一、共享单车数据

image.png
image.png
image.png
image.png

停车需求提取

先向上平移，然后再拼接表
image.png
image.png
image.png
image.png
image.png
image.png
image.png

8点时段的停车需求

image.png
image.png

电子栅栏数据：构建地理要素

image.png

二、单车与电子栅栏的空间匹配

image.png

1.提取栅栏内的停车

把栅栏的面要素和车的点要素进行匹配
image.png

2.栅栏外的停车匹配最近栅栏

用KDTree方法匹配
image.png
使用geopandas在df中加入地理位置信息
使用shapely.geometry将坐标信息画成线框图
使用exec 将字符串类型的数组批量定义变量并追加
image.png
image.png

  1. exec('point = 1')
  2. print(point)  # 1
  3. # exec可将字符串当成代码执行
  5. # 可通过此方法循环创建变量

地理数据的最常见保存方式：geojson，shp文件(附带很多文件)
geojson文件，可通过geojson.io打开文件，在地图上更方便的查看
shp文件，可通过mapshaper plus打开(打开时要全部选中)，可明显地识别两要素的交点

三、使用空间连接提取栅栏内的停车

使用geopandas.sjon做空间连接（输入需要2个geopandas）
使用gpd.points_from_xy(经度，纬度)生成geometry列
image.png
结果a：停车点在栅栏内
结果b：停车点不在栅栏内

四、使用KDTree计算栅栏外的停车匹配最近栅栏

KDTree算法原理

image.png
image.png
image.png
image.png
image.png
image.png
因为KDTree算法输入为点和线，
所以使用gdf.boundary，将面要素转换成线要素
image.png
image.png可以看到，只保留边要素了

调用算法，FENICE_ID即为计算到的最近的电子栅栏是哪一个，距离是dist
当前距离是0.0000062是因为直接拿经纬度计算的，不太准确。
如果想要计算更加准确的距离，需要将两个gdf做坐标的投影变换，投影到高斯投影坐标系，这样计算出的距离就是真实的距离。
image.png
5000个点匹配到3W个栅栏，只用了320ms

可视化某个栅栏附件的停车点

  • 画栅栏外的停车点，蓝色
  • 画栅栏内的停车点，红色
  • 画栅栏范围，绿色半透明

image.png
image.png