Как рассчитать расстояние и время между двумя локациями

Question

Вот пример некоторых данных

  Tag.ID TimeStep.coa        Latitude.coa Longitude.coa
   <chr>  <dttm>                     <dbl>         <dbl>
 1 1657   2017-08-17 12:00:00         72.4         -81.1
 2 1657   2017-08-17 18:00:00         72.3         -81.1
 3 1658   2017-08-14 18:00:00         72.3         -81.2
 4 1658   2017-08-15 00:00:00         72.3         -81.3
 5 1659   2017-08-14 18:00:00         72.3         -81.1
 6 1659   2017-08-15 00:00:00         72.3         -81.2
 7 1660   2017-08-20 18:00:00         72.3         -81.1
 8 1660   2017-08-21 00:00:00         72.3         -81.2
 9 1660   2017-08-21 06:00:00         72.3         -81.2
10 1660   2017-08-21 12:00:00         72.3         -81.3
11 1661   2017-08-28 12:00:00         72.4         -81.1
12 1661   2017-08-28 18:00:00         72.3         -81.1
13 1661   2017-08-29 06:00:00         72.3         -81.2
14 1661   2017-08-29 12:00:00         72.3         -81.2
15 1661   2017-08-30 06:00:00         72.3         -81.2
16 1661   2017-08-30 18:00:00         72.3         -81.2
17 1661   2017-08-31 00:00:00         72.3         -81.2
18 1661   2017-08-31 06:00:00         72.3         -81.2
19 1661   2017-08-31 12:00:00         72.3         -81.2
20 1661   2017-08-31 18:00:00         72.4         -81.1

Я ищу способ получения пройденных расстояний для каждого идентификатора. Я буду использовать функцию ComputeDistance в пакете VTrack (хотя может использовать другую функцию). Функция выглядит следующим образом:

ComputeDistance( Lat1, Lat2, Lon1, Lon2)

Это вычисляет расстояние по прямой линии между координатами широта / долгота. В конце концов мне нужен фрейм данных с четырьмя столбцами Tag.ID, Timestep1, Timestep2 и distance. Вот пример:

Tag.ID   Timestep1            Timestep2               Distance
1657     2017-08-17 12:00:00  2017-08-17 18:00:00     ComputeDistance(72.4,72.3,-81.1,-81.1)
1658     2017-08-14 18:00:00  2017-08-15 00:00:00   ComputeDistance(72.3,72.3,-81.2,-81.3)
1659     2017-08-14 18:00:00  2017-08-15 00:00:00  ComputeDistance(72.3,72.3,-81.1,-81.2)
1660    2017-08-20 18:00:00   2017-08-21 00:00:00  ComputeDistance(72.3,72.3,-81.1,-81.2)
1660   2017-08-21 00:00:00   2017-08-21 06:00:00  ComputeDistance(72.3,72.3,=81.1,-81.2

И так далее

РЕДАКТИРОВАТЬ: Это код, который я использовал (спасибо AntoniosK). COASpeeds2 точно такой же, как и в приведенном выше примере df:

test <- COASpeeds2 %>%
  group_by(Tag.ID) %>%
  mutate(Timestep1 = TimeStep.coa,
         Timestep2 = lead(TimeStep.coa),
         Distance = ComputeDistance(Latitude.coa, lead(Latitude.coa),
                                    Longitude.coa, lead(Longitude.coa))) %>%

  ungroup() %>%
  na.omit() %>%
  select(Tag.ID, Timestep1, Timestep2, Distance)

Это df, который я получаю.

   Tag.ID Timestep1           Timestep2           Distance
   <fct>  <dttm>              <dttm>                 <dbl>
 1 1657   2017-08-17 12:00:00 2017-08-17 18:00:00    2.76 
 2 1657   2017-08-17 18:00:00 2017-08-14 18:00:00    1.40 
 3 1658   2017-08-14 18:00:00 2017-08-15 00:00:00    6.51 
 4 1658   2017-08-15 00:00:00 2017-08-14 18:00:00   10.5  
 5 1659   2017-08-14 18:00:00 2017-08-15 00:00:00    7.51 
 6 1659   2017-08-15 00:00:00 2017-08-20 18:00:00    7.55 
 7 1660   2017-08-20 18:00:00 2017-08-21 00:00:00    3.69 
 8 1660   2017-08-21 00:00:00 2017-08-21 06:00:00    4.32 
 9 1660   2017-08-21 06:00:00 2017-08-21 12:00:00    3.26 
10 1660   2017-08-21 12:00:00 2017-08-28 12:00:00   10.5  
11 1661   2017-08-28 12:00:00 2017-08-28 18:00:00    1.60 
12 1661   2017-08-28 18:00:00 2017-08-29 06:00:00    1.94 
13 1661   2017-08-29 06:00:00 2017-08-29 12:00:00    5.22 
14 1661   2017-08-29 12:00:00 2017-08-30 06:00:00    0.759
15 1661   2017-08-30 06:00:00 2017-08-30 18:00:00    1.94 
16 1661   2017-08-30 18:00:00 2017-08-31 00:00:00    0.342
17 1661   2017-08-31 00:00:00 2017-08-31 06:00:00    0.281
18 1661   2017-08-31 06:00:00 2017-08-31 12:00:00    4.21 
19 1661   2017-08-31 12:00:00 2017-08-31 18:00:00    8.77 

Answer 1

library(tidyverse)
library(VTrack)

# example data
dt = read.table(text = "
Tag.ID TimeStep.coa        Latitude.coa Longitude.coa
 1 1657   2017-08-17_12:00:00         72.4         -81.1
 2 1657   2017-08-17_18:00:00         72.3         -81.1
 3 1658   2017-08-14_18:00:00         72.3         -81.2
 4 1658   2017-08-15_00:00:00         72.3         -81.3
 5 1659   2017-08-14_18:00:00         72.3         -81.1
 6 1659   2017-08-15_00:00:00         72.3         -81.2
 7 1660   2017-08-20_18:00:00         72.3         -81.1
 8 1660   2017-08-21_00:00:00         72.3         -81.2
 9 1660   2017-08-21_06:00:00         72.3         -81.2
10 1660   2017-08-21_12:00:00         72.3         -81.3
", header=T)

dt %>%
  group_by(Tag.ID) %>%
  mutate(Timestep1 = TimeStep.coa,
         Timestep2 = lead(TimeStep.coa),
         Distance = ComputeDistance(Latitude.coa, lead(Latitude.coa), 
                                    Longitude.coa, lead(Longitude.coa))) %>%
  ungroup() %>%
  na.omit() %>%
  select(Tag.ID, Timestep1, Timestep2, Distance)

В результате вы получите:

# # A tibble: 6 x 4
#     Tag.ID Timestep1           Timestep2             Distance
#     <int> <fct>               <fct>                    <dbl>
# 1   1657 2017-08-17_12:00:00 2017-08-17_18:00:00 11.1      
# 2   1658 2017-08-14_18:00:00 2017-08-15_00:00:00  3.38     
# 3   1659 2017-08-14_18:00:00 2017-08-15_00:00:00  3.38     
# 4   1660 2017-08-20_18:00:00 2017-08-21_00:00:00  3.38     
# 5   1660 2017-08-21_00:00:00 2017-08-21_06:00:00  0.0000949
# 6   1660 2017-08-21_06:00:00 2017-08-21_12:00:00  3.38 

Answer 2

Вы можете использовать geosphere::distGeo в подходе by.

library(geosphere)
do.call(rbind.data.frame, by(dat, dat$Tag.ID, function(s) {
  t.diff <- (s$TimeStep.coa[length(s$TimeStep.coa)] - s$TimeStep.coa[1])
  d.diff <- sum(mapply(function(x, y)
    distGeo(s[x, 3:4], s[y, 3:4]), x=1:(nrow(s)-1), y=2:nrow(s)))/1e3
  `colnames<-`(cbind(t.diff, d.diff), c("hours", "km"))
}))
#      hours        km
# 1657  6.00  1.727882
# 1658  6.00 11.166785
# 1659  6.00 11.166726
# 1660 18.00 22.333511
# 1661  3.25 24.192753

Данные:

dat <- structure(list(Tag.ID = c(1657L, 1657L, 1658L, 1658L, 1659L, 
1659L, 1660L, 1660L, 1660L, 1660L, 1661L, 1661L, 1661L, 1661L, 
1661L, 1661L, 1661L, 1661L, 1661L, 1661L), TimeStep.coa = structure(c(1502964000, 
1502985600, 1502726400, 1502748000, 1502726400, 1502748000, 1503244800, 
1503266400, 1503288000, 1503309600, 1503914400, 1503936000, 1503979200, 
1504000800, 1504065600, 1504108800, 1504130400, 1504152000, 1504173600, 
1504195200), class = c("POSIXct", "POSIXt"), tzone = ""), Latitude.coa = c(72.4, 
72.3, 72.3, 72.3, 72.3, 72.3, 72.3, 72.3, 72.3, 72.3, 72.4, 72.3, 
72.3, 72.3, 72.3, 72.3, 72.3, 72.3, 72.3, 72.4), Longitude.coa = c(-81.1, 
-81.1, -81.2, -81.3, -81.1, -81.2, -81.1, -81.2, -81.2, -81.3, 
-81.1, -81.1, -81.2, -81.2, -81.2, -81.2, -81.2, -81.2, -81.2, 
-81.1)), row.names = c(NA, -20L), class = "data.frame")

Answer 3

Предполагая, что начальная и конечная точки находятся в порядке и имеют совпадающую пару.
Вот еще один вариант:

#identify the start and end of each trip
df$leg<-rep(c("Start", "End"), nrow(df)/2)
#label each trip
df$trip <- rep(1:(nrow(df)/2), each=2)

#change the shape
library(tidyr)
output<-pivot_wider(df, id_cols = c(Tag.ID, trip),
            names_from = leg, 
            values_from = c(TimeStep.coa, Latitude.coa, Longitude.coa))

#calcuate distance (use your package of choice)
library(geosphere)
output$distance<-distGeo(output[ ,c("Longitude.coa_Start", "Latitude.coa_Start")], 
                         output[ ,c("Longitude.coa_End", "Latitude.coa_End")])

# #remove undesired columns
# output <- output[, -c(5, 6, 7, 8)]
output


> output[, -c(5, 6, 7, 8)]
# A tibble: 10 x 5
   Tag.ID  trip TimeStep.coa_Start  TimeStep.coa_End    distance
    <int> <int> <fct>               <fct>                  <dbl>
 1   1657     1 2017-08-17 12:00:00 2017-08-17 18:00:00   11159.
 2   1658     2 2017-08-14 18:00:00 2017-08-15 00:00:00    3395.
 3   1659     3 2017-08-14 18:00:00 2017-08-15 00:00:00    3395.
 4   1660     4 2017-08-20 18:00:00 2017-08-21 00:00:00    3395.
 5   1660     5 2017-08-21 06:00:00 2017-08-21 12:00:00    3395.
 6   1661     6 2017-08-28 12:00:00 2017-08-28 18:00:00   11159.
 7   1661     7 2017-08-29 06:00:00 2017-08-29 12:00:00       0 
 8   1661     8 2017-08-30 06:00:00 2017-08-30 18:00:00       0 
 9   1661     9 2017-08-31 00:00:00 2017-08-31 06:00:00       0 
10   1661    10 2017-08-31 12:00:00 2017-08-31 18:00:00   11661.