文件名称:marta:亚特兰大公共交通的数据科学
文件大小:22KB
文件格式:ZIP
更新时间:2024-07-11 15:51:49
Python
玛尔塔 亚特兰大公共交通的数据科学 历史模型 要运行HistoricalModel.py,只需设置您想要并使用python运行的模拟量。 要分析的结果将在 results.csv 中,每个模拟的参数在 allparams.csv 中 HistoricalModel.py 的作用: 随机获取周数 k 作为训练数据,从 3 到 12。 生成随机查询的参数。 这包括获取: -stop id * 从文件 allStops.csv 中获取所有停靠点,并随机选择一个。 * 进入数据库并从 google_transit -route 随机时间获取所有可用信息(tripid,预定时间) * 我们再次查询数据库,因为它与 stop id -day of the week * 获取日期预定时间的一周。 -开始和结束日期 * 从日期开始,加上从 1) 获得的周数得到结束日期 -开始和结束时间 * 从预定时间
【文件预览】:
marta-master
----data_upload_scripts()
--------create_raw_json_table.sql(272B)
--------gps_data_split.sql(356B)
--------upload_google_transit.txt(1KB)
--------create_google_transit_tables.sql(1KB)
--------cleaning_query.sql(309B)
--------create_marta_gps_updates_table.sql(332B)
--------break_raw_data_to_json_objects_line.txt(143B)
--------upload_raw_json.txt(416B)
--------create_insert_gtfs_directions.sql(298B)
--------parse_insert_marta_gps_updates_table.sql(852B)
----data_preprocessing()
--------calculate_traffic_measure.sql(1KB)
--------create_google_transit_tables.sql(1KB)
--------find_stop_ids.sql(626B)
--------create_marta_gps_updates_table.sql(332B)
--------marta_Interpolating.ipynb(7KB)
--------select_final_set_for_processing_stop_based_sequences.sql(1KB)
--------.ipynb_checkpoints()
--------insert_interpolated_data_script.sh(239B)
--------parse_insert_marta_gps_updates_table.sql(852B)
--------create_interpolated_table.sql(156B)
----.gitignore(485B)
----exploratory analysis()
--------road_network_exploration.sql(1KB)
--------road_network_pg_routing_exploration.sql(220B)
--------euclidean_distances.sql(248B)
----README.md(2KB)
----historical_model()
--------getAllRealStops.py(1KB)
--------allStops.csv(4KB)
--------MyPyFunctions.py(7KB)
--------HistoricalModel.py(1KB)
--------extract_historical_data.sql(599B)
----.gitattributes(483B)