Веб‑приложение, состоящее из backend (HTTP API на FastAPI) и frontend (веб‑интерфейс на React/Vite) частей. Оно собирает и анализирует данные городских транспортных сетей, сохраняет графы в Neo4j и выполняет алгоритмы Graph Data Science (GDS) — кластеризацию (Leiden/Louvain) и вычисление метрик центральности (PageRank, Betweenness). Результаты доступны через API и визуализируются в клиенте.

• app/ — серверная часть с FastAPI + uvicorn (эндпоинты в app/api, логика в app/core, доступ к БД в app/database).
• cache/ — кешированные JSON файлы с маршрутами по городам.
• frontend/ — клиентская часть на React + TypeScript (Vite).
• tests/ — модульные (unit) тесты для backend (pytest).

• Backend: Python 3.12, FastAPI + uvicorn, neo4j Python driver.
• Визуализация и frontend: React, TypeScript, Vite, Leaflet + Chart.js.
• База данных: Neo4j с Graph Data Science (GDS).
• Контейнеризация: Docker + Docker Compose.
• Тестирование: pytest (unit тесты).

Для запуска проекта потребуется командная строка, Git и Docker.

Windows: PowerShell или «Командная строка»

macOS / Linux: Terminal

Проверьте, установлен ли Git:

git --version

Если команды нет:

Windows: скачайте и установите Git с официального сайта https://git-scm.com/download/win

macOS:

brew install git

Linux (Ubuntu/Debian):

sudo apt update
sudo apt install git

git clone https://github.com/citec-spbu/Transport.git
cd Transport

Проверьте установку:

docker --version
docker compose version

Если Docker отсутствует:

Windows / macOS: установите Docker Desktop https://www.docker.com/products/docker-desktop/

Linux: https://docs.docker.com/engine/install/

После установки убедитесь, что Docker запущен.

В корневой папке проекта выполните:

docker compose up --build

Backend:

python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
uvicorn app.main:app --reload --host 0.0.0.0 --port 8050

Frontend:

cd frontend
npm install
npm run dev

После успешного запуска доступны:

• Frontend: http://localhost:3000
• Backend API: http://localhost:8050
• Neo4j Browser: http://localhost:7474 (логин: neo4j, пароль: hello123)

Для проверки корректности backend'а используются модульные (unit) тесты на pytest.

Запустить все тесты (локально):

pip install -r requirements-test.txt
pytest

Запустить тесты в Docker:

docker compose -f docker-compose.yaml exec app pytest

Запустить конкретный тестовый файл:

pytest tests/test_analysis_context.py -v

Тесты находятся в директории tests/ и охватывают:

• API эндпоинты (test_*_endpoints.py)
• Логику анализа (test_analysis_*.py)
• Работу с БД (test_database_*.py)
• Алгоритмы кластеризации и метрик (test_metrics_*.py, test_community_detection.py)

GRAPH_DATABASE_URL="neo4j://localhost:7687"
GRAPH_DATABASE_USER="neo4j"
GRAPH_DATABASE_PASSWORD="hello123"

• POST /v1/datasets — создание/загрузка датасета ({ "transport_type": "bus|tram|...", "city": "Город" }). Возвращает dataset_id.
• DELETE /v1/datasets/{dataset_id} — удалить датасет и связанный граф.
• POST /v1/analysis/cluster — запустить кластеризацию ({ "dataset_id": "...", "method": "leiden|louvain" }).
• POST /v1/analysis/metric — рассчитать метрику ({ "dataset_id": "...", "metric_type": "pagerank|betweenness" }).

Создать датасет (используется кеш, если данные уже скачаны):

curl -s -X POST "http://127.0.0.1:8050/v1/datasets" \
  -H "Content-Type: application/json" \
  -d '{"transport_type":"bus","city":"Бирск"}' | jq

Запустить кластеризацию (Leiden):

curl -s -X POST "http://127.0.0.1:8050/v1/analysis/cluster" \
  -H "Content-Type: application/json" \
  -d '{"dataset_id":"<DATASET_ID>","method":"leiden"}' | jq

Запустить вычисление PageRank:

curl -s -X POST "http://127.0.0.1:8050/v1/analysis/metric" \
  -H "Content-Type: application/json" \
  -d '{"dataset_id":"<DATASET_ID>","metric_type":"pagerank"}' | jq