fff2zrx的博客

（离大家都差不多远），一个头，两个大。最终的解决方案不出意外是团伙里最J的那个人在地图上大概划拉划拉，或者根据经验判断1个会面地点。现在，AI+高德地图就可以帮你完美解决这个难题，方案来自我在即刻冲浪时看到的博主@AI产品黄叔。当然这个组合也可以干很多其他跟出行相关的事情，比如出行攻略等。

国内的可以很方便的利用百度或者高德提供的api解决，国外的地址就需要用谷歌地图或者必应地图的api解决了。找到目标地区的编号，中国东部地区属于UTM Zone 50N。得到 EPSG:32650。再查找UTM 50N 的。

今天在网上冲浪看到一个很花哨的数据，全国各城市主要商圈从早上6点到晚上10点的20min，30min,45min,60min,90min生活圈轮廓。1 获取思路按下F12，点击淮海路可以看到出现一个网站，他就是我们要找的接口内容是通过get请求直接获取的，接口是https://trp.autonavi.com/ajax/life/circle.do?districtId=B00156EVQJ&dir=0&timeIndex=8点击网页上的目的地，发现接口里dir变成了1..

最近想重新搞一下遗传算法，突然发现python也有一个牛批的包可以吊了，兄弟姐妹们，还等什么，都给我调geatpygeatpy官方主页作者大大赛高官方入门教程简单来说就是，我们只需要根据自己的实际问题，写好MyProblem这个类Problem类定义了与问题相关的一些信息，如问题名称name、优化目标的维数M、决策变量的个数Dim、决策变量的范围ranges、决策变量的边界borders等。maxormins是一个记录着各个目标函数是最小化抑或是最大化的Numpy a.

卡尔曼滤波这个词老是听到，一直也没有耐心看，最近准备看看轨迹挖掘相关的东西，第一步轨迹处理中卡尔曼滤波就又出现了，终于耐着性子研究了两天(一看一堆矩阵就脑壳痛），期间网上找了不少代码和博客，算是大概明白了，还自己改了一版代码，做个小笔记卡尔曼滤波这个东西，我理解下来就是一方面通过理论模型算出一个预测值，另一方面通过测量手段测出一个测量值，然后通过加权平均得出一个估计值，使得这个估计值最接近真实值。原理的详细推导可以详细见卡尔曼滤波：从入门到精通这里先记一下算法步骤X^k−代表预测值,Z^k代表测.

GeoHash原理geohash是将二维的经纬度坐标点转换为一维的字符串，某一个字符串表示了某一个矩形区域，经纬度分别对应一个区间。geohash算法的实质其实是多次二分法，不断地缩小经纬度区间范围，从而缩小上述矩阵区域的范围纬度范围在[-90,90]，经度范围在[-180,180]拿到一个location时（116.389550， 39.928167）对纬度区间[-90,90]二分，[-90,0]及[0,90],显然纬度39.928167在[0,90]得到第一次二分的结果，得到第一次二分结果

最近看到一篇关于poi的论文，把poi各个类别通过邻接关系利用Word-embedding训练成了词向量，这样原本属于不同大类下的子类但是功能很相近的类别就在词向量空间里显得比较近，更符合实际情况。相比于之前的分开看各种poi类别比例，这样可以更好地表达出城市内的poi配置情况。论文提要Liu K, Yin L, Lu F, et al. Visualizing and exploring POI configurations of urban regions on POI-type semanti.

基于conv-lstm方法预测共享单车需求终于不用写期末作业了，我来营业了。公众号居然破500关注了，一颗赛艇。本期分享下我们小组的数据挖掘期末(划水)大作业，小组成员还有李天豪and张振同学。主题是：基于conv-lstm方法预测共享单车需求主要参考的论文是：Bao J, Yu H, Wu J, et al. Short-term FFBS demand prediction with multi-source data in a hybrid deep learning framework

做一些空间特征时，经常需要把属性值映射到行政区划上集计，看一看各行政区划的分布属性特征。那么如何快速获取这些地理文件呢method 1这个是我在这篇推送里看到的，亲测很多次，炒鸡有用。这个网站可以免费下载全国任一地区行政区划的 GeoJSON 格式数据http://datav.aliyun.com/tools/atlas/#&lat=31.728167146023935&lng=104.32617187499999&zoom=3跟推送里提到的不一样的是，我用谷歌浏览.

问卷中经常有各种出行目的，是为了方便被调查者填写，后期分析的时候需要对一些选项（出行目的）进行合并、去除等。对于回家 ，应该去掉，因为回家是其他所有出行的回程。对于回单位，应该并到业务中...

知乎似乎终于通过大数据发现我是交通专业的了2333，最近推送了一个跟交通相关的内容，是一个人转载外国关于可达性分析的博客，博客里面的图成功吸引到了我的注意，颜值也太高了，果然人都是看脸传送门：https://geoffboeing.com/2016/07/visualize-urban-accessibility-walkability/，文中给了相关代码，稍作修改即可，安装库比较麻烦点我拿上海的poi数据试了试：poi数据是从高德api搞下来的，不推荐百度api爬了地铁站，公交站，学校，餐.

前言：终于写一次本专业的博客了，前段时间有个同学问我作业，突然翻到以前写的重力模型的matlab demo,来此记录一下重力模型主要有无约束，单约束，双约束三种，doublecon.m文件：%双约束重力模型标定及计算用clearclcclose all%输入标定数据qij=[17,7,4;7,38,6;4,5,17];Oi=[28,51,26];P=[38.6,91...

文章目录泊松分布泊松回归泊松回归求解及分析泊松分布当时学交通工程学的时候就看到书上讲，泊松分布是n趋向于无穷时的二项分布，书上还给出了推导公式，确实没毛病，但是还是没有明白两者之间有什么关联，这到底是为什么呢？最近需要做泊松回归模型，正好看到了知乎上一些答主的回答，恍然大悟，要是当时书上这样讲一下再推导就好了。简而言之就是：把泊松分布里的单位时间或者空间划分为无穷多份，这样子每一份里事件的发...