任务1：赛题任务解析

发布时间：2021-01-25，作者：阿水, 鱼遇雨欲语与余

## 赛题要点

### 算法分析题

### 创意分析题

## 早高峰共享单车潮汐点优化

赛题任务：识别出工作日早高峰07:00-09:00潮汐现象最突出的40个区域，针对Top40区域计算结果进一步设计高峰期共享单车潮汐点优化方案；
赛题数据：共享单车轨迹数据、共享单车停车点位（电子围栏）数据和共享单车订单数据；

## 早晚高峰时段综合运力智能调度

赛题任务：针对工作日早高峰乌石浦地铁口附近停车和用车问题，自由进行数据分析和算法模型构建，以共享单车资源合理分配为目标，设计共享单车调度方案；
赛题数据：共享单车轨迹数据、共享单车停车点位（电子围栏）数据、共享单车订单数据、轨道站点进站客流数据、轨道站点出站客流数据和轨道站点闸机设备编码数据；

## 绿色慢行交通的友好度评价研究

赛题任务：对密集骑行路段的道路使用情况进行分析研判，主动发现影响城市骑行友好度的因素；
赛题数据：共享单车轨迹数据、共享单车停车点位（电子围栏）数据、共享单车订单数据、轨道站点进站客流数据、轨道站点出站客流数据和轨道站点闸机设备编码数据；

## 数据读取与理解

假设我们将比赛数据存在../data/目录下，并引入常见的库：

import os, codecs
import pandas as pd
import numpy as np

PATH = '../input/'

### 共享单车轨迹数据

共享单车轨迹数据为共享单车在使用时候产生的位置定位数据，具体包含单车在不同时间段（默认是15秒记录一次）下的经纬度信息。

读取数据：读取单车轨迹数据：

# 共享单车轨迹数据
bike_track = pd.concat([
    pd.read_csv(PATH + 'gxdc_gj20201221.csv'),
    pd.read_csv(PATH + 'gxdc_gj20201222.csv'),
    pd.read_csv(PATH + 'gxdc_gj20201223.csv'),
    pd.read_csv(PATH + 'gxdc_gj20201224.csv'),
    pd.read_csv(PATH + 'gxdc_gj20201225.csv')

])

# 按照单车ID和时间进行排序
bike_track = bike_track.sort_values(['BICYCLE_ID', 'LOCATING_TIME'])

统计数据

列名称	取值个数	最大值	最小值
BICYCLE_ID	33345
LOCATING_TIME	71957	2020/12/25 9:59:59	2020/12/21 6:00:00
LATITUDE	1536749	24.520172114	24.482147226
LONGITUDE	358613	118.140532887	118.102571145

路线可视化

import folium
m = folium.Map(location=[24.482426, 118.157606], zoom_start=12)
my_PolyLine=folium.PolyLine(locations=bike_track[bike_track['BICYCLE_ID'] == '000152773681a23a7f2d9af8e8902703'][['LATITUDE', 'LONGITUDE']].values,weight=5)
m.add_children(my_PolyLine)

### 共享单车停车点位（电子围栏）数据

共享单车停车点位（电子围栏）数据为规范共享单车停车秩序，统一划定的共享单车停放区域。

读取数据

def bike_fence_format(s):
    s = s.replace('[', '').replace(']', '').split(',')
    s = np.array(s).astype(float).reshape(5, -1)
    return s

# 共享单车停车点位（电子围栏）数据
bike_fence = pd.read_csv(PATH + 'gxdc_tcd.csv')
bike_fence['FENCE_LOC'] = bike_fence['FENCE_LOC'].apply(bike_fence_format)

围栏可视化

import folium
m = folium.Map(location=[24.482426, 118.157606], zoom_start=12)

for data in bike_fence['FENCE_LOC'].values[:100]:
    folium.Marker(
        data[0, ::-1]
    ).add_to(m)
m

### 共享单车订单数据

共享单车订单数据为共享单车使用时开锁和关锁信息的数据。

读取数据

# 共享单车订单数据
bike_order = pd.read_csv(PATH + 'gxdc_dd.csv')
bike_order = bike_order.sort_values(['BICYCLE_ID', 'UPDATE_TIME'])

单车位置可视化

import folium
m = folium.Map(location=[24.482426, 118.157606], zoom_start=12)
my_PolyLine=folium.PolyLine(locations=bike_order[bike_order['BICYCLE_ID'] == '0000ff105fd5f9099b866bccd157dc50'][['LATITUDE', 'LONGITUDE']].values,weight=5)
m.add_children(my_PolyLine)

### 轨道交通数据

数据读取

# 轨道站点进站客流数据
rail_inflow = pd.read_excel(PATH + 'gdzdtjsj_jzkl.csv')
rail_inflow = rail_inflow.drop(0)

# 轨道站点出站客流数据
rail_outflow = pd.read_excel(PATH + 'gdzdtjsj_czkl.csv')
rail_outflow = rail_outflow.drop(0)

# 轨道站点闸机设备编码数据
rail_device = pd.read_excel(PATH + 'gdzdkltj_zjbh.csv')
rail_device.columns = [
    'LINE_NO', 'STATION_NO', 'STATION_NAME',
    'A_IN_MANCHINE', 'A_OUT_MANCHINE', 
    'B_IN_MANCHINE', 'B_OUT_MANCHINE'
]
rail_device = rail_device.drop(0)