esri笔记

GIS

---

GeoEvent Connector可以连接数据库，网络资源（URL来访问），Sensor和GPS

JS API 中的streamLayer是利用webSocket来 实现客户端和服务器端的双向通讯(ws协议)，而不同于传统的http协议（GET/POST)。 http协议中的操作也可以采用设定间隔时间来实现定时访问资源，这样实现的效果与ws的差别在哪儿？？(知乎上的解释)

arcgis影像开发（js）

这个主题中涉及到客户端和服务器端的交互，分为服务器端处理（ServerSide）和客户端处理（ClientSide）方式。服务器端处理是比较传统的处理方式，矢量数据存储于服务器数据库中，或者通过gis服务器发布为服务。

矢量切片

服务器提供地图矢量数据，以及地图的渲染风格属性信息，这样客户端就可以将地图渲染出来。客户端根据瓦片的位置以及比例尺向服务器请求矢量切片。每个矢量切片都包含多个数据集，一个数据集相当于一个图层，每个数据集都包含了多个要素，包括点、线、面和文本要素

OD Matrix 塞内加尔数据

Set3中包含用户每次通话所在的区县ID，高松前辈的py模块 generateODMatrixInput首先创建了123*123的矩阵。

 #initiate the variables
    line = fr.readline()
    data=line.split(",")
    userID=int(data[0])
    tazID_ori=int(data[2])
    date=data[1].split(" ")[0]
    timestamp=data[1].split(" ")[1]
    #timestamp=time.strptime(timestamp,"%H:%M:%S")
    print date, timestamp
    #再读一行，比较与最开始的记录差异。
    line = fr.readline()
        if len(line) == 0: 
            break
        data=line.split(",")
        currentDate=data[1].split(" ")[0]
        #如果还是同一个用户，并且同一天。
        #同一个用户一天内在不同区县通话，对应的矩阵值 +1
        if int(data[0])==userID and currentDate==date:
            tazID_des=int(data[2])
            if tazID_ori!=tazID_des:
                fMatrix[tazID_ori-1][tazID_des-1]=1+fMatrix[tazID_ori-1][tazID_des-1]
                tazID_ori=tazID_des
        else:
            userID=int(data[0])
            tazID_ori=int(data[2])
            date=data[1].split(" ")[0]
    #输出行列号，如果有用户通话的 区县对（pairs）输出对应的区县ID
    for gao in range(numberTAZs):
        for song in range(numberTAZs):
            Flow=fMatrix[gao][song]
            if Flow > 0:
                fw.write(str(gao+1)+','+str(song+1)+','+str(Flow)+'\n')
    for gao in range(numberTAZs):
        for song in range(numberTAZs):
            if gao < song:
                undirectedFlow=fMatrix[gao][song]+fMatrix[song][gao]
                if undirectedFlow > 0:
                    fw2.write(str(gao+1)+'\t'+str(song+1)+'\t'+str(undirectedFlow)+'\n')
                    ##OD矩阵输出后，一行有三个元素。表示这两个区县之间的通话记录数量。可以认为是这两个区县间人口流动通量

AFC（Auto Fare Collection） with fields like smart card ID, onboard time, and fares.这个数据连同 公交 GPS轨迹数据 可用于探测 个人出行行为，公交线路规划等。 识别bus stop ,下客点等信息。
参赛队伍可以获得几类数据，Bus GPS以及 AFC 还有 geojson格式的路网数据。以及2个训练数据集（公交站点和 下客点 ）

北京出租车数据处理

05/29：准备将一部分csv文件合并到一起，加入ArcMap中空间化，通过taxiID，载客状态，速度，时间！等字段筛选，获得多维度的信息，包括不同时间段载客和空载出租车的数量，特殊时间段出租车数量的区域分异（识别城市功能区），低速路段的识别，上下客热点区域识别。
针对以上结果，分析原因，进一步挖掘目前交通系统 和 居民行为之间的联系，或者某些有趣的现象！

06/05:目前的处理结果

taxi点数据每分钟都有一份，目前选择了2012年11月1日18：30的数据以及 18-19时的融合数据进行格网化（格网范围覆盖北京市中心以及机场和各大交通枢纽，60*60KM，格网大小500*500m），灯光日数据空间分辨率约为770米，重采样到500*500，和格网的大小统一。

数据处理主要包括结合灯光数据，出租车数据，寻找二者的联系与区别，发现的问题如下：

• 出租车轨迹数据生成的格网数据（fishnet）因为和道路有很强的空间关系，所以并不能较好地反映城市中居民的空间活动。
• 出租车轨迹点通过核密度（kernel density）计算产生的栅格比格网数据更平滑（分别设定了2KM和5KM 的搜索半径）。和夜间灯光拟合效果并不好（包括多项式模型和对数模型也无法取得比较好的拟合效果），出租车轨迹点并完整地表征居民的活动，例如在机场、郊区等地，有居民活动，但出租车轨迹点少得多。两组数据并没有显著相关性。

借鉴遥感数据的波段合成，把出租车轨迹点生成的核密度栅格作为G波段，灯光数据作为B波段，一个常数栅格作为R波段。绿色越亮的地方表示出租车越密集，蓝色越亮的地方表示灯光越密集而出租车较少。

叠合landsat8 一个波段数据.右上角是首都机场

未来一段时间：看到一篇关于公交车智能刷卡数据分析的综述，结合刘瑜老师的论文，准备继续统计分析一天每半小时和一周七天的数据，挖掘时间序列上出租车速度特征变化、高峰段和非高峰时段出租车的空间分异（识别城市功能区），低速路段的提取。
也可以从更微观的角度跟踪研究一定数量的出租车样本，计算交通GIS中常用的特征值（例如OD矩阵），看能否挖掘出更精确的信息和规律。

06/09 新的进展：
备注：weekendLoaded （黄色实线）折线是周六（2012/11/03）的载客出租车在不同时段的平均速度，LoadNum （橙色虚线）表示周六的载客出租数量 随时间的变化，loaded（蓝色实线）是工作日（周四2012/11/01）载客出租车不同时段的平均速度。