Taxi-Trajectories 可视化出租车轨迹分析

出租车拼车应用 一个由python和django驱动的Web应用程序。 使用的技术 -HTML -CSS3 -Bootstrap -Django -PostgreSQL 安装并激活虚拟环境 pip install virtualenv virtualenv your_environment_name cd your_environment_name ./scripts/activate 在virtualenv中导入项目 git clone https://github.com/Omkarkukiyan/django_restaurant_project.git 安装所有要求 pip install -r requirements.txt 运行项目 python manage.py runserver

这里提供了一个准确的数据集，描述了在葡萄牙波尔图市运行的所有442辆出租车的全年轨迹（从2013年7月1日至2014年6月30日）。这些出租车通过出租车调度中心使用安装在车辆中的移动数据终端进行操作。该数据集可以帮助学习地理空间分析和轨迹处理领域的基本方法。

出租车轨迹预测 预测葡萄牙波尔图出租车的目的地。

matlab二维光栅代码纽约市出租车需求预测 2017 年 4 月 29 日更新：新数据（demand.h5、holiday.txt、...）上传到 2017-04-12 更新：天气数据 (Meteorology.h5) 上传到 这在 onedrive 上不断更新。 2017-03-21 更新：HDF5 和假日数据上传到 原始数据来源 天气： 。 批量订单可通过 纽约出租车： 生成的数据是使用 2 年的原始黄色出租车数据（从 2014-07-01 到 2016-06-30）得出的。 目前，我们仅使用了 6 个月的原始数据，总大小为 10 GB . 数据生成过程（在 Mapreduce 工作流中设计和实现）需要 2.5 小时（用于处理两年的数据）。 这个过程可以使用相同的代码在集群上完成（需要联系 Columbia HPC）。 Demand.mat : 以 Matlab 二进制文件格式存储的生成数据。 它包含两个变量：时间表“需求”和地理参考对象“R”。 R：提供地理信息（例如地理范围）的地理参考对象 R= Latitude Limits: [40.6769, 40.8868] Long

online-taxi-three

出租车管理系统 关于 该系统通过位于出租车上的安卓设备支持出租车管理。此外，该系统使用语音IP系统支持的SIP协议促进运营商和出租车司机之间的通信。 客户的出租车请求是优化的。 特征 在谷歌地图视图上管理实时出租车的位置。 通过 sip 协议进行通信。 通过客户应用程序呼叫出租车。 优化出租车请求程序。 优化出租车司机接客路线。 优化配送流程。 大概的概念 考虑到移动设备的显着增加，我们提出了出租车系统的创新理念。 每个出租车都将配备一个移动设备，负责收集出租车信息，如位置、速度、出租车状态……所有这些信息都将发送到服务器。 在此基础上，运营商对整个出租车系统有一个概览。 服务客户的请求流程： 客户打开客户应用程序，通过他们的帐户登录并按下按钮。 应用程序将自动获取客户的位置并发送到服务器。 收到客户请求后，服务器将此请求发送到最近的空出租车。 有关客户请求的通知将显示在驱

纽约出租车需求预测 预测纽约市未来10分钟内黄色出租车的出租车需求。 这款python笔记本将使用出租车和豪华轿车委员会提供的用于黄色出租车的数据来开发机器学习模型，以预测纽约黄色出租车的出租车需求。 基于这些数据，机器学习模型可以预测10分钟内出租车的取货需求。 在这个python笔记本中，已经训练了不同的机器学习模型，并测试了准确性。 资料总览 接送日期/时间 接送地点 旅行距离， 逐项列出的票价 费率类型 付款方式 驾驶员报告的乘客人数 首先使用给定的数据，我们将进行数据清理并将数据转换为所需的格式。 为了将纽约市划分为区域，以便可以进行区域虎钳的预测，我们将使用K-means算法。 功能重要性是任何机器学习问题的重要组成部分。 在这里，我们将通过一次生成具有比率和先前值的特征（t-1）来使用低于基线的模型，并计算平均绝对百分比误差。 移动平均线 加权移动平均线 指数移动

预测一个车手的出租车费 sample_submission.csv test.csv

其中包含4000+辆出租车在24小时内的GPS行驶轨迹，包括ID、时间、经、纬度、载客情况等信息。