Мощные способы использования аналитики местоположения
Подсчитано, что 80% данных в современном мире содержат информацию о местоположении. Большинство наших сегодняшних действий, таких как фотографирование, бег с умными часами, поездки в такси, — все это генерирует данные о местоположении.
В этой статье вы увидите, как использовать аналитику местоположения, чтобы преобразовать эти данные в очень интересные и прибыльные варианты использования.
Анализ географической плотности
Аналитику местоположения можно использовать для анализа плотности определенной географической области. Позвольте мне проиллюстрировать анализ плотности, чтобы проанализировать местоположения Airbnb в Нью-Йорке.
В Нью-Йорке около 50 000 офисов Airbnb. Данные доступны как открытые данные на сайте Airbnb. Данные содержат сведения о хосте, а также местоположение, определяемое широтой и долготой. Можно провести анализ плотности, чтобы определить районы Нью-Йорка с наибольшим количеством местоположений Airbnb.
Выполнение анализа плотности требует полигонального определения географических областей. Определение полигонов для районов Нью-Йорка (также называемых микрорайонами) доступно в виде открытых данных. Все полигональные определения районов Нью-Йорка можно изобразить, как показано ниже.
Следующим шагом является использование алгоритма Point-in-Polygon для назначения каждого местоположения полигону.
Результат алгоритма Point-in-Polygon даст количество местоположений Airbnb в каждом полигоне. Затем мы можем использовать эту информацию для анализа плотности, используя тепловую карту по географической карте.
Краткое изложение используемых методов
- Аналитика местоположения: алгоритм Point-in-Polygon
- Javascript: API карт Google
Анализ близости
Анализ близости очень полезен для анализа расстояний между различными местоположениями. Это очень полезно для варианта использования планирования объекта.
Допустим, мы хотим создать новую библиотеку на Манхэттене. Город Манхэттен разделен на участки. Вопрос в том, в каком лоте мы должны установить библиотеку? Здесь может помочь анализ близости.
Идеальным местом для библиотеки было бы место, где поблизости нет библиотеки. Алгоритмы анализа близости помогают рассчитать расстояние любого лота до ближайшей библиотеки. Вот результат анализа близости.
Всем лотам приданы цвета от желтого до фиолетового. Желтый означает, что библиотека находится поблизости, а фиолетовый означает, что она находится далеко от какой-либо существующей библиотеки.
Фиолетовые области — это области, которые недостаточно обслуживаются и потенциально являются хорошим местом для установки библиотеки.
В анализе близости используется алгоритм дерева шаров, который очень полезен для определения расстояний между различными местоположениями. Алгоритм по существу будет выполнять поиск ближайшего соседа между всеми партиями и партиями с библиотекой.
Краткое изложение используемых методов
- Аналитика местоположения: алгоритм Point-in-Polygon, алгоритм Ball-tree
- Javascript: API карт Google
Анализ маршрута
Анализ маршрута — еще одна важная часть аналитики местоположения. Это помогает в анализе маршрутов или траекторий. Позвольте мне проиллюстрировать это на примере анализа траектории руления.
Данные в этом примере поступают от устройства GPS-слежения, установленного на такси в Порту, которое записывает местоположение такси каждые 15 секунд. Вот тепловая карта данных о местоположении, поступающих от такси. Как мы видим, большинство маршрутов такси проходит через Порту, но у вас также есть несколько траекторий такси на дальние расстояния из Порту в Лиссабон.
Мы также можем анализировать данные на уровне улиц. Это помогает нам идентифицировать непрерывные пятна нагрева, а также изолированные пятна нагрева.
Сплошные горячие точки предназначены для маршрутов, по которым обычно ездят такси. Изолированное тепловое пятно нуждается в дальнейшем анализе путем увеличения карты.
Мы видим, что изолированное тепловое пятно находится рядом со стоянкой роскошной яхты. Это означает, что такси, возможно, ждут здесь, чтобы забрать или высадить пассажиров. Так как мы знаем, что водители такси проводят время в ожидании, было бы неплохо установить зарядное устройство для электромобилей. Это поможет повысить осведомленность об электромобилях и обеспечит удобство для владельцев электрических такси. Таким образом, объединение данных о местоположении и окружающего их контекста — очень эффективный способ для многих случаев использования.
Краткое изложение используемых методов
- Аналитика местоположения: алгоритм Point-in-Polygon
- Javascript: API карт Google
Оптимизация маршрута
Одним из важных применений аналитики местоположения является оптимизация маршрутов. Алгоритмы обработки данных могут помочь найти оптимальные маршруты между двумя местами.
Мы можем применить такие алгоритмы к данным траектории руления. Вот результат оптимизации маршрута, который показывает оптимальный маршрут, а также неоптимальный маршрут между двумя местами в Порту — Museu de Cidade и Livrana Lello.
Поиск оптимального маршрута — это сочетание аналитики местоположения и аналитики графов. Местоположения — это узлы, а маршруты между узлами — это ребра. С помощью узлов и ребер можно построить граф и использовать различные алгоритмы графа или сети.
Одним из полезных графических или сетевых алгоритмов, который полезен для анализа маршрута, является алгоритм кратчайшего пути.
Краткое изложение используемых методов
- Аналитика местоположения: алгоритм Point-in-Polygon
- Графическая или сетевая аналитика: алгоритм кратчайшего пути
- Javascript: API карт Google
Заключение
Данные о местоположении находятся повсюду, и очень важно использовать возможности аналитики для преобразования этого мощного информационного ресурса в эффективные варианты использования.
Средняя подписка и реферальная ссылка
Пожалуйста, подпишитесь, чтобы быть в курсе, когда я публикую новую историю.
Вы также можете присоединиться к Medium по моей реферальной ссылке.
Дополнительные ресурсы
Веб-сайт
Вы можете посетить мой сайт, чтобы сделать аналитику с нулевым кодированием. https://experiencedatascience.com
YouTube канал
Вот ссылка на мой канал на YouTube
https://www.youtube.com/c/DataScienceDemonstrated
Ссылка на источник данных
Данные Airbnb — открытые данные:
Набор данных доступен для исследовательских целей
Данные Porto Taxi
Набор данных доступен для исследовательских целей
Морейра-Матиас, Л., Гама, Дж., Феррейра, М., Мендес-Морейра, Дж., Дамас, Л., «Прогнозирование спроса на такси и пассажиров с использованием потоковых данных». В: IEEE Transactions on Intelligent Transport Systems, том 14, № 3, стр. 1393–1402, сентябрь (2013 г.).
