Uber H3简单介绍_综合

一、什么是H3？

将地球空间划分成可是识别的单元。将经纬度H3编码成六边形的网格索引。

二、为什么用H3？

2.1 GEOHASH存在一些不足

不同精度下网格的形状不一且精度的变化幅度时小时大
在不同维度的地区会出现地理单元单位面积差异较大的情况
存在8邻域到中心网格的距离不相等问题

2.2 H3的映射原理简述

基于正多边形内角和公式( $\theta=(x-2)*180$ ), 和顶点和为360计算出， $\frac{360}{y} = \frac{(x-2)*180}{x}$ ，所有y(正多边形个数), x的组合
六边形因为边数最多，最接近圆，所以理论上来说在某些场景下是最优的选择。H3干脆摒弃传统的地图投影，直接在地球上铺满六边形。采用多层网格映射

三、H3的主要应用是什么？

优化乘车价格和调度(动态定价)
地图空间数据可视化和挖掘
用于整个市场的分析和优化

四、Uber H3实战：英国交通事故点聚类

脚本在notebook里运行即可

import numpy as np
import pandas as pd
import folium
from h3 import h3
from sklearn.cluster import DBSCAN
from folium.plugins import HeatMap
def creat_map(cluster):map_fig = folium.Map(zoom_start=12)def color_choose(cnt):color_list = ['#FFC1C1', '#EEB4B4', '#FF6A6A', '#EE6363', '#CD5555', '#8B3A3A']if cnt <= 14:return color_list[0]elif cnt <= 17:return color_list[1]elif cnt <= 21:return color_list[2]    elif cnt <= 25:return color_list[3]   elif cnt <= 30:return color_list[4]   else:return color_list[5]  for cluster in cluster.values():points = cluster['geom']ac_cnt = cluster['count']tooltip = f'{
      ac_cnt} accidents'map_fig.add_child(folium.vector_layers.Polygon(locations=points,tooltip=tooltip,fill=True,fill_color='#ff0000',fill_opacity=0.4,weight=2,opacity=0.7))# 边界设置max_lat = df.Latitude.max()min_lat = df.Latitude.min()max_lon = df.Longitude.max()min_lon = df.Longitude.min()map_fig.fit_bounds([[min_lat, min_lon], [max_lat, max_lon]])return map_figfile = './dftRoadSafety_Accidents_2016.csv'
column_types = {
    'Accident_Index': np.string_, 'LSOA_of_Accident_Location': np.string_}
uk_acc = pd.read_csv(file, dtype=column_types)# 将经纬度转换成H3s
global H3_LEVEL
H3_LEVEL = 7
def lat_lng_2_h3(row):return h3.geo_to_h3(row['Latitude'], row['Longitude'], H3_LEVEL)
uk_acc['h3'] = uk_acc.apply(lat_lng_2_h3, axis=1)
# DBSCAN 聚类
## 角度 -> 弧度 1 * np.pi / 180
uk_acc['rad_lng'] = np.radians(uk_acc['Longitude'].values)
uk_acc['rad_lat'] = np.radians(uk_acc['Latitude'].values)
eps_in_meter = 50.0
EARTH_R = 6370996.8 # 地球半径
dbscan = DBSCAN(eps=eps_in_meter/EARTH_R, min_samples=10, metric='haversine')
uk_acc = uk_acc.loc[~uk_acc['rad_lat'].isna(), :].reset_index(drop=True)
uk_acc['cluster'] = dbscan.fit_predict(uk_acc[['rad_lat', 'rad_lng']])
df = uk_acc[(uk_acc.cluster != -1)].reset_index(drop=True).copy()
uk_acc['cluster'].value_counts()# 绘制聚合后的数据
clusters = dict()
for idx, row in df.iterrows():key = row['h3']if key in clusters:clusters[key]['count'] += 1else:clusters[key] = {
    'count' : 1, 'geom': h3.h3_to_geo_boundary(h=key)}
relevat_clusters = {
    k : v for (k, v) in clusters.items() if v['count'] >= 10
}
creat_map(relevat_clusters)

在这里插入图片描述

# 热力图
from folium.plugins import HeatMap
map_hooray = folium.Map(location=df.loc[0,  ['Latitude', 'Longitude']].tolist(), zoom_start=14)
HeatMap(df[['Latitude', 'Longitude']]).add_to(map_hooray)
for idx in range(df.shape[0]):folium.Marker(df.loc[idx, ['Latitude', 'Longitude']].tolist(),tooltip=df.loc[idx,  'cluster'].tolist()).add_to(map_hooray)
map_hooray