Du må være registrert og logget inn for å kunne legge ut innlegg på freak.no
X
LOGG INN
... eller du kan registrere deg nå
Dette nettstedet er avhengig av annonseinntekter for å holde driften og videre utvikling igang. Vi liker ikke reklame heller, men alternativene er ikke mange. Vær snill å vurder å slå av annonseblokkering, eller å abonnere på en reklamefri utgave av nettstedet.
  2 3267
Jeg vet ikke om jeg poster på feil forum nå, men jeg føler det er riktig siden dette i bunn og grunn er et logikk/mattematisk problem, og jeg kommer til å bruke Python til å finne en eventuell løsning. Uansett, problemet mitt er som følger:

Jeg har en gigantisk JSON fil, med data hentet fra Oslo Bysykkel sine nettsider. Her finner man data, angående hver eneste sykkeltur som har blitt gjort med deres systemer. Hvor sykkelturen startet, og hvor den sluttet (i henhold til fysiske stasjoner). Her er et eksempel på 1 av veeeeeldig mange entries i denne filen:

Kode

    {
      "start_station_id": 235, 
      "start_time": "2018-12-01 07:23:15 +0100",
      "end_station_id": 385,
      "end_time": "2018-12-01 07:30:08 +0100"
    }
Første linje er altså hvilken stasjon sykkelen ble plukket opp på, deretter har vi tidspunkt for når den ble plukket opp, etterfulgt av endestasjon samt tidspunkt for ankomst.

Er det i det hele tatt mulig, basert på denne historiske dataen alene, å utlede kapasiteten til hver stasjon på et vilkårlig tidspunkt. Foreksempel at jeg finner ut av hvor mange sykler som befant seg på stasjon 235, klokken 17:00 på 2018-12-01? Tips til hvordan jeg skal håndtere dette settes utrolig stor pris på!
Hvis du har en antagelse på hvor mange sykler som er parkert i stativene ved starten av en dag og ser bort ifra at syklene blir flyttet ved opphopning/påfylling iløpet av dagen så kan du komme frem til et tall ved å bare telle opp sykler som har kommet inn og trekke fra antaller sykler som drar ut.

Ser ut som du har for lite data til å kunne få et nøyaktig svar om antall parkerte, men du kan nok med høy sannsynlig vite hvor mange sykler som minst står parkert.
All the way up
kan hende du kan lage et brukbart forecast for kapasitet ved å bruke maskinlæring. Ville antagelig prøvd å bruke et lstm layer.
Sist endret av semis; 27. januar 2020 kl. 17:01.