任务5：单车畅行友好度方案

发布时间：2021-01-25，作者：阿水, 鱼遇雨欲语与余

## 学习目标

骑行路线匹配
密集骑行路线识别
骑行友好度定义

## 骑行路径匹配

对于赛题给定的单车订单数据和单车轨迹而言，其并没有给定具体的街道信息，只在单车停车点给定了街道信息。因此我们可以选择使用停车点数据做街道信息匹配，也可以用外部数据做匹配，操作都是一致的。

我们可以使用DCIC2020年给的厦门市道路矢量数据来完成：

import shapely, geopandas, fiona
import seaborn as sns
%pylab inline

shp_df = geopandas.GeoDataFrame.from_file("xiamen_road/xm_road_edit20200826.shp")
shp_df.plot(figsize=(8, 8))

还可以提取具体道路经纬度：

shp_df['START_LONGITUDE'] = shp_df['geometry'].apply(lambda x: x.coords[0][0])
shp_df['START_LATITUDE'] = shp_df['geometry'].apply(lambda x: x.coords[0][1])

shp_df['END_LONGITUDE'] = shp_df['geometry'].apply(lambda x: x.coords[1][0])
shp_df['END_LATITUDE'] = shp_df['geometry'].apply(lambda x: x.coords[1][1])
shp_df = shp_df.drop(['UserID', 'geometry'], axis=1)

road_name	START_LONGITUDE	START_LATITUDE	END_LONGITUDE	END_LATITUDE
安仁大道（西向东）	117.986519	24.612696	117.989647	24.610982
安仁大道（西向东）	117.996934	24.605661	117.997052	24.605552
安仁大道（西向东）	117.997052	24.605552	117.997149	24.605466
安仁大道（西向东）	117.999725	24.602609	118.002706	24.598994
安仁大道（西向东）	118.002706	24.598994	118.002770	24.598916
...	...	...	...	...
圆一路	118.186581	24.504305	118.186646	24.505749
安东路	118.000649	24.614283	118.000729	24.614362
长岸路辅路（北向南）	118.088231	24.511117	118.088089	24.510614
长岸路辅路（北向南）	118.087805	24.509671	118.087780	24.509593
殿前一路（西向东）	118.096068	24.532458	118.095621	24.532743

对于骑行轨迹与道路匹配，我们仍然可以使用KNN/或HNSW的方法：

from sklearn.neighbors import NearestNeighbors

knn = NearestNeighbors(metric = "haversine", n_jobs=-1, algorithm='brute')
knn.fit(np.vstack([shp_df[['START_LATITUDE', 'START_LONGITUDE']].values,
                 shp_df[['END_LATITUDE', 'END_LONGITUDE']].values]
                ))


import hnswlib
import numpy as np
p = hnswlib.Index(space='l2', dim=2)
p.init_index(max_elements=300000, ef_construction=1000, M=32)
p.set_ef(1024)
p.set_num_threads(14)

p.add_items(np.vstack([shp_df[['START_LATITUDE', 'START_LONGITUDE']].values,
                 shp_df[['END_LATITUDE', 'END_LONGITUDE']].values]
                ))

当然也可以使用KNN + 停车点的数据完成上述步骤，也可以使用百度梯度的API完成。

index, dist = p.knn_query(bike_track[['LATITUDE','LONGITUDE']].values[:], k=1)
index = index.reshape(-1)
bike_track['road_name'] =  shp_df.iloc[index % len(shp_df)]['road_name'].values

## 密集骑行路线识别

在做完具体的道路匹配后，可以直接完成频率计算：

bike_track[bike_track['day'] == 21]['road_name'].value_counts().head(10)

路名称	频率
厦禾路（东向西）	53924
吕岭路（西向东）	50296
金尚路（南向北）	36511
云顶北路（南向北）	34136
仙岳路辅路（西向东）	32861
湖滨南路（东向西）	32219
仙岳路辅路（东向西）	28889
湖滨南路（西向东）	28785
金尚路（北向南）	28378
嘉禾路（北向南）	26169

## 骑行友好度定义

骑行友好度可以从两个角度来考虑，一是密集骑行路线，二是街道单位骑行花费时间，前者已经计算完成，这里我们关注后者。

$$街道单位骑行花费时间 = \frac{街道距离}{单位骑行时间}$$

单位骑行时间

bike_use_ratio = bike_track.groupby(['road_name','BICYCLE_ID'])['date'].count()*15.0/3615/4
bike_use_ratio = bike_use_ratio.reset_index()
bike_use_ratio = bike_use_ratio.groupby(['road_name'])['date'].mean()

街道距离

from geopy.distance import geodesic
# 根据停车点 范围 计算具体的面积
shp_df['Length'] = shp_df.apply(lambda x: geodesic(
    (x['START_LATITUDE'], x['START_LONGITUDE']), (x['END_LATITUDE'], x['END_LONGITUDE'])
).meters, axis=1)
shp_legth = shp_df.groupby(['road_name'])[['Length']].sum()

友好度计算

bike_use_ratio = pd.merge(bike_use_ratio, shp_legth, on='road_name', how='left')
bike_use_ratio['friendliness'] = bike_use_ratio['Length'] / bike_use_ratio['date']
bike_use_ratio.sort_values(by='friendliness', ascending=False)
bike_use_ratio = bike_use_ratio[['road_name', 'friendliness']]