解析滴滴算法大赛---数据分析过程
目的和意义
很难有机会接触这么多的实际真实数据。 通过对于这些数据的分析,初步了解大数据的处理方式。 进一步掌握MongoDB的特性,熟练Excel的高级用法。 这里只是做分析,不提供源代码,毕竟是一个比赛。 这里只是做分析,不提供源代码,我也无意开发一个完整的程序。
题目分析(含数据源)
http://research.xiaojukeji.com/competition/detail.action?competitionId=DiTech2016
构建一个模型,根据天气,交通,区域里面的各种设施,以往历史数据,预测未来的某个时间点,某个区域里,打车需求的缺口。整个算法其实就是一个有监督的机器学习的过程。
数据整理
(5月20日版本)下载后的整个压缩数据包575M,其中包括的订单数据大约900万条。(其他Master表数据量很小,这里忽略不计) 使用MongoDB存储的话,大概使用2GB的空间,全部导入之后,工作用计算机十分卡顿。MongoCola管理软件失去响应。所以,这里的订单按照日期导入。(训练的时候,按照天来训练) 注意:官方的订单数据的 订单号 OrderID是主键重复的。这里以第一次出现的订单号的数据为准。 官方对于重复订单的解释:
- Q: 在order info 中重复出现的数据应如何处理? A: 数据重复是因为同一个用户可能在一个10分钟片同一个地区发单被多次应答,但是这样的情况并不多,影响并不大。为了简化问题,重复的订单不需要去重,直接计入到缺口的计算中。
关于订单的目标区域HashCode,这里发现一部分数据是无法找到的,可能是跨区域的。 (全部订单:498789 ,目的地可以找到:406138,跨区域:92651)
由于数据量非常庞大,所以这里建议将中间的计算结果也放入数据库中备用。
订单数据整理
订单数据整理,主要是整理出各个时段,各个地域的订单数据。
- 时间段
- 地域编号
- 需求数
- 缺口
- 缺口比例
数据整理尽量使用LINQ进行处理,MONGODB查询是消耗时间的!!!,这里数据库只是用作数据的存储不做计算
private void btnImportDB_Click(object sender, EventArgs e)
{
string rootFolder = txtRootDir.Text;
//Order: Root + "order_data"
foreach (var filename in Directory.GetFiles(rootFolder + "\order_data"))
{
if (!filename.Contains("._"))
{
string strDate = filename.Substring(filename.LastIndexOf("_") + 1);
var colname = "Order_" + strDate;
Database.Clear(colname);
var orderlist = new List<Order>();
var read = new StreamReader(filename);
while (!read.EndOfStream)
{
var o = Order.Gernerate(read.ReadLine());
orderlist.Add(o);
}
orderlist = orderlist.Distinct(x => x.order_id).ToList();
Database.InsertRecBatch(orderlist, colname);
var orderGaplist = new List<OrderGap>();
Database.Clear("OrderGap_" + strDate);
for (int time = 1; time < 144 + 1; time++)
{
for (int area = 1; area < 66 + 1; area++)
{
var m = new OrderGap() { DistrictId = area,TimeSlient = time};
m.Total = orderlist.Count((x) => { return x.DistrictID == area && x.TimeSlient == time; });
m.Gap = orderlist.Count((x) => { return x.DistrictID == area && x.TimeSlient == time && x.driver_id == "NULL" ; });
m.GapPercent = m.Total == 0 ? 0 : Math.Round(((double)m.Gap / m.Total) * 100, 2);
orderGaplist.Add(m);
}
}
Database.InsertRecBatch(orderGaplist, "OrderGap_" + strDate);
//暂时只分析一天数据
break;
}
}
}
利用Excel,可视化数据
2016-01-01 分时图
以下是2016-01-01的数据分析。蓝色的是GAP缺口数,红色的是Total数。 一天24个小时整体需求分布可以看个大概了。 PS 区域1 :占整体的5.1%订单量,有一定的参考价值
区域51 :占整体的22.5%订单量,有一定的参考价值
整体上看,所有区域的分时图 2016-01-01的数据图:
这里看到,整个24小时分布极不均衡。考虑到 01-01 是一个特殊的日子,大家为了跨年而在零点之后选择打车也是可以理解的。
2016-01-02 分时图
同样的51区域,2016-01-02的情况则比较正常,整体的高峰出现在夜间16:50 - 17:20(评价订单850) 左右。21:10,22:00也是两个小高峰(平均订单720)。
各项指标分析
起始区域差距
以下数据为2016-01-01的数据统计
整体有效订单数:498789(订单ID去重复) 66个区域的订单分布是极其不均衡的.
MAX |
MIN |
AVG |
---|---|---|
112023 |
71 |
7557.4 |
排名后33位的,总共只有整体的4.37%的订单 排名前5位的,总共只有整体的50.87%的订单
起始区域POI整体数目和订单数关系
我们将POI总数/30 和订单数一起放到柱状图中发现,POI总数和订单数应该有一些联系。 一个区域POI数越多说明这个地区越是繁华,从这里打车的需求就越多。
POI子项目和订单关系
滴滴打车的POI分为了25个分类,我们选取了 2016-01-01 对于POI的分类和订单之间的关系也作了研究。 按照实际来说,例如有100家KTV,则每家KTV为贡献一些订单。同理,如果是饭店,每家饭店也会贡献一些订单。 这里的图表示了各个POI分类的数量和总体订单的关系。
- 如果有0100家N类POI,整体订单是100,则比率是01。
- 如果有1000家N类POI,整体订单是100,则比率是10,
- 如果有0010家N类POI,整体订单是100,则比率是0.1。 这个比率越小表示该POI分类对于可能对于整体贡献越大。当然,如果该分类表示一些极为特殊的设施,例如市政府,则不在考虑之内。 所以这里需要过滤掉POI数量过小的情况。 (注意:这里为0的意思是没有该类别的POI。分子为0)
- Q:为什么在POI信息表中有的类别没有用#区分? A:不是所有设施级关系都是a#b:xx的格式,有的设施只有一级,而有的设施甚至有三级,#号只是表示分割层级的关系,如果是设施只有一级则为a:xx,而如果是2级则是a#b:xx,如果是3级则是a#b#c:xx,依次类推。
- Q: 关于POI数据的分类一共分多少1级类目,多少2级类目,且是否有类目示意的对照表? A: 这个问题的答案都在数据中,参赛者可以自行统计。类目对应信息其实不是很重要,重要的是分析其和目标的关联程度。
天气和订单的关系
天气数据库是里面的数据分为PM2.5的值。天气状态编码(编码和实际对应关系未知),以及温度情况。 按照道理来说,如果天气越差,则打车的需求就越旺盛。 下面我们来分析一下天气和订单的关系。 选择 2016-01-03作为分析对象。 天气数据每个时间片测试两次,为了方便观察,我们选择第一次测试结果作为考察对象。
当天全时段的PM2.5和温度分时图
天气类型编号和天气描述,请参见 滴滴算法大赛算法解决过程 - 机器学习
当天的全区域的订单情况分时图
从一天的时间看,在不明确天气类型的时候,PM2.5和温度对于整体的影响很难看到直接关联的证据。
关于WeekDay
我们考察最繁华的51区域,周一到周日对于订单量的关系。 这里观察到并没有什么规律可循
第05区域也是这样的。
交通和订单的关系
这里的交通数据是每个区域里面,不同拥挤状况的道路条数。 2016-01-07 #51 区域分时拥堵状态图 (0:10 -23:50 143个数据)
大部分情况下,Level1的道路条数占据了绝大多数。(LV4最拥堵)
看一下Level4 #51区域的情况
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- c语言调用go封装的动态库步骤及减小体积包的方法
- 深入理解JavaScript闭包之闭包的使用场景
- Spring Boot 到底是个啥?
- Spring Boot 整合 Thymeleaf
- webapp打包为Android的apk包的一种方法
- Android应用之Hybird混合开发,集成web页面的方法尝试
- Spring Boot 通过 XML 的方式整合 MyBatis
- layUI登录界面验证码功能模块儿封装
- go语言微信公众号开发后台接口封装
- 【DB宝14】在Docker中只需2步即可拥有Oracle 11g企业版环境(11.2.0.4)
- 别忘了给gcc编译器工具链加上-fno-common选项
- 轻量安全的部署方案
- 算法集锦(34) | 强化学习| 出租车载客问题
- 前端测试题:(解析)关于ajax跨域的说法,下面错误的是?
- 什么才是定制化 IDE 的核心价值?