大数据案例之OD线分析

最新推荐文章于 2025-05-19 21:11:14 发布

原创最新推荐文章于 2025-05-19 21:11:14 发布 · 1.6w 阅读

53 ·

CC 4.0 BY-SA版权

本文为博主原创文章，欢迎转载，SuperMap技术问答社区 http://ask.supermap.com

文章标签：

#pyspark #supermap #od线创建 #python

我们从网络上爬取了2013年到2017年芝加哥每一辆出租车的每一单行程数据，数据内容示例如图一，包含了出租车ID，行程ID，上下车时间，上下车坐标，行程耗时，费用以及支付方式等信息。有了这些数据，我们就可以对其进行数据挖掘分析，找到打车需求最旺的区域和时间段，以便得到更好的出租车资源调度策略等。本案例中我们明确分析目标，要找出2016年里周末10点到18点这个时间段，从奥黑尔国际机场出发的旅客都去了哪儿。深入分析也能从这个分析目标中预测出芝加哥最热门的旅游景点等。

这里写图片描述

针对该分析目标，我们选择supermap pyspark大数据组件产品，其OD线分析功能即可实现该分析目标，由于OD线分析需要行政区域面数据集，故我们又爬取了芝加哥主要的行政区域面数据。

数据
工具

supermap-bdtpy-9.1.0-beta

步骤

数据上传到hdfs，便于分布式计算

./hadoop fs -put /opt/data/*.csv /opt/data/*.meta /taxi_data

读取出租车数据，并按条件过滤，提取2016年周末10-18点期间在奥黑尔国际机场上车的行程单

def get_point():
    fRdd = read_csv(ss.sparkContext, 'hdfs://localhost:9000/taxi_data/Chicago-Taxi_Trips.csv', SpecFieldNames('', 'TripStartTimestamp', ''), 36, None,'hdfs://localhost:9000/taxi_data/Chicago-Taxi_Trips.meta', None)

    regionRdd = read_csv(ss.sparkContext, 'hdfs://localhost:9000/taxi_data/Chicago-region.csv', SpecFieldNames('SmID', '', ''), 36, None,'hdfs://localhost:9000/taxi_data/Chicago-region.meta', None)

    # 奥黑尔国际机场所在的行政区ID为165381
    airportRdd = regionRdd.filter(lambda f: int(f.get_value('OBJECTID')) == 165381)
    # 构造时间周期，2016年里所有的周末，2016-01-02为第一个周六
    cycleW = TimeCycle(Duration(1, DurationUnit.Weeks), '2016-01-02 00:00:00', Duration(2, DurationUnit.Days),'2016-01-01 00:00:00', '2017-01-01 00:00:00')
    tfW = TimeCycleFilter(cycleW)
    # 构造时间周期，每天的10-18点
    cycleH = TimeCycle(Duration(1, DurationUnit.Days), '2016-01-02 10:00:00', Duration(8, DurationUnit.Hours),'2016-01-01 00:00:00', '2017-01-01 00:00:00')
    tfH = TimeCycleFilter(cycleH)
    # 上车点数据按时间过滤,过滤行程终点为空的，过滤行程时间异常的，按区域裁剪
    fr = fRdd.filter(tfW).filter(tfH).filter(lambda f: f.get_value('TripSeconds') != None).filter(lambda f: f.get_value('DropoffCentroidLatitude') != None).filter(lambda f: f.get_value('DropoffCentroidLongitude') != None).filter(lambda f:int(f.get_value('TripSeconds')) > 120).filter(lambda f:int(f.get_value('TripSeconds')) < 12000).clip(airportRdd.first())

    return fr

点数据集转属性表数据集，od线分析需要上车点与下车点的关系表数据集

# 构造属性表结构
def make_new_meta():
    struct_type = StructType()
    struct_type.add(StructField('TripID', StringType()))
    struct_type.add(StructField('TaxiID', StringType()))
    struct_type.add(StructField('TripSeconds', IntegerType()))
    struct_type.add(StructField('DropoffCentroidLat', DoubleType()))
    struct_type.add(StructField('DropoffCentroidLon', DoubleType()))
    struct_type.add(StructField('PickupCentroidLat', DoubleType()))
    struct_type.add(StructField('PickupCentroidLon', DoubleType()))
    return FeatureMetadata(struct_type, 'Empty', None, has_feature_id=True)

# 构造新的要素
def make_new_feature(f):
    xy = str(f.get_value('PickupCentroidLocation'))
    import re
    # 提取起始点的xy坐标
    x, y = re.findall(r'[(](.*?)[)]', xy)[0].split(" ")
    field_value = [f.get_value('TripID'), f.get_value('TaxiID'), f.get_value('TripSeconds'), f.get_value('DropoffCentroidLatitude'), f.get_value('DropoffCentroidLongitude'), y, x]
    # none代表属性表记录,注意参数顺序
    return Feature(None, field_value, id_value=f.get_value('TripID'), field_infos=make_new_meta()._get_field_infos())

# 点转属性表
def get_table():
    rdd = get_point().rdd.map(lambda f: make_new_feature(f))
    tableRdd = FeatureRDD.make(rdd, make_new_meta())
    return tableRdd

读取用于OD线分析的行政区域面数据

# 用于od线制作的面数据
def get_region():
    regionRdd = read_csv(ss.sparkContext, 'hdfs://localhost:9000/taxi_data/Chicago-region.csv',SpecFieldNames('OBJECTID', '', ''), 36, None, 'hdfs://localhost:9000/taxi_data/Chicago-region.meta', None)
    return regionRdd

构建OD线

def make_odline():
    # 参与计算的featurerdd必须具备唯一id值
    odRdd = make_od_line(get_region(), get_table(), 'NAME', 'PickupCentroidLon', 'PickupCentroidLat', 'DropoffCentroidLon', 'DropoffCentroidLat', 'TripSeconds,Sum,sumTripSeconds')
    # od线数据
    odRdd[0].save_as_csv('hdfs://localhost:9000/taxi_data/output/workday16_line.csv', write_header=True)
    #od关联区域面数据
    odRdd[1].save_as_csv('hdfs://localhost:9000/taxi_data/output/workday16_region.csv', write_header=True)
    print('Done')