Datawhale——城市管理大数据算法模型（DCIC）专题组队学习——task01

运行时候遇到的问题与解决方法

• 安装folium后无法import——更换python的kernel后可以import，怀疑是之前的环境里装了太多？
• 安装geohash后无法import——找到库将Geohash改为geohash，修改文件夹下的init.py文件中的from geohash—>from .geohash
• 如下报错

将for循环里的

folium.Marker(
    data[0, ::-1]
).add_to(m)

改为

folium.Marker(
    location=list(data[0, ::-1])).add_to(m)

对baseline的解读

baseline提供了两种计算潮汐的思路

• 使用Geohash计算：

单车流量统计，归类入流量和出流量，可以计算得到每个位置的留存流量

统计各个街道的潮汐情况，我们可以先把街道信息提取，然后通过已知的停车面积计算密度

得到潮汐情况最严重的道路：

• 经纬度距离计算：

使用sklearn中的NearestNeighbors，设置haversine距离，计算最近停车点。

通过分析具体停车位置的热度，找到目前共享单车的问题所在（由数据到问题）

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

通过对问题的分析，比如潮汐现象，远距离停车点等等，分割大问题到小问题（站在To C的角度考虑）

• for example：

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；

接下来思考如何用工具：比如我们机器学习的方法，来解决问题（从问题到方案）

可能的改进方向

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；

比赛的感受和收获

1、解决方案第一，机器学习方法只是其中的一部分，问题是什么，以什么样的思路去解决，是更需要思考的地方

2、数据使用将问题显化，而技术架构是解决思路的投射。对于一个任务来说，设计demo的首要性不言而喻，也就是说其实撰写好demo和技术文档是成功的第一步。