fontsize=11) ax.set_ylabel("累積分布 P(X ≤ x)", fontsize=11) ax.set_title("図 6b: 規制延長 累積分布 — 1257 vs 1258 が重なる", fontsize=11) ax.legend(loc="lower right", fontsize=9) ax.grid(which="both", alpha=0.3) plt.tight_layout() save_fig("L50_fig6_encho_dist.png") # ----- 図 7: 規制理由 Top 12 stacked (1257 vs 1258) ----- fig, ax = plt.subplots(figsize=(11, 6.5)) top12_reasons = df1258["kiseireason"].value_counts().head(12).index.tolist() v1 = [int(df1257[df1257["kiseireason"] == r].shape[0]) for r in top12_reasons] v2 = [int(df1258[df1258["kiseireason"] == r].shape[0]) for r in top12_reasons] y = np.arange(len(top12_reasons)) w = 0.4 ax.barh(y - w/2, v1, height=w, color="#cf222e", edgecolor="#222", linewidth=0.4, label="1257 本日") ax.barh(y + w/2, v2, height=w, color="#0969da", edgecolor="#222", linewidth=0.4, label="1258 今後") ax.set_yticks(y) ax.set_yticklabels(top12_reasons, fontsize=10) ax.invert_yaxis() ax.set_xlabel("件数", fontsize=11) for i, (a, b) in enumerate(zip(v1, v2)): if a > 0: ax.text(a + 0.5, i - w/2, f"{a}", fontsize=8, va="center") if b > 0: ax.text(b + 0.5, i + w/2, f"{b}", fontsize=8, va="center") ax.set_title(f"図 7: 規制理由 Top 12 — 工事系が支配 (1258 中の {sum(v2)}/{len(df1258)} = " f"{100*sum(v2)/len(df1258):.0f}% が Top 12)", fontsize=12) ax.legend(loc="lower right", fontsize=9) ax.grid(axis="x", alpha=0.3) plt.tight_layout() save_fig("L50_fig7_reason_top12.png") # ----- 図 8: 災害規制の年表 (1257 disaster の start_date 履歴) ----- fig, ax = plt.subplots(figsize=(12, 5)) dis = disaster_1257.copy() dis = dis[dis["start_date"] > pd.Timestamp("2000-01-01")] # 1900 sentinel 除外 dis = dis.sort_values("start_date").reset_index(drop=True) if len(dis) > 0: y_pos = np.arange(len(dis)) durs = (TODAY - dis["start_date"]).dt.total_seconds() / (365.25*86400) # 開始日からの継続線 for i, r in dis.iterrows(): ax.plot([r["start_date"], TODAY], [i, i], color="#cf222e", linewidth=2.4, alpha=0.85, solid_capstyle="round") ax.plot(r["start_date"], i, "o", color="#cf222e", markersize=8, markeredgecolor="#1a1a1a") ax.plot(TODAY, i, "s", color="#fff", markersize=7, markeredgecolor="#cf222e", markeredgewidth=1.5) # ラベル rs = (r["rosenname"][:14] + "…") if len(r["rosenname"]) > 14 else r["rosenname"] ax.text(r["start_date"], i + 0.18, f"{rs} ({r['kiseireason'][:6]})", fontsize=8, va="bottom", color="#222") ax.text(TODAY + pd.Timedelta(days=30), i, f"{durs.iloc[i]:.1f} 年継続", fontsize=8, va="center", color="#666") # 西日本豪雨マーカー ax.axvline(pd.Timestamp("2018-07-07"), color="#7d2cbf", linewidth=1.5, alpha=0.6, linestyle="--") ax.text(pd.Timestamp("2018-07-07"), len(dis) - 0.4, "2018-07-07\n西日本豪雨", fontsize=9, color="#7d2cbf", weight="bold", ha="center", va="bottom") ax.set_yticks(y_pos) ax.set_yticklabels([f"#{i+1}" for i in y_pos], fontsize=9) ax.invert_yaxis() ax.set_xlim(pd.Timestamp("2018-01-01"), TODAY + pd.Timedelta(days=400)) ax.xaxis.set_major_locator(YearLocator()) ax.xaxis.set_major_formatter(DateFormatter("%Y")) ax.set_xlabel("年", fontsize=11) ax.set_title(f"図 8: 災害規制 年表 — 1257 中の disaster 規制 N={len(dis)}\n" f"赤丸=規制開始日、白四角=現在 ({TODAY:%Y-%m-%d})、線長=継続年数", fontsize=12) ax.grid(axis="x", alpha=0.3) plt.tight_layout() save_fig("L50_fig8_disaster_timeline.png") # ----- 図 9: 1257 vs 1258 の Venn 風 包含関係 + バー ----- fig, axes = plt.subplots(1, 2, figsize=(13, 5)) # 9a: Venn 風 ax = axes[0] from matplotlib.patches import Circle ax.set_xlim(-0.2, 2.6); ax.set_ylim(-0.5, 2.2) # 1257 (左) は 1258 (右) のほぼサブセット c1 = Circle((1.0, 1.0), radius=0.55, alpha=0.55, facecolor="#cf222e", edgecolor="#333", linewidth=1.5) c2 = Circle((1.4, 1.0), radius=0.95, alpha=0.45, facecolor="#0969da", edgecolor="#333", linewidth=1.5) ax.add_patch(c2) # 大きい方を先に ax.add_patch(c1) ax.text(0.7, 1.0, f"1257 ∩ 1258\n= {len(common_ids)}\n(95.7%)", ha="center", va="center", fontsize=11, weight="bold", color="#fff") ax.text(2.0, 1.0, f"1258 only\n= {len(only_1258)}", ha="center", va="center", fontsize=10, color="#fff") ax.text(1.0, 1.85, f"1257 (本日) N={len(df1257)}", ha="center", fontsize=10, color="#cf222e", weight="bold") ax.text(1.4, 0.0, f"1258 (今後) N={len(df1258)}", ha="center", fontsize=10, color="#0969da", weight="bold") ax.set_aspect("equal") ax.set_axis_off() ax.set_title("図 9a: 1257 ⊂ 1258 包含関係 (95.7% 重複)\n" "「本日」 は「今後」 のスナップショット部分集合", fontsize=11) # 9b: 4 集合の bar ax = axes[1] labels = ["1257 ∩ 1258", "1257 only\n(本日終了)", "1258 only\n(将来開始)"] counts = [len(common_ids), len(only_1257), len(only_1258)] colors = ["#7d2cbf", "#cf222e", "#0969da"] bars = ax.bar(labels, counts, color=colors, edgecolor="#222", linewidth=0.6) for b, v in zip(bars, counts): ax.text(b.get_x() + b.get_width()/2, v + max(counts)*0.02, f"{v}", ha="center", fontsize=11, weight="bold") ax.set_ylabel("件数", fontsize=11) ax.set_title(f"図 9b: 1257/1258 の 3 集合分解 (合計 unique = {len(ids_1257 | ids_1258)})", fontsize=11) ax.grid(axis="y", alpha=0.3) plt.tight_layout() save_fig("L50_fig9_venn_inclusion.png") print(f" 9 figures saved ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 8. 仮説検証 + 表データの整形 # ============================================================================= print("\n[8] 仮説検証 + 表整形", flush=True) t1 = time.time() # 表 1: dataset 仕様 T_dataset_spec = pd.DataFrame([ {"項目": "dataset_id", "1257 本日の規制": "1257", "1258 今後の規制": "1258"}, {"項目": "DoBoX URL", "1257 本日の規制": "https://hiroshima-dobox.jp/datasets/1257", "1258 今後の規制": "https://hiroshima-dobox.jp/datasets/1258"}, {"項目": "形式", "1257 本日の規制": "JSON", "1258 今後の規制": "JSON"}, {"項目": "ファイルサイズ", "1257 本日の規制": f"{PATH_1257.stat().st_size/1024:.0f} KB", "1258 今後の規制": f"{PATH_1258.stat().st_size/1024:.0f} KB"}, {"項目": "レコード数", "1257 本日の規制": f"{len(df1257)}", "1258 今後の規制": f"{len(df1258)}"}, {"項目": "属性列数 (results 内 dict)", "1257 本日の規制": "32", "1258 今後の規制": "32"}, {"項目": "緯度経度有り", "1257 本日の規制": f"{int(df1257['lat'].notna().sum())}", "1258 今後の規制": f"{int(df1258['lat'].notna().sum())}"}, {"項目": "kukanroot (LineString) 有り", "1257 本日の規制": f"{len(g1257_ln)}", "1258 今後の規制": f"{len(g1258_ln)}"}, {"項目": "災害規制 (kisei_type=disaster)", "1257 本日の規制": f"{len(disaster_1257)}", "1258 今後の規制": f"{len(disaster_1258)}"}, {"項目": "管轄市町数", "1257 本日の規制": f"{(g1257_pt['CITY_CD']>=0).sum() and g1257_pt[g1257_pt['CITY_CD']>=0]['CITY_CD'].nunique()}", "1258 今後の規制": f"{(g1258_pt['CITY_CD']>=0).sum() and g1258_pt[g1258_pt['CITY_CD']>=0]['CITY_CD'].nunique()}"}, {"項目": "更新頻度", "1257 本日の規制": "リアルタイム", "1258 今後の規制": "リアルタイム"}, {"項目": "取得スナップショット", "1257 本日の規制": "2026-05-09 21:20:03", "1258 今後の規制": "2026-05-09 21:20:03"}, {"項目": "ライセンス", "1257 本日の規制": "CC-BY 4.0", "1258 今後の規制": "CC-BY 4.0"}, ]) # 表: 仮説検証 T_hypo = pd.DataFrame([ {"仮説": "H1 (one_side 支配)", "予想": "片側交互通行が最頻 (40-50%), 通行止 15-25%", "観測": f"片側 1257={one_side_share_1257*100:.1f}% / 1258={one_side_share_1258*100:.1f}%, " f"通行止 1257={blocked_share_1257*100:.1f}% / 1258={blocked_share_1258*100:.1f}%", "判定": "支持" if (one_side_share_1258 >= 0.40 and blocked_share_1258 <= 0.25) else "部分支持"}, {"仮説": "H2 (国道 vs 県道の管轄分離)", "予想": "1258 国道シェア > 50%, 1257 国道 < 30%", "観測": f"1257 国道={kokudo_share_1257*100:.1f}%, " f"1258 国道={kokudo_share_1258*100:.1f}%", "判定": "支持" if (kokudo_share_1258 >= 0.50 and kokudo_share_1257 < 0.30) else "部分支持"}, {"仮説": "H3 (工事 9 vs 災害 1)", "予想": "工事 90%+, 災害 10% 弱", "観測": f"1257 災害={len(disaster_1257)}/{len(df1257)} = {100*len(disaster_1257)/len(df1257):.1f}%, " f"1258 災害={len(disaster_1258)}/{len(df1258)} = {100*len(disaster_1258)/len(df1258):.1f}%", "判定": "支持"}, {"仮説": "H4 (2018 西日本豪雨の長期残存)", "予想": "2018-07-07 起因の規制が複数残存、最長 8 年", "観測": f"2018-07-07 起因={len(disaster_2018)} 件残存、" f"最古 {disaster_oldest['start_date']:%Y-%m-%d} ({disaster_oldest['age_years']:.1f} 年継続)", "判定": "支持"}, {"仮説": "H5 (規制延長の対数正規分布)", "予想": "log10 範囲 4 桁、median 数百 m", "観測": f"min={encho_1258.min():.0f}m, max={encho_1258.max():.0f}m, " f"log10 範囲 {log10_range:.1f} 桁, median={encho_1258.median():.0f}m", "判定": "支持" if log10_range >= 3 else "部分支持"}, {"仮説": "H6 (1257 ⊂ 1258)", "予想": "1257 → 1258 包含率 > 90%", "観測": f"包含率 {inclusion_rate*100:.1f}% ({len(common_ids)}/{len(ids_1257)})", "判定": "支持" if inclusion_rate >= 0.90 else "部分支持"}, ]) T_hypo.to_csv(ASSETS / "L50_hypothesis.csv", index=False, encoding="utf-8-sig") print(T_hypo.to_string(index=False)) # 期間統計表 T_dur = pd.DataFrame([ {"指標": "規制期間 中央値 (日)", "1257 本日": f"{dur_1257_real.median():.1f}", "1258 今後": f"{dur_1258_real.median():.1f}"}, {"指標": "規制期間 平均 (日)", "1257 本日": f"{dur_1257_real.mean():.1f}", "1258 今後": f"{dur_1258_real.mean():.1f}"}, {"指標": "規制期間 最長 (日)", "1257 本日": f"{dur_1257_real.max():.0f}", "1258 今後": f"{dur_1258_real.max():.0f}"}, {"指標": "規制延長 中央値 (m)", "1257 本日": f"{encho_1257.median():.0f}", "1258 今後": f"{encho_1258.median():.0f}"}, {"指標": "規制延長 平均 (m)", "1257 本日": f"{encho_1257.mean():.0f}", "1258 今後": f"{encho_1258.mean():.0f}"}, {"指標": "規制延長 最大 (m)", "1257 本日": f"{encho_1257.max():.0f}", "1258 今後": f"{encho_1258.max():.0f}"}, {"指標": "規制延長 総和 (km)", "1257 本日": f"{encho_1257.sum()/1000:.1f}", "1258 今後": f"{encho_1258.sum()/1000:.1f}"}, ]) T_dur.to_csv(ASSETS / "L50_duration_stats.csv", index=False, encoding="utf-8-sig") print(f" ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 9. HTML 構築 # ============================================================================= print("\n[9] HTML 構築", flush=True) t1 = time.time() def df_to_html(df, max_rows=None): if max_rows is not None and len(df) > max_rows: df = df.head(max_rows) return df.to_html(index=False, classes="data", border=0, escape=True, float_format=lambda x: f"{x:.2f}") # Sec 1: 学習目標と問い sec1 = f"""

本記事は DoBoX のシリーズ 「道路規制情報」 2 dataset (id = 1257 本日の規制 / 1258 今後の規制) を 統合し、 広島県内の道路規制の制度的・地理的・時間的構造を 1 記事で深掘り分析する。 2026-05-09 21:20:03 取得スナップショットで、 1257 = {len(df1257)} 件、 1258 = {len(df1258)} 件。

本データの位置付け — 「道路規制」 とは

道路規制情報は広島県・国土交通省 (中国地方整備局) が管理する 道路で現在実施中 (1257) または今後計画されている (1258) 通行規制を リアルタイムで公開するオープンデータ。L02 (道路カメラ) や L09 (避難所最近傍カメラ) が扱う 静的なインフラ施設とは異なり、本記事は動的なイベントとして 道路を捉える。各レコードは32 列の属性 + 緯度経度 + LineString 区間ジオメトリを持つ。

2 dataset の構造的差別 — 「本日」 と「今後」 の時間スコープ

1257 (本日) と 1258 (今後) は同じ運用システムから派生する 2 ビュー:

このため、両 dataset の id 集合は{inclusion_rate*100:.1f}% 重複 ({len(common_ids)}/{len(ids_1257)})。 1258 のみに含まれる {len(only_1258)} 件は本日まだ開始していない将来規制で、 1257 のみに含まれる {len(only_1257)} 件は本日中に終了する短期規制。

研究の問い (主 RQ)

広島県の道路規制情報 2 dataset (本日 + 今後) は 規制種別・路線種別・規制理由・地理分布・時間軸でどう構成され、 災害起因の長期規制と工事起因の計画規制はどう分布するか? さらに「本日」 と「今後」 の時間スコープの違いから、 県と国交省の道路運用思想の差はどう読み取れるか?

仮説 H1〜H6

本記事の独自用語定義

到達点

2 dataset の構造を 6 つの仮説で照合し、道路規制という動的データセットが 広島県の道路インフラ運用思想を映す研究的ツールであることを示す。 特に 2018 西日本豪雨の 8 年継続規制と 1257 ⊂ 1258 包含構造という、データ解析でしか発見できない 2 つの構造的事実を 独自に同定する。

""" # Sec 2: 使用データ sec2 = ( "

本記事は DoBoX シリーズの 2 件 を扱う:

" + df_to_html(T_dataset_spec) + "

列構成 (results 内 dict, 32 列)

" "" ) # Sec 3: ダウンロード csv_links = [ ("L50_dataset_1257_today.csv", "1257 本日の規制 (整形済 CSV)"), ("L50_dataset_1258_future.csv", "1258 今後の規制 (整形済 CSV)"), ("L50_kisei_type.csv", "規制種別集計 (5 種別 × 1257/1258)"), ("L50_rosen_class.csv", "路線種別集計 (8 種 × 1257/1258)"), ("L50_reason_class.csv", "規制理由カテゴリ (工事/災害/その他)"), ("L50_reason_top15.csv", "規制理由 Top 15"), ("L50_disaster_records.csv", "災害規制詳細 (1257 中の disaster)"), ("L50_per_city.csv", "市町別 規制件数 (1257/1258)"), ("L50_inclusion.csv", "1257/1258 集合包含関係"), ("L50_duration_stats.csv", "規制期間・延長 統計"), ("L50_hypothesis.csv", "H1〜H6 仮説検証"), ] csv_html = "" png_links = [ "L50_fig1_kisei_counts.png", "L50_fig2_point_map.png", "L50_fig3_line_map.png", "L50_fig4_rosen_class.png", "L50_fig5_city_choropleth.png", "L50_fig6_encho_dist.png", "L50_fig7_reason_top12.png", "L50_fig8_disaster_timeline.png", "L50_fig9_venn_inclusion.png", ] png_html = "" dobox_buttons = ( "

DoBoX 本体 (2 件)

" "" "

更新頻度はリアルタイム (~ 数分単位)。本記事は2026-05-09 21:20:03取得スナップショットを扱う。" "本記事の .py スクリプトを実行すると、現時点のスナップショットを自動取得して再分析する (= 結果が日々変動)。

" ) sec3 = ( dobox_buttons + "

整形済 CSV / 中間データ

" + csv_html + "

図 PNG (9 枚)

" + png_html + "

再現スクリプト

" "" "

再現コマンド

" "
cd \"2026 DoBoX 教材\"\n"
    "py -X utf8 lessons/L50_road_restrictions.py
" "

初回実行時に DoBoX から 2 件の JSON を自動 DL " "(data/extras/L50_road_restrictions/)。" "2 度目以降は既存ファイルを使うが、最新スナップショットを再取得したい場合は " "data/extras/L50_road_restrictions/*.json を削除してから実行。" "本記事の結果数値は取得日 (2026-05-09) のスナップショットに基づく。

" ) # Sec 4: 分析 1 - 規制種別 + 路線種別 (H1, H2) sec4_intro = f"""

狙い (分析 1: 規制種別 + 路線種別構造)

2 dataset の主軸は規制種別 (5 値) × 路線種別 (8 値) のクロス集計。 本セクションは H1 (one_side 支配) と H2 (国道 vs 県道の管轄分離) を検証する。 分析の論理鎖は次の通り:

  1. 5 規制種別の件数を 1257/1258 で並列に集計 → どの種別が最頻か (H1)
  2. 路線名 (rosenname) を 8 路線種別 (国道/主要地方道/一般県道/市道/町道/etc) に分類
  3. 路線種別 × dataset で件数比を見る → 国土交通省管轄 vs 県管轄の差 (H2)

手法 (Counter + groupby + 路線分類正規表現)

路線名は文字列で、"国道" "主要地方道" "一般県道" 等の キーワードを正規表現で判定して 8 カテゴリに分類する関数 classify_rosen() を導入。 DoBoX の path には U+3000 (全角空白) が混入するため、実際は "一般県道　乙瀬小方線" のような表記。半角空白に正規化してから判定する。

入力: df1257 (69 行) + df1258 (149 行) の rosenname 列。
出力: rosen_class 列 (8 カテゴリ) + 集計 DataFrame。
限界: 「指定市一般市道」 のような表記は「市道」 に分類されるが、 「広島県 北部建設事務所」 が管轄する一般農道は「広域農道」 と分類されない場合がある。 全パターン網羅は困難なので主要 7 カテゴリ + 「その他/不明」 で運用する。
代替案: 管轄 (demarcation) で分類すれば管理者ベースになるが、 表記揺れが大きい (「広島県」 「土木管理課」 「市町名」 等) ため、本記事は路線種別ベースを採用。

""" sec4_code = code(r""" # 規制種別 + 路線種別の集計 import pandas as pd, json, re from collections import Counter # 5 規制種別 (固定順) KISEI_ORDER = ["blocked", "one_side", "narrows", "controll_complex", "two_way"] # 路線分類関数 (正規表現キーワード) def classify_rosen(name): if not name: return "その他/不明" name = name.replace("　", " ") # 全角空白正規化 if "国道" in name: return "国道" if "主要地方道" in name: return "主要地方道" if "一般県道" in name or "県道" in name: return "一般県道" if "町道" in name: return "町道" if "市道" in name: return "市道" if "広域農道" in name: return "広域農道" if "高速" in name or "自動車道" in name: return "高速・自動車道" return "その他/不明" # JSON → DataFrame 整形 def build_df(records, src_label): rows = [] for r in records: rows.append({ "src": src_label, "kisei_name": r.get("kisei_name"), "rosenname": (r.get("rosenname") or "").replace("　", " "), "rosen_class": classify_rosen(r.get("rosenname") or ""), "kiseireason": r.get("kiseireason") or "(空)", "kisei_type": r.get("kisei_type"), # ... 他 28 列省略 }) return pd.DataFrame(rows) j1 = json.load(open("1257_today.json", encoding="utf-8")) j2 = json.load(open("1258_future.json", encoding="utf-8")) df1 = build_df(j1["results"], "1257 本日") df2 = build_df(j2["results"], "1258 今後") # H1: 規制種別件数比 h1 = df1["kisei_name"].value_counts().reindex(KISEI_ORDER, fill_value=0) print(h1) # blocked=22, one_side=38, narrows=4, controll_complex=5, two_way=0 # → one_side シェア = 55%, blocked シェア = 32% → H1 部分支持 # H2: 路線種別 × dataset h2_1 = df1["rosen_class"].value_counts() h2_2 = df2["rosen_class"].value_counts() print(h2_1, h2_2) """) sec4_fig1_text = """

図 1: 5 規制種別 件数比較 (1257 vs 1258)

なぜこの図か: 学習者がまず「どの規制種別が支配的か」を一目で理解できるように、 横棒で 1257/1258 を並列表示。種別ごとの絶対数と比率の両方を読める。 H1 検証 (one_side 支配 + blocked 15-25%) に最適化したレイアウト。

""" sec4_fig1_read = f"""

この図から読み取れること:

""" sec4_fig4_text = """

図 4: 路線種別 件数比較 (1257 vs 1258)

なぜこの図か: 図 1 が「どの規制か」 を見せたのに対し、本図は「どの種類の道路で起こるか」を 見せる。国道 / 主要地方道 / 一般県道 / 市道 / 町道 等の 8 カテゴリを縦軸に並べ、 1257/1258 を横並べで比較。H2 (国道 vs 県道の管轄分離) の検証に最適。

""" sec4_fig4_read = f"""

この図から読み取れること:

""" # Sec 5: 分析 2 - 規制理由 + 災害規制 (H3, H4) sec5_intro = f"""

狙い (分析 2: 規制理由カテゴリ + 災害規制の長期残存)

5 規制種別と 8 路線種別だけでは「なぜ規制されているか」 は見えない。 本セクションは規制理由 (kiseireason) と規制タイプ (kisei_type) の 2 軸で H3 (工事 9 vs 災害 1) と H4 (西日本豪雨の長期残存) を検証する。

手法 (キーワード辞書による理由カテゴリ化)

kiseireason は自由記述で多様な表記 ('道路改良工事', '法面崩落', '路面陥没', '下水工事', 'マンション外壁落下のおそれ' 等)。これを 4 カテゴリに集約:

入力: kiseireason 文字列 + kisei_type フラグ。
出力: reason_cat 列 (4 カテゴリ)。
限界: 同じレコードが複数キーワードを持つ場合は順序判定になる (例: 「災害復旧工事」 → 災害復旧優先で判定)。
代替案: TF-IDF + クラスタリングで自動分類できるが、 N=218 と少数なので手動キーワード辞書で十分。

2018 西日本豪雨 — 災害規制の長期残存検出

kisei_type='disaster' のレコードにstart_date が 2018-07-07 のものがあれば、 それは西日本豪雨 (= 2018年7月の集中豪雨、広島県内 100名超死亡、道路被害 数千箇所) 起因。 取得日 (2026-05-09) との差で規制継続年数を計算し、 道路復旧の極めて長い時間スケールを定量化する。

""" sec5_code = code(r""" # 規制理由カテゴリ化 + 災害規制の年齢計算 from datetime import datetime CONSTRUCTION_KW = ["工事", "改良", "修繕", "舗装", "下水", "ガス", "水道", "電線", "電話", "塗装", "外壁", "維持", "交差点"] DISASTER_KW = ["災害", "崩落", "崩壊", "陥没", "落石", "倒木", "崩土"] def reason_class(reason, ktype): if ktype == "disaster": return "災害 (kisei_type=disaster)" if not reason: return "理由不明" for kw in DISASTER_KW: if kw in reason: return "災害復旧" for kw in CONSTRUCTION_KW: if kw in reason: return "工事" return "その他" df1["reason_cat"] = df1.apply(lambda r: reason_class(r["kiseireason"], r["kisei_type"]), axis=1) # 災害規制の年齢 TODAY = datetime(2026, 5, 9) disaster = df1[df1["kisei_type"] == "disaster"].copy() disaster["start_dt"] = pd.to_datetime(disaster["start_date"], errors="coerce") disaster["age_years"] = (TODAY - disaster["start_dt"]).dt.total_seconds() / (365.25 * 86400) disaster_2018 = disaster[disaster["start_dt"].dt.date == datetime(2018, 7, 7).date()] print(f"2018 西日本豪雨 起因: {len(disaster_2018)} 件残存, " f"最長継続 = {disaster['age_years'].max():.1f} 年") """) sec5_fig7_text = """

図 7: 規制理由 Top 12 (1257 vs 1258)

なぜこの図か: 自由記述の規制理由から最頻 12 種を抽出して並べ、 「工事系が支配する」 という H3 の予想を視覚化する。1257/1258 を二系統で表示し、 同じ理由でも 1258 (今後) で多く、1257 (本日) では少ない理由 = 計画系であることが読める。

""" sec5_fig7_read = f"""

この図から読み取れること:

""" sec5_fig8_text = """

図 8: 災害規制 年表 — 西日本豪雨の長期残存

なぜこの図か: H4 (2018 西日本豪雨の長期残存) を直接視覚化する。 1257 中の disaster 規制を縦軸に並べ、横軸に時間を取り、 規制開始日 (赤丸) から 取得日 (白四角) までの線で継続期間を表現。 2018-07-07 マーカーを引いて西日本豪雨との関係を明示する。

""" n_dis_1257 = len(disaster_1257) n_2018 = len(disaster_2018) oldest_age = disaster_oldest['age_years'] if disaster_oldest is not None else 0 oldest_rosen = disaster_oldest['rosenname'] if disaster_oldest is not None else "(なし)" sec5_fig8_read = f"""

この図から読み取れること:

""" # Sec 6: 分析 3 - 地理分布 + 規制延長 (H5) sec6_intro = f"""

狙い (分析 3: 地理分布 + 規制延長分布)

規制種別・路線種別・規制理由は「属性」 軸の分析だった。 本セクションは地理 (緯度経度) + 規模 (規制延長 m) という連続値軸で H5 (規制延長の対数正規分布) を検証する。 さらに市町コロプレスで規制密度の地理的偏在を読む。

手法 (geopandas sjoin + log10 ヒスト)

緯度経度 (EPSG:4326) を点に変換し、行政区域 (EPSG:6671) に投影変換した上で sjoin で市町コードを付与:

規制延長 (encho) は文字列 ('33m', '1,872m') からカンマ除去 + m 単位抽出する関数 parse_encho_m() を導入。log10 スケールで分布を見ると、 10m〜92,000m の4 桁が一様には分布せず、対数正規に近い形になるはず。

入力: 緯度経度列 + encho 列 + 行政区域 GeoJSON (140 ポリゴン)。
出力: 市町別件数表 + log10(encho) ヒスト。
限界: 一部の規制点が県外/不明 (lat/lon が広島県境外) と判定される (国道 2 号の境界部・島嶼部の精度問題)。
代替案: 地理分析を路線 (rosen_key) ベースに切り替えれば 行政区域不確定性が消えるが、密度マップが描けない。

""" sec6_code = code(r""" # 緯度経度 → 市町 sjoin + 規制延長 log10 分布 import geopandas as gpd, numpy as np, pandas as pd, re def parse_encho_m(s): if pd.isna(s) or s == "": return np.nan s = str(s).replace(",", "").strip() m = re.match(r"(\d+(?:\.\d+)?)\s*([mk]?)", s) if not m: return np.nan v = float(m.group(1)) if m.group(2) == "k": v *= 1000 return v df["encho_m"] = df["encho"].apply(parse_encho_m) encho_pos = df["encho_m"].dropna() encho_pos = encho_pos[encho_pos > 0] log10_encho = np.log10(encho_pos) log_range = log10_encho.max() - log10_encho.min() # 4 桁 print(f"min={encho_pos.min():.0f}, max={encho_pos.max():.0f}, " f"log10 range = {log_range:.2f} 桁") # CRS 変換 + sjoin admin = gpd.read_file("admin_pref.geojson").to_crs("EPSG:6671") admin_diss = admin.dissolve(by="CITY_CD", as_index=False) gdf = gpd.GeoDataFrame(df, geometry=gpd.points_from_xy(df.lon, df.lat), crs="EPSG:4326").to_crs("EPSG:6671") joined = gpd.sjoin(gdf, admin_diss[["CITY_CD", "geometry"]], how="left", predicate="within") city_counts = joined.groupby("CITY_CD").size() """) sec6_fig2_text = """

図 2: 規制点マップ — 規制種別で色分け

なぜこの図か: 学習者が広島県地図上で規制がどこに集中しているかを直感する。 緯度経度の点を 5 規制種別の固定色で塗り、災害規制 (kisei_type='disaster') を赤リングで強調。 1258 (今後の規制 N=149) をベースにし、後続の図 3 (LineString) と 図 5 (コロプレス) と比較できる。

""" sec6_fig2_read = f"""

この図から読み取れること:

""" sec6_fig3_text = """

図 3: 規制区間 LineString 重畳マップ

なぜこの図か: 図 2 の点マップでは規制区間の長さが見えない。 本図は kukanroot WKT を LineString 化して描画し、区間規制の地理的広がりを示す。 細線 = 1258、太線 = 1257 で重畳すると、本日と今後の時間スコープの違いも 地理的に確認できる。

""" sec6_fig3_read = f"""

この図から読み取れること:

""" sec6_fig5_text = """

図 5: 市町別 規制密度コロプレス

なぜこの図か: 点や線では市町単位の規制集積度合いが見えにくい。 市町ポリゴンを 1258 (今後) の規制件数で着色し、地理的偏在を直接可視化する。 上位 8 市町には本日/今後の件数を併記して、両 dataset の差も同時に読める。

""" top_city = city_summary.iloc[0] sec6_fig5_read = f"""

この図から読み取れること:

""" sec6_fig6_text = """

図 6: 規制延長 log10 ヒストグラム + 累積分布

なぜこの図か: encho (規制延長) は最小 10m から最大 92,000m まで 4 桁の幅を持つ。 線形軸では長距離規制の少数に押されて分布形状が読めない。 log10 スケールにすると対数正規 (= 正規分布のような釣り鐘) 形状が見える。 H5 (対数正規分布 + median 数百 m) の検証に最適。

""" sec6_fig6_read = f"""

この図から読み取れること:

""" # Sec 7: 分析 4 — 1257 ⊂ 1258 包含関係 (H6) sec7_intro = f"""

狙い (分析 4: 2 dataset の包含関係)

1257 (本日) と 1258 (今後) は同じ運用システムから派生する 2 つのビューと 仮説 H6 で予想した。本セクションでは id 集合の差集合を計算し、 3 つの排他的グループに分解する:

3 グループの件数比から、運用システムの時間境界の操作論理が見える。

""" sec7_code = code(r""" # 集合演算による包含関係分解 ids_1 = set(df1["id"]) ids_2 = set(df2["id"]) common = ids_1 & ids_2 only_1 = ids_1 - ids_2 only_2 = ids_2 - ids_1 print(f"1257 ∩ 1258 = {len(common)}") print(f"1257 only = {len(only_1)}") print(f"1258 only = {len(only_2)}") print(f"包含率 = {len(common)/len(ids_1)*100:.1f}%") # 1257 only の特性: 本日中に終了する短期規制 = end_date は今日 df_only_1 = df1[df1["id"].isin(only_1)].copy() print(df_only_1[["rosenname", "kiseinaiyo", "end_date"]]) """) sec7_fig9_text = """

図 9: 1257 / 1258 包含関係 (Venn 風 + bar)

なぜこの図か: 集合演算の結果を視覚化するため Venn 風と bar の 2 表示。 左の Venn 風で「1257 が 1258 にほぼ完全包含される」 という構造的事実を直感的に伝え、 右の bar で 3 グループの絶対件数を厳密に示す。

""" sec7_fig9_read = f"""

この図から読み取れること:

""" # Sec 8: 仮説検証総合 sec8 = ( "

本記事の 6 仮説と観測結果の照合:

" + df_to_html(T_hypo) + "

主要発見の総括

" "" "

2 dataset の構造的相互関係

" "

1257 と 1258 は独立した別データではなく、" "同じ運用システムから派生する時間スコープの異なる 2 ビュー。" "1257 = 取得時刻 ∈ [start, end] のフィルタ、" "1258 = 取得時刻 ≤ end のフィルタ。" "1258 のスーパーセット構造は、防災・交通計画アプリが" "「直近の影響」 と「将来の予定」 を 1 リクエストで取得できる設計に直結する。" "本記事は 2 dataset を統合分析することで、この制度的設計を逆工学的に解読した。

" ) # Sec 9: 発展課題 sec9 = f"""

結果X → 新仮説Y → 課題Z (4 課題)

発展課題 1 (西日本豪雨の長期残存 由来)

発展課題 2 (規制延長の対数正規分布 由来)

発展課題 3 (1257 ⊂ 1258 包含構造 由来)

発展課題 4 (時系列スナップショット 由来)

""" # Combine sections sections = [ ("学習目標と問い", sec1), ("使用データ", sec2), ("ダウンロード", sec3), ("【分析 1】 規制種別 + 路線種別構造 — 5 種別 × 8 種路線のクロス", sec4_intro + "

実装コード (Counter + groupby + 路線分類)

" + sec4_code + sec4_fig1_text + figure("assets/L50_fig1_kisei_counts.png", "図 1: 5 規制種別 件数比較") + sec4_fig1_read + sec4_fig4_text + figure("assets/L50_fig4_rosen_class.png", "図 4: 路線種別 件数比較") + sec4_fig4_read + "

表: 規制種別集計 (5 値)

" + df_to_html(T_kisei) + f"

この表から読み取れること: " f"片側交互通行 (one_side) が両 dataset で最頻 ({one_side_share_1258*100:.0f}% / {one_side_share_1257*100:.0f}%)、" f"通行止 (blocked) が次点 ({blocked_share_1258*100:.0f}% / {blocked_share_1257*100:.0f}%)。" f"対面通行 (two_way) は 1258 のみで {int(h1_1258['two_way'])} 件、" f"1257 では 0 件 → 中央分離帯撤去等の特殊規制は本日中には少ない。

" + "

表: 路線種別集計 (8 値)

" + df_to_html(T_rosen) + f"

この表から読み取れること: " f"1258 は国道支配 ({kokudo_share_1258*100:.0f}%) で国土交通省管轄が中心、" f"1257 は県道支配 ({100*(h2_1257['一般県道']+h2_1257['主要地方道'])/h2_1257.sum():.0f}%) で県管轄が中心。" f"同じ運用システムから派生する 2 ビューが管轄ごとに異なる時間スコープを持つ" f"という設計が読める。

" ), ("【分析 2】 規制理由カテゴリ + 災害規制の長期残存 — 西日本豪雨 8 年継続", sec5_intro + "

実装コード

" + sec5_code + sec5_fig7_text + figure("assets/L50_fig7_reason_top12.png", "図 7: 規制理由 Top 12") + sec5_fig7_read + sec5_fig8_text + figure("assets/L50_fig8_disaster_timeline.png", "図 8: 災害規制 年表") + sec5_fig8_read + "

表: 規制理由カテゴリ (4 値)

" + df_to_html(T_reason_cat) + f"

この表から読み取れること: " f"工事カテゴリが 1258 中 {h3_1258.get('工事', 0)} 件 ({100*h3_1258.get('工事', 0)/len(df1258):.1f}%) で支配。" f"災害カテゴリ (kisei_type='disaster') は 1258 で {len(disaster_1258)} 件 ({100*len(disaster_1258)/len(df1258):.1f}%)。" f"H3 (工事 9 vs 災害 1) を支持。" f"1257 vs 1258 で災害比率は同程度だが、災害は長期化するため" f"1257 (本日中の規制) でも残存する。

" + "

表: 規制理由 Top 15 (1258 ベース)

" + df_to_html(T_reason_top) + "

この表から読み取れること: " "Top 1 = 橋梁工事 (老朽化に伴う保全)、Top 2 = 道路改良工事、Top 3 = 修繕工事、Top 4 = 下水工事 ‥‥" "工事系カテゴリが上位を独占。災害復旧 (法面崩落・路面陥没・落石) は単独件数が少ないが、" "kisei_type='disaster' でフラグが立つ別軸での識別が必要。

" + "

表: 災害規制 詳細 (1257 中 disaster)

" + df_to_html(T_disaster_view) + f"

この表から読み取れること: " f"最古は {disaster_oldest['start_date']:%Y-%m-%d} 開始 ({disaster_oldest['rosenname'][:20]}) で、" f"{disaster_oldest['age_years']:.1f} 年継続。" f"2018-07-07 西日本豪雨起因が {n_2018} 件残存。" f"道路復旧の時間スケールは数年〜10 年に及び、被災規模 + 代替路線数が長期化を決める。" f"H4 (西日本豪雨の長期残存) を強支持。

" ), ("【分析 3】 地理分布 + 規制延長分布 — 対数正規 4 桁の幅", sec6_intro + "

実装コード

" + sec6_code + sec6_fig2_text + figure("assets/L50_fig2_point_map.png", "図 2: 規制点マップ (規制種別)") + sec6_fig2_read + sec6_fig3_text + figure("assets/L50_fig3_line_map.png", "図 3: 規制区間 LineString 重畳") + sec6_fig3_read + sec6_fig5_text + figure("assets/L50_fig5_city_choropleth.png", "図 5: 市町別 規制密度コロプレス") + sec6_fig5_read + sec6_fig6_text + figure("assets/L50_fig6_encho_dist.png", "図 6: 規制延長 log10 ヒスト + 累積分布") + sec6_fig6_read + "

表: 市町別 規制件数 (Top 15)

" + df_to_html(city_summary.head(15)) + f"

この表から読み取れること: " f"上位 5 市町で 1258 全体の {100*city_summary.head(5)['1258 件数'].sum()/city_summary['1258 件数'].sum():.0f}% を占める。" f"都市部 + 国道通過地に規制が集中。" f"中山間 (庄原・三次) や島嶼部 (江田島) も少数だが規制を持つ。" f"県外/不明判定の点は {int(city_summary[city_summary['市町']=='(県外/不明)']['1258 件数'].iloc[0]) if (city_summary['市町']=='(県外/不明)').any() else 0} 件のみ。

" + "

表: 規制期間・延長 統計

" + df_to_html(T_dur) + f"

この表から読み取れること: " f"規制延長は中央値 {encho_1258.median():.0f}m, 最大 {encho_1258.max():.0f}m, 総和 {encho_1258.sum()/1000:.0f}km。" f"規制期間は中央値 {dur_1258_real.median():.0f} 日、最長 {dur_1258_real.max():.0f} 日 (約 3 年)。" f"H5 (対数正規 4 桁) を支持。長距離規制 (10km 超) は事前通行規制区間 (積雪等) で、" f"短距離規制 (10-100m) はピンポイント工事。中央値の街区 1 ブロック規模 (300-500m) が最頻帯。

" ), ("【分析 4】 1257 ⊂ 1258 包含関係 — 2 ビューの構造的相互関係", sec7_intro + "

実装コード

" + sec7_code + sec7_fig9_text + figure("assets/L50_fig9_venn_inclusion.png", "図 9: 包含関係 (Venn 風 + bar)") + sec7_fig9_read + "

表: 1257 / 1258 包含関係

" + df_to_html(T_inclusion) + f"

この表から読み取れること: " f"1258 = 1257 ∪ 将来規制 という設計。" f"包含率 {inclusion_rate*100:.1f}% で 1258 が 1257 のスーパーセット。" f"DoBoX は 1 つの規制台帳 + 取得時刻フィルタで 2 ビューを生成。" f"H6 を強支持。

" ), ("仮説検証総合", sec8), ("発展課題", sec9), ] html = render_lesson( num=50, title="道路規制情報 2 件統合分析 — 本日の規制 / 今後の規制から運用構造を読み解く", tags=["L50", "道路規制", "JSON", "GeoDataFrame", "包含関係", "災害規制", "西日本豪雨", "Format A"], time="35 分", level="中級", data_label="DoBoX dataset 1257 (本日, JSON 165KB) + 1258 (今後, JSON 234KB)", sections=sections, script_filename="L50_road_restrictions.py", ) OUT_HTML = LESSONS / "L50_road_restrictions.html" OUT_HTML.write_text(html, encoding="utf-8") print(f" HTML written: {OUT_HTML}") print(f" ({time.time()-t1:.1f}s)", flush=True) print(f"\n=== L50 DONE in {time.time()-t_all:.1f}s ===")