DataWhale组队学习分享1-早高峰共享单车潮汐点的群智优化

文章探讨了两种共享单车潮汐情况的计算方法,包括基于geohash的统计和KNN聚类,并指出了方法1的局限性。推荐策略主要基于距离,但忽略了实际骑行路线。提出了改进思路,如细化时间精度和结合路线长度优化停车点推荐。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  1. 对baseline的解读。
    Baseline给出两种方法计算共享单车的潮汐情况。方法1使用geohash库,对经纬度编码,将一定精度范围内的区域视为同一区域,计算每个区域的入流量和出流量。接着由出入流量之差,计算该位置的留存量。然后提取街道信息,根据“留存车辆 / 街道停车位总面积”,计算得到道路上的车密度。
    方法2对经纬度距离应用KNN方法聚类,得到停车点和密度。
    方法1的统计方法可能会不准确,精度只能到街道信息,故倾向于选择方法2。
    计算完潮汐点之后,开始研究停车点推荐。Baseline的策略是:根据距离选择最近的20个待选位置;剔除已经有很多车辆堆积的地方;剔除其他街道的地方。最后,还考虑了单车没有骑到停车点的情况,根据经纬度推荐最近非潮汐停车点。
  2. 进一步优化思考。
    简单思考如下:
    1)Baseline计算潮汐点时,时间精度为小时,但是工作日人们上班的时间很接近,大多集中在早上8-10之间,潮汐的形成和对人们的影响也大多发生在这段时间,因此有必要对一些重点时段进行更精细的时间段研究。
    2)推荐潮汐点时,只考虑了基于经纬度计算的空间距离,同时剔除了不同街道的停车点。这样可能跟实际停车所需的距离有差异。比如一排建筑物两侧的停车点,可能空间距离不远,但是实际要绕路才能到达。又比如两个点虽然分属两个街道,但实际上很近,这种情况也是很常见的。所以是否可以通过引入第三方地图接口,来获得两点间骑车路线的长度作为参考,以供推荐用?
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值