Interaktive Visualisierung, die Stationen im Bluebikes-Netzwerk von Boston mit ihrem durchschnittlichen Nettofluss, der geschätzten Dockfülle und der Nettoreiserichtung als Funktion der Zeit zeigt: https://thomashikaru.github.io/bluebike-traffic-map/
Daten: öffentlich zugängliche, anonymisierte Bluebikes-Fahrerdaten https://bluebikes.com/system-data
Tools: Python, Pandas, Numpy, Leaflet, Chart.js.
Hinweise:
- Anhand der Zeiten, zu denen die Docks voll oder leer sind, können Sie deutlich erkennen, welche Viertel Gewerbe- oder Wohnviertel sind. Die Folien 2 und 3 zeigen Beispiele dafür "Tagsüber voll" vs. "tagsüber leer" Docks.
- Wochenendmuster sehen erwartungsgemäß ganz anders aus als Wochentagsmuster.
- Die Daten werden über ein ganzes Jahr gemittelt, aber die Fahrgastmuster variieren stark zwischen dem Winter und den wärmeren Monaten, sodass ich sie in Zukunft möglicherweise nach Jahreszeiten aufschlüsseln werde.
- Ich würde auch gerne versuchen, Anomalien in den Fahrgastdaten zu nutzen "entdecken" die Termine von Großveranstaltungen wie Festivals, Sportveranstaltungen usw.
Lassen Sie mich wissen, wenn Sie Feedback haben oder bestimmte Erkenntnisse aus diesen Daten gewinnen möchten. Nur zu Ihrer Information: CitiBikes in NYC verfügt auch über öffentliche Daten: https://citibikenyc.com/system-data
Von thomashikaru
2 Kommentare
Ah the kendall weekday post-work bike desert, love to see it. Does the data just have ride arrivals, or does it have the van drop-offs of bikes too?
Now, overlay a grid based on the mean distance between stations as a proxy for walking distance to any given station, and aggregate ridership in each grid cell at each time point , and run a LISA or other cluster detection/PPA to identify low and high outlier cells at each time point. That would help in identifying areas that are consistently underserved or areas with consistently high ridership, either of which could benefit from additional stations or bikes in the vicinity.