task2:2021DCIC的baseline学习

说在前面：

因为突发情况，我的jupyter notebook说它服务器似乎挂掉了，尝试了很多种情况都无法解决，连换在pycharm上也不行。百度了说是GPC占内存多，但我查看了却不会。


六一前辈说配置一个新的编译环境，也尝试了许多次，在配置过程中一直出错，打卡还是要打的，问题也是还要解决的，再一次次跌倒再一次次爬起，所以下面我只能根据我前一次的运行结果，然后把自己优化的一点思路说一说而已。

上一次的思路

传送带
上一次是运用geohash库进行编码后进行经纬度匹配后统计某一区域不同时间的入流量和出流量并可视化，最后通过计算留存车辆和街道停车位总面积计算出密度就可以得出每条道路的潮汐情况，取出密度高的40个区域。

赛题任务二

根据Top40区域计算结果进一步设计高峰期共享单车潮汐点优化方案，通过主动引导停车用户到邻近停车点位停车，进行削峰填谷，缓解潮汐点停车位（如地铁口）的拥堵问题。
首先分为以下三步：
对停车点进行状态（潮汐情况）划分；
对停车点进行距离计算，并进行分类；
通过主动引导停车用户到邻近停车点位停车。
我们前面得到的密度和停车点进行统计可以发现并不是所有的车都听到了停车点，有一些车听到了距离停车点较远的距离；有一些停车点有潮汐现象，有的不存在潮汐现象；
运用knn计算，如果此停车点停满了，进一步我们也可以推荐其他停车点，所推荐的这个停车点并没有潮汐情况也跟上一个停满了的停车点的距离不远而且也不需要过马路。
所参考学习前辈的学习笔记链接

自己的一点小小思路

之前有想过可以运用推荐系统里面有一个协议过滤算法的知识来解决，心血来潮准备开干的时候，好家伙，我的jupyter它说它服务挂掉了…
后来，我就一直在抢救它，也许我能力还不够，到现在我写这一篇的时候我还是没有抢救过来，差点要重新卸载重装，不过我还是会继续抢救它。

还有一个优化是对上面knn进行优化，利用交叉验证和距离加权方法对knn进行改进
文献参考地址
唉没能实践，算了不写了，等我把我的jupyter notebook抢救回来，只有实践才能检验，没能实践，我说多了越会把我自己绕晕罢了。