Uber H3简单介绍

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( $\theta =(x-2)\ast 180$ ), 和顶点和为360计算出，$\frac{360}{y}=\frac{(x-2)\ast 180}{x}$ ，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_fig
   
file = './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'] += 1
    else:
        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)

# 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

参考：
https://www.biaodianfu.com/uber-h3.html

• 参考链接中部分脚本进行了修改