carto-routing-od-analysis

路径规划与起讫点分析

计算路径、行程时间／距离矩阵和等值线覆盖区域（驾车和步行模式），并通过空间索引分析 OD 流动模式。根据规模，可选择两种访问方式：

• 单次／临时（MCP 优先）：对于单条路径、某个地点的等值线或较小的 OD 矩阵，CARTO MCP 工具 route、calculate_isolines 和 calculate_od_matrix 可直接处理（每个工具也都有 capabilities 操作，用于列出支持的模式／范围类型）。无需工作流。这些工具可在任何 MCP 宿主上运行，包括无法使用 CLI 的沙盒聊天宿主。交互式请求优先使用这些工具。
• 表级规模／可重复执行：若需对整张表进行计算或构建可复用的管道，请使用下方的工作流模式。加载 carto-create-workflow，了解开发流程、JSON 结构和验证方式——它涵盖两种路径（连接后使用 MCP create_workflow／validate_workflow／run_workflow；否则使用 carto workflows CLI；路由指引见 carto-basics/references/access-paths.md）。

在 API 令牌 MCP 会话中，临时处理／创作工具会被隐藏（仅可读取／发现）——请改用 CLI，或通过 OAuth 重新连接。

---

说明

主要有三种工作流模式。请根据使用场景选择：

模式	组件	适用场景
等值线／等时圈	native.isolines	需要计算地点周边的覆盖区多边形（例如“10 分钟内可到达的所有地点”）
OD 矩阵	native.routesodmatrix	需要计算每个起讫点对之间的行程时间／距离（分析用途，不包含几何图形）
路径创建	native.routes	需要生成 OD 点对之间的实际路径线几何（可视化、详细路径）

---

模式 A：生成等值线／等时圈

管道：

Source Points -> (Filter) -> Isolines -> (Polyfill / Enrich) -> Save

步骤 A1：加载源点

使用 native.gettablebyname 加载地点（商店、车站、设施）。

成功：表中包含几何列和唯一地点标识符。

步骤 A2：生成等值线

使用 native.isolines 并设置：

输入	说明	示例
mode	出行模式	car 或 walk
range_type	范围的度量类型	time 或 distance
range	阈值	时间用秒表示（例如 600 = 10 分钟），距离用米表示（例如 5000 = 5 公里）

成功：每个输入点都有一个关联的多边形几何，表示可到达区域。

步骤 A3：后处理（可选）

生成等值线后的常见后续操作：

• 填充六边形网格 + 丰富数据：使用 native.h3polyfill 将等值线多边形转换为 H3，然后补充人口统计或 POI 数据（参见商圈分析技能）。
• 重叠分析：使用 native.spatialjoin 查找相互重叠的等值线，识别由多个地点覆盖的区域。
• 覆盖区合并：使用 native.dissolve 将所有等值线多边形合并为单个覆盖范围。

步骤 A4：保存

使用 native.saveastable 持久化等值线多边形或丰富后的结果，然后验证并上传工作流（使用 MCP create_workflow／validate_workflow，或运行 carto workflows create）。

---

模式 B：OD 矩阵（行程时间／距离）

管道：

Origins Table -> ┐
                 ├-> OD Matrix -> (Filter/Aggregate) -> Save
Destinations Table -> ┘

步骤 B1：加载起点和终点

使用两个 native.gettablebyname 节点——一个用于起点，一个用于终点。两者都需要几何列。

成功：得到两张表，每张表都包含点几何和唯一标识符。

步骤 B2：计算 OD 矩阵

使用 native.routesodmatrix 并设置：

输入	说明
mode	car 或 walk
起点输入	连接至起点表节点
终点输入	连接至终点表节点

输出列：origin_id、destination_id、duration_s、distance_m。

成功：每个起讫点对对应一行，包含行程时间和距离。

步骤 B3：筛选或聚合（可选）

常见的后处理：

• 最近目的地：使用 native.groupby 查找每个起点对应的最小 duration_s，然后连接回去以获取最近的目的地。
• 阈值筛选：使用 native.where 仅保留在时间／距离限制范围内的配对（例如，30 分钟阈值可使用 duration_s < 1800）。
• 可达性评分：使用 native.groupby 统计每个起点在阈值范围内可到达的目的地数量。

步骤 B4：保存

使用 native.saveastable，然后验证并上传（MCP create_workflow 或 carto workflows create）。

---

模式 C：路线几何

管道：

Origins Table -> ┐
                 ├-> Routes -> Save
Destinations Table -> ┘

步骤 C1：加载起点和目的地

与模式 B 相同——使用两个带点几何的 native.gettablebyname 节点。

步骤 C2：计算路线

使用 native.routes，参数如下：

输入	说明
mode	car 或 walk
起点输入	连接到起点表节点
目的地输入	连接到目的地表节点

输出：每个 OD 配对对应一条路线线几何（包含 duration_s、distance_m），可在地图上可视化。

步骤 C3：保存

使用 native.saveastable，然后验证并上传（MCP create_workflow 或 carto workflows create）。

---

模式 D：OD 流量分析（基于网格）

用于大规模分析行程／移动模式（例如出租车行程、骑行、通勤流量），无需调用路线规划 API。

管道：

Trip Data -> H3 (origin) + H3 (destination) -> Group By (origin_h3, dest_h3) -> Save

步骤 D1：加载行程数据

使用 native.gettablebyname。表中应包含起点和目的地的坐标（例如 pickup_lon/lat、dropoff_lon/lat）。

步骤 D2：将起点和目的地索引到 H3

使用 native.selectexpression 为起点和目的地点计算 H3 单元格：

• 起点 H3：根据上车坐标生成
• 目的地 H3：根据下车坐标生成

或者，如果数据具有单独的几何列，则分别使用 native.h3frompoint。

步骤 D3：聚合流量

使用 native.groupby 统计每个（origin_h3, destination_h3）配对的行程数量：

• 分组依据：origin_h3, destination_h3
• 聚合：origin_h3,count（每个 OD 配对的行程数量）

成功标志：每个唯一的 OD 单元格配对对应一行，并包含行程数量——可用于流量可视化。

步骤 D4：保存

使用 native.saveastable。

---

注意事项

• 提供商的大小写规则与 SQL 方言。 此技能使用小写列名（origin_id、destination_id、duration_s、distance_m、origin_h3 等），符合 BigQuery / Databricks / Postgres / Redshift 的惯例。在 Snowflake 中，请使用大写列名（ORIGIN_ID、DURATION_S 等）。有关大小写规则和 SQL 方言对应关系，请参阅 carto-create-workflow/references/providers/<provider>.md。
• 等时线和路径规划组件会消耗 LDS（Location Data Services）配额。批量操作前，请使用 LDS_QUOTA_INFO 检查可用配额。缓冲区（native.buffer）不消耗 LDS 配额，是简单圆形服务范围的免费替代方案。
• OD 矩阵会按平方级增长：N 个起点 x M 个目的地 = N*M 行。请筛选或抽样输入数据，以控制矩阵规模。对于 1000 个起点 x 1000 个目的地，会得到 100 万行。
• 步行模式的实际适用范围远小于驾车模式。超过 20-30 分钟的步行等时线，或范围超过几公里的 OD 矩阵，结果都可能不可靠或为空。
• 路径几何数据可能很大。如果只需进行分析（仅需时间/距离），建议使用 OD 矩阵（模式 B）而非完整路径（模式 C），以减少数据量。
• 一天中的时段会因交通拥堵影响驾车结果。如果组件支持，请指定 departure_time；否则结果将反映典型/平均状况。
• 等时线多边形可能会相互重叠，尤其是位置彼此接近时。如果后续还要丰富数据，请将其填充到空间索引，并对单元格去重，以避免重复计数。
• 对于 OD 流量可视化（模式 D），请使用 H3 单元格中心点，而非原始坐标，以获得更清晰的聚合和可视化效果。较粗的分辨率（例如 H3 res 7-8）比精细分辨率更能呈现有意义的流量模式。
• LDS 路径规划组件需要启用了 LDS API 访问权限的连接。如果连接缺少此权限，验证可能会失败。

---

参考模板

资源	描述
可扩展路径规划教程	在 Workflows 中逐步进行可扩展路径规划
OD 模式教程	分析起点-目的地模式（纽约市出租车示例）
路径规划模块（BQ）	将路径规划模块与 BigQuery 的 Analytics Toolbox 配合使用
等时线生成模板	通过 Workflow 模板生成等时圈
商圈等时线（BQ）	适用于 BigQuery 的驾车/步行时间等时线商圈
商圈等时线（SF）	适用于 Snowflake 的驾车/步行时间等时线商圈

---

常见变体

变体	方法
服务区域覆盖范围	等时圈（驾车，多种范围，例如 5/10/15 分钟）-> 求并集 -> 衡量覆盖的总人口
最近的设施	OD 矩阵 -> 按起点分组 -> min(duration_s) -> 联接回去以获取最近的终点 ID
可达性评分	OD 矩阵 -> 按阈值筛选 -> 统计每个起点的终点数量 -> 按可达数量评分
车队路线规划	仓库与配送点之间的路线 -> 汇总每条路线的总距离/时间
通勤流分析	行程数据 -> H3 起点 + H3 终点 -> 按 OD 对分组 -> 计数 -> 可视化主要流向
多模式对比	运行两次等时圈（驾车 + 步行）-> 对比覆盖多边形 -> 找出依赖公共交通的区域