滑出时间 飞机滑行时间的建模要开发模型，以预测飞机在预定起飞时间之前2小时的滑行时间

基于FPGA的汽车计费系统，根据不同的情况会有不同的计费方式，基本能够符合实际情况

nyc-taxi-demo 使用Elasticsearch和机器学习的NYC出租车演示 下载出租车数据 转到并下载2016年10月至12月（黄色出租车）的CSV文件。 为了简化操作，请使用脚本download_raw_data.sh下载这些月份（还取决于您是否具有本地raw_data_urls.txt ） 使用Logstash导入Elasticsearch 在输出部分更改taxi.conf文件中的用户名和密码 每个月使用taxi.conf配置文件运行Logstash-例如： tail -n +2 /path/to/data/yellow_tripdata_2016-10.csv | /path/to/logstash-6.3.1/bin/logstash -f /path/to/taxi.conf 转到Kibana，在“管理”下创建一个名为“ nyc-taxi- *”的索引模式 导入

颜色分类leetcode # 回购内容 子目录中的 .md 格式 /NYC Green Taxi/NYC Green Taxi.md 纽约市绿色出租车 ipython 笔记本 用于可视化。 试试我的 运行预测的脚本 我的分类器模型的泡菜 我的回归模型的泡菜 如何使用 tip_predictor.py 进行预测的笔记本示例 A 对 2015 年 9 月数据集的预测。 这有两列。 第一个是交易指数，第二个是预测百分比提示 注意：这整个也可以在我的 bitbucket 上找到 import pandas as pd import numpy as np import datetime as dt import matplotlib . pyplot as plt import os , json , requests , pickle from scipy . stats import skew from shapely . geometry import Point , Polygon , MultiPoint , MultiPolygon from scipy . stats impor

数据集基于2016年纽约市黄色出租车出行记录数据，该数据可在Google Cloud Platform的Big Query中获得。该数据最初由纽约市出租车和豪华轿车委员会（TLC）发布。为了本次运动会比赛的目的，对数据进行了采样和清理。根据个人出行的属性，参与者应预测测试集中每次出行的持续时间。

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）

纽约黄色出租车

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

纽约市出租车数据分析 在这个最后的小组项目中，我们以“理解出租车经济学”为主题分析纽约出租车数据，它是在 Map-Reduce 算法中使用 Hadoop Streamming API 和 Python 实现的。 调查的问题 不同社区的收入有何不同，它与社区的家庭收入中位数有何关联？ 收入如何随时间变化？ 出租车公司赚更多（或更少）钱的月份还是季节？ 出租车司机在没有乘客的情况下可以行驶多久？ 这如何随时间变化？ 重大活动期间收入会受到影响吗？ 例如，游行、总统访问、风暴 数据源 2013年出租车数据行程数据： : 票价数据： : 人口普查数据人口统计： : 收入信息： : 人口普查区域的形状文件： : （搜索“tract”） 天气数据 -- 选择“Surface Data, Hourly Global”，然后在选择地区的时候，选择NY和三个主站（Centra

出租车票价预测 预测纽约市出租车的票价