任务3：共享单车潮汐点优化

发布时间：2021-01-25，作者：阿水, 鱼遇雨欲语与余

## 学习目标

• 对停车点进行状态（潮汐情况）划分；
• 对停车点进行距离计算，并进行分类；
• 通过主动引导停车用户到邻近停车点位停车，

## 街道潮汐状态统计

根据上一章节的街道潮汐统计，我们可以统计得出每个街道的具体潮汐情况，并进而可以按照密度计算得到潮汐情况最为严重的区域。为了对厦门市潮汐情况与区域关系进行可视化，来对具体的潮汐情况进行直观的感受。

首先我们按照之前的代码完成具体数据读取，并对单车订单数据的时间进行提取：

bike_order['UPDATE_TIME'] = pd.to_datetime(bike_order['UPDATE_TIME'])
bike_order['DAY'] = bike_order['UPDATE_TIME'].dt.day.astype(object)
bike_order['DAY'] = bike_order['DAY'].apply(str)

bike_order['HOUR'] = bike_order['UPDATE_TIME'].dt.hour.astype(object)
bike_order['HOUR'] = bike_order['HOUR'].apply(str)
bike_order['HOUR'] = bike_order['HOUR'].str.pad(width=2,side='left',fillchar='0')

bike_order['DAY_HOUR'] = bike_order['DAY'] + bike_order['HOUR']

为了方便统计这里，我们只使用一个时间的订单数据进行绘制：

import folium
from folium import plugins
from folium.plugins import HeatMap

map_hooray = folium.Map(location=[24.482426, 118.157606], zoom_start=14)
HeatMap(bike_order.loc[(bike_order['DAY_HOUR'] == '2106') & (bike_order['LOCK_STATUS'] == 1), 
                   ['LATITUDE', 'LONGITUDE']]).add_to(map_hooray)

for data in bike_fence['FENCE_LOC'].values[::10]:
    folium.Marker(
        data[0, ::-1]
    ).add_to(map_hooray)

map_hooray

如上图，我们可以看到颜色表示为具体停车位置的热度，具体点为订车点的位置。

• 并不是所有的车都听到了停车点，有一些车听到了距离停车点较远的距离；
• 有一些停车点有潮汐现象，有的不存在潮汐现象；

## 其他停车点推荐

根据上一章节的街道潮汐统计，我们可以得到每个停车点具体的潮汐情况。如果此停车点停满了，进一步我们也可以推荐其他停车点。

我们使用下面的代码完成具体的停车点潮汐统计：

import geohash
bike_order['geohash'] = bike_order.apply(lambda x: 
                        geohash.encode(x['LATITUDE'], x['LONGITUDE'], precision=9), axis=1)

from geopy.distance import geodesic

bike_fence['MIN_LATITUDE'] = bike_fence['FENCE_LOC'].apply(lambda x: np.min(x[:, 1]))
bike_fence['MAX_LATITUDE'] = bike_fence['FENCE_LOC'].apply(lambda x: np.max(x[:, 1]))

bike_fence['MIN_LONGITUDE'] = bike_fence['FENCE_LOC'].apply(lambda x: np.min(x[:, 0]))
bike_fence['MAX_LONGITUDE'] = bike_fence['FENCE_LOC'].apply(lambda x: np.max(x[:, 0]))

bike_fence['FENCE_AREA'] = bike_fence.apply(lambda x: geodesic(
    (x['MIN_LATITUDE'], x['MIN_LONGITUDE']), (x['MAX_LATITUDE'], x['MAX_LONGITUDE'])
).meters, axis=1)

bike_fence['FENCE_CENTER'] = bike_fence['FENCE_LOC'].apply(
    lambda x: np.mean(x[:-1, ::-1], 0)
)

import geohash
bike_order['geohash'] = bike_order.apply(
    lambda x: geohash.encode(x['LATITUDE'], x['LONGITUDE'], precision=7), 
axis=1)

bike_fence['geohash'] = bike_fence['FENCE_CENTER'].apply(
    lambda x: geohash.encode(x[0], x[1], precision=7)
)

bike_inflow = pd.pivot_table(bike_order[bike_order['LOCK_STATUS'] == 1], 
                   values='LOCK_STATUS', index=['geohash'],
                    columns=['DAY'], aggfunc='count', fill_value=0
)

bike_outflow = pd.pivot_table(bike_order[bike_order['LOCK_STATUS'] == 0], 
                   values='LOCK_STATUS', index=['geohash'],
                    columns=['DAY'], aggfunc='count', fill_value=0
)

bike_remain = (bike_inflow - bike_outflow).fillna(0)
bike_remain[bike_remain < 0] = 0  
bike_remain = bike_remain.sum(1)
bike_fence['DENSITY'] = bike_fence['geohash'].map(bike_remain).fillna(0)

如果乘客到了一个潮汐停车点A，如何对乘客进行引导呢？

1. 推荐的停车点B应该和A距离不远；
2. 推荐的停车点B应该没有潮汐情况；
3. 也需要考虑到跨街道和横穿马路的情况；

首先为了完成停车点距离计算，还是先定义好KNN：

from sklearn.neighbors import NearestNeighbors

knn = NearestNeighbors(metric = "haversine", n_jobs=-1, algorithm='brute')
knn.fit(np.stack(bike_fence['FENCE_CENTER'].values))

然后是具体的计算逻辑进行编码：

def fence_recommend1(fence_id):
    fence_center = bike_fence.loc[bike_fence['FENCE_ID']==fence_id, 'FENCE_CENTER'].values[0]
    # 具体街道方向
    fence_dir = fence_id.split('_')[1]
    # 根据距离计算最近的20个待选位置
    dist, index = knn.kneighbors([fence_center], n_neighbors=20)

    # 对每个待选位置进行筛选
    for idx in index[0]:
        # 剔除已经有很多车的
        if bike_fence.iloc[idx]['DENSITY'] > 10:
            continue
        # 剔除需要过街的
        if fence_dir not in bike_fence.iloc[idx]['FENCE_ID']:
            continue
        return bike_fence.iloc[idx]['FENCE_ID']

    return None

## 停车引导计划

此外还需要考虑到单车没有起到停车点的情况，即推荐根据经纬度推荐最近非潮汐停车点：

def fence_recommend2(la, lo):
    dist, index = knn.kneighbors([[la, lo]], n_neighbors=20)
    for idx in index[0][1:]:
        if bike_fence.iloc[idx]['DENSITY'] > 10:
            continue
        return bike_fence.iloc[idx]['FENCE_ID']

    return None

综上所述我们可以将潮汐引导计划描述如下，分为两种情况：

## 改进方向

1. 近邻非潮汐停车点需要综合推荐，不能总是推荐一个，否则会导致出现新的潮汐点；
2. 近邻非潮汐停车点推荐需要考虑到交通情况，如街道信息、具体位置信息；
3. 近邻非潮汐停车点推荐需要全局调度，也可以具体分析周中和周五两种情况；

## 报告撰写建议

1. 建议考察下现有单车的停车建议，并进行对比分析；
2. 可以选择一个潮汐点，进行具体分析并给出具体建议，并对比优化前后对比；
3. 数据使用+技术架构，可以先设计demo，撰写好文档；