资源包括2019年数学建模比赛C题的论文和的出租车数据以及代码，利用matlab做蒙特卡洛仿真，有三个函数文件，可自行调用数据运行代码，最后的结果是得到等时线，可以自行查看资源中的论文。

数据来源于滴滴盖亚平台，时间为2016年8月8-14的出租车数据，数据分为5个部分35个文件，文件格式为csv

本资源统计了15个城市的空载率、出租车万人拥有量、主城区人口、城市拥堵率、经济发展水平GDP、出租车月营业额，里程利用率等数据。 并介绍了求解当中所需的熵权法。还添加了北京、西安、南京、成都四个城市的时间2016 年 8 月 6 日 - 12 日每日 0 点 - 12 点内的五种统计信息。 信息解释为 demand（打车需求量） distribute（出租车分布） money（车费） response（被抢单时间） satisfy（打车难易度） 五种信息。

面对城市出租车高空载率和乘客打车难问题，本文针对出租车司机端和乘客端分别进行载客热点和打车热点的分析研究，提出了一种基于DBSCAN算法的数据处理模型.利用这个模型对北京市182辆出租车的GPS轨迹数据进行处理，提高了数据精度；对于不同的受众，采用K-means算法对数据进行聚类分析，得到相关热点.实验表明，划分目标用户进行各热点的推荐不仅可以有效地为出租车司机提供高概率的载客热点，乘客打车难问题也有了一种可行的解决方法.

Nyc-Taxi-Kaggle-挑战 目标 Kaggle竞赛预测纽约出租车的行驶时间。 该项目的报告在capstone.pdf。 （在这个项目中，我提供了许多链接，如果您是初学者，可以通过这些链接来弄清楚您的概念，如果不理解的话，可以通过project和readme中提供的链接和pdf来了解。） 问题陈述 在本报告中，我们使用来自纽约市出租车和高级轿车委员会的数据来考察Kaggle竞赛，该竞赛要求竞争对手预测纽约市出租车旅行的总行驶时间（trip_duration）。 Kaggle提供的数据是作为CSV文件提供的结构化数据。 CSV文件中的数据包括多种格式：时间戳，文本和数字数据。 这是回归分析，因为输出（总行驶时间）是数字。 我将使用几种机器学习方法来完成预测任务，这些方法是线性回归，k最近邻回归，随机森林和XGBoost。 将使用均方根对数误差对模型进行评估。 总览 我使用Jupyter_Notebook在dekstop上执行此项目，并且在使用python的远程服务器上也无需使用Jupyter_notebook来执行。 软件和库 Python 3 Scikit-learn：Pyt

数据简介 ID：每次行程的唯一ID vendor_id: 行程提供者的ID pickup_datetime: 上车的日期和时间 dropoff_datetime - 停表的日期和时间 passenger_count - 车辆中的乘客数量（驾驶员输入值） pickup_longitude - 上车的经度 pickup_latitude - 上车的纬度 dropoff_longitude - 下车经度 dropoff_latitude - 下车的纬度 store_and_fwd_flag - 行程记录是否为存储转发（或是直接发送） trip_duration - 行程持续时间（秒）

本文档介绍了2007年2月20日中国上海出租车GPS报告 鄙人在数学建模过程中用到了此数据集，故发布出来供大家下载。

https://github.com/ververica/flink-training-exercises

如何使用AWS EC2 Hadoop集群处理200 GB数据 存储200 GB的NYC出租车数据集并部署Cloudera Hadoop集群以对其进行可视化。 使用Python Datashader绘制和可视化Hadoop大型数据集 没有Datashader的可视化 工作流程概述 使用数据着色器 最终可视化

压缩包11个G 数据量太大，以网盘的形式分享给各位，欢迎大家喜欢！