Nachdem ich so viele schöne Beiträge auf diesem Subreddit durchgesehen habe, ist hier mein Versuch, einen zu erstellen. Ich habe stündliche Verkehrsdaten analysiert Kalkutta, Mumbai und Neu-Delhi über 2025 (aktualisiert bis in die frühen Morgenstunden des 22. Dezember 2025) um zu sehen, ob sich Staus überall gleich verhalten – oder ob Städte unterschiedliche „Rhythmen“ haben.
Die Diagramme konzentrieren sich auf Muster, nicht auf Rankings. Im Folgenden finden Sie eine kurze Erläuterung der Panels.
Oberes Feld – Tagesstunden-„DNA“
Jede Zelle zeigt, wie sich eine Stadt zu einer bestimmten Stunde im Vergleich zum kombinierten Durchschnitt aller drei Städte zu derselben Stunde verhält.
- Blau = ruhiger als die gemeinsame Grundlinie
- Orange/Rot = stärker überlastet als die gemeinsame Basislinie
Diese Normalisierung ermöglicht einen fairen Vergleich der Städte, ohne dass es zu einem „Wer ist der Schlimmste“-Wettbewerb kommt.
Untere Felder – Saisonale Schichten (Monat × Stunde)
Hier wird jede Stadt mit ihrer eigenen typischen Tagesstundenbasis verglichen.
Dies zeigt, wie Monsunmonate, Winter und Spätjahre den täglichen Verkehrsrhythmus verändern innerhalb jede Stadt.
Die Daten selbst offenbaren keine größeren Überraschungen hinsichtlich des Verkehrsflusses in den einzelnen Städten.
- Mumbai ist der Dauerbrenner und liegt vom späten Vormittag bis in die späte Nacht konstant über der gemeinsamen Grundlinie.
- Neu-Delhi ist eine unbeständige Stadt mit auffälligeren Kontrasten zwischen ruhigen und chaotischen Stunden
- Kalkutta ist eine Verschnaufpause mit den üblichen abendlichen Staus, aber insgesamt kommt der Verkehr in Schüben und nicht als Dauerzustand.
Über die Metrik
Die verwendete Metrik ist TrafficIndexLivewas häufig mit verbunden wird Verkehrsindex von TomTom Methodik.
Einfach ausgedrückt spiegelt der TrafficIndex wider, wie viel länger eine Fahrt im Vergleich zu freien Verkehrsbedingungen dauert, basierend auf aggregierten Sondendaten von Navigationsgeräten und Apps.
Es handelt sich nicht um eine direkte Zählung von Fahrzeugen und nicht um einen einzelnen Sensor – es handelt sich um einen modellierten Index, der aus vielen sich bewegenden Quellen abgeleitet wird.
Verwendete Tools: Python und Altair
Daten: https://www.kaggle.com/datasets/bwandowando/tomtom-traffic-data-55-countries-387-cities
Von VegetableSense