展开

关键词

010机场等出租车排队时我该选择排哪队?

车辆来的间隔时间为10个单位时间,即每10个单位时间来一辆空车,也是车辆比较密集的情况下,仿真模型运行1个小时后,可以看到在A区总共离开的车辆193辆,而在B区离开的车辆159辆。 车辆来的间隔时间为20个单位时间,即每20个单位时间来一辆空车,代表车辆来的稀稀拉拉,没有那么多空车的情况下,仿真模型运行1个小时后,可以看到在B区总共离开的车辆0辆,而在A区离开的车辆174辆。 由于每次来的车辆都很少,按照A区优先的原则,每次A区车辆都不满,也就是说空车每次都直接被A区吸收了,而B区机会接收到车辆。不言而喻,此种情况下,站队选择时,我选A队,因为站到B队就是绝望。 ? ? 如果把空出租车来的更密集一些,两辆车之间的间隔调为7个时间单元,仿真模型运行1小时候,可以看到在A区总共离开的车辆232辆,而在B区离开的车辆220辆。 仍旧将仿真模型运行1个小时,得到如下结果: ? ? 可以看到在A区总共离开的车辆166辆,而在B区离开的车辆68辆。站在A区排队和在B区排队时不言而喻,选择站在A区候车会更早的离开机场。

31620

价值忙碌

出租车司机的收入,主要由营业时间的长短决定。基本上,一天开12个小时,就是比开6个小时,收入高出一倍。每天只有24个小时,因此收入存在上限,不可能偏离平均水平很远。 出租车是“时间换收入”的典型行业,投入的时间越多,收入越高,在家休息就没收入。很多行业都属于“时间换收入”,所有此类行业都赚不到大钱。 开出租车赚零花钱,或者作为短期过渡,这是没问题的,但作为终身职业是很糟糕的。 我觉得,越来越多的程序员正在落入这个陷井,用编码的时间换取收入。只有不停地做项目,才能拿到钱。 项目做得越多,收入越高。 忙了好几年,项目完成了一大堆,但是自己什么也留下,以后的收入还要取决于从零开始的新项目。这样的话,你跟出租车司机何两样,哪一天你不写代码了,不是照样没收入。

23020
  • 广告
    关闭

    90+款云产品免费体验

    提供包括云服务器,云数据库在内的90+款云计算产品。打造一站式的云产品试用服务,助力开发者和企业零门槛上云。

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    出租车行业的一点了解

    出租车业务是每个城市必备的基础服务,出租司机也是很多人进入到一个新的城市接触到的第一批人。 为什么突然想到要写这样一个方向,也是和今天的一个小插曲有关。 早上赶着去车站,没想到虹桥车站和上海总站两个,两个车站都有高铁,司机也犯了难,让我确认一下。 工作时间主要都在12个小时以上居多。 ? 每周的工作时间是全勤居多,也就是几乎没有休息时间。 ? 3年以上体检过的60%以上,健康是个很严重的问题,说句不好听的,很多司机现在就是在拿命换钱。 ? 到了这里,我来简单说下我的想法,首先一个城市里面开出租的还是外地司机居多,本地司机我也接触过不少,从生活的要求品质上,差别还是很大的。 有的司机是24小时跑车,有的是一辆车两班倒,两班倒车的居多,听司机说,前段时间很多司机连续跑车猝死的情况还是很多的。

    15820

    如何用Python在笔记本电脑上分析100GB数据(上)

    纽约出租车数据集的行程距离直方图。 从上面的图表我们可以看出,运行次数随着距离的增加而减少。在大约100英里的距离上,分布一个很大的下降。 纽约10亿多次出租车运营持续时间的直方图。 从上面的图中我们可以看到95%的出租车旅行都不到30分钟就能到达目的地,尽管有些旅程可以花费4到5个小时。你能想象在纽约被困在出租车里超过3个小时吗? 不管怎样,让我们开诚布公,考虑一下总共持续不到3小时的所有行程: ? 现在让我们调查出租车的平均速度,同时也为数据限制选择一个合理的范围: ? 平均出租车速度的分布。 根据分布趋平的地方,我们可以推断出合理的出租车平均速度在每小时1到60英里之间,因此我们可以更新过滤后的DataFrame: ? 让我们把注意力转移到出租车运营成本上。 最后,在对数据进行了所有的初始清理之后,让我们看看还有多少出租车行程可供我们分析: ? 我们还有超过11亿次的行程!这些数据足以让我们对出租车行程一些有价值的见解。

    37020

    硅谷,职业Uber司机正在兴起

    在笔者待的时间最久的山景城,公共交通设施基本没有,街上很少看到Taxi,BUS虽然也是半个小时一班,一般一个站就一条线,并不方便。 Chung是一名保险理财经纪人,他一个菲律宾妻子,拥有一对双胞胎儿子和一个女儿。 Chung的汽车贴,他说,我不太愿意贴这个标识,因为“出租车司机讨厌我们,可能会有麻烦”。 Uber确实通过互联网真正颠覆了出租车行业,与出租车行业的博弈一直存在,美国甚至上演过出租车司机集体罢工抗议Uber的事件,一些地方政府已经开始阻止Uber,譬如Las Vegas,就无法叫到Uber, 倘若Uber在中国允许自由车辆接入,即通过互联网变相地让传统意义上的“黑车”合法化和规范化,对出租车行业的影响恐怕有过之无不及,中国出租车公司的份子钱可是出了名的高。

    37440

    深夜十点,北京各大互联网企业的下班高峰才刚开始?

    在上周五深夜,大厦依然热闹,停车场不断出租车、网约车进进出出。一位“的姐”坐在车里听广播,手机正运行着打车软件,她告诉记者:“我是头一次来这儿,就是听人家说,一到晚上尽是活儿,而且路还都不近呢。” 从知春路到上地十街的路上,虽然越来越远离城市中心区,但是车流却一点减少,到了百度大厦门前,给记者一种来到机场候机楼的错觉。大厦灯火辉煌,出租车在门前一字排开。 ? 马师傅透露,这些打车的年轻人打车都要票报销,但也不是每个公司的员工都打出租车。“一回在另一个互联网公司拉了一个姑娘,人家委婉地告诉我,别再去那里趴活了,拉不着活。 因为公司老板跟网约车平台合作,只报销网约车,不报销出租车。” 05 新浪 网易 百度科技园 坐标:西北旺东路 上周五晚11点50分 等候车辆:约50辆 “最晚拉过三四点下班的” ? 司机赵师傅说,只要在附近,不管多晚,他都会过来看看,“看灯呗,灯亮,就一定有人,可以等一会儿。有时候等半小时,有时候一个小时,但是活儿都是大活儿,值得。”

    40820

    城市计算:让我们憧憬明天的北京

    谁能告诉我在过去一个小时里面北京到底多少汽油被加,我相信这个问题可能没有人能回答我,有人说这个很像微软的面试题,实际可以通过一些方法来做,我们用装有GPS传感器的出租车,北京市场近6万多辆出租车,都装了传感器 我们要强调,我们是用出租车传感器去感知整个城市的友好,而不是说只是算出租车的友好,可以看到这四个图对比,上面两个是根据出租车的数据看出租车数量阅读图和出租车花的时间阅读图,跟下面整个城市花的时间和整个城市所有人去加油的数量是不一样的 ,还算城区的不算外面的,就是一个地方良,另外一个地方是污染,这还是平均值,最大的时候差300、500是可能的,因为受很多复杂因素的影响,受地面交通流量的影响,有车、车是不一样的,有没有厂矿,土地使用规划 但是为什么有时候我们看不出来区别,第一,可能要连续观察,第二,现在很多APP发布的数据是不负责任的,因为政府发布的数据是24小时平均的,政府公布的数据是24小时平均的浓度,就是这个小时的数据跟过去23小时数据加一块 这个给大家困扰,觉得政府公布的是假数据,其实并不是假数据,因为是跟过去一个小时的过去很好的天平均了,那就很好了,其实是把今天这个小时的数据跟昨天23小时的数据加在一块平均了。

    28260

    0.052秒打开100GB数据?这个Python开源库这样做数据分析

    它是一种几乎可以对任意大小的数据进行数据科学研究的更快、更安全、更方便的方法,只要数据集可以安装在你的笔记本电脑,台式机或服务器硬盘上。 ? 什么是Vaex? 纽约出租车数据行程距离直方图 从上图可以看出,出行次数随着距离的增加而减少。在距离约100英里处,分布明显下降。目前,我们将以此为起点,根据行程距离消除极端离群值: ? 纽约超过 10 亿次出租车行程耗费时间的直方图 从上面的图中可以看出,尽管有一些行程可能需要花费4至5个小时,但95%的出租车花费不到30分钟即可到达目的地。 你能想象在纽约市被困出租车中超过3个小时吗?无论如何,我们要保持开放的态度,并考虑所有花费时间少于3小时的行程: ? 现在,让我们研究出租车的平均速度,同时选择一个合理的数据范围: ? 出租车平均速度分布 根据分布趋平的位置,我们可以推断出在每小时1到60英里之间合理的平均滑行速度,因此可以更新筛选后的DataFrame: ? 将重点转移到出租车费用上。

    42320

    使用Python『秒开』100GB+数据!

    在本文中,我们将向你展示一种新的方法:一种更快、更安全、总体上更方便的方法,可以使用几乎任意大小的数据进行数据研究分析,只要它能够适用于笔记本电脑、台式机或服务器的硬盘驱动器。 Vaex ? 从上图我们可以看到,95% 的出租车行程花费不到30分钟到达目的地,尽管有些行程花费了4-5个小时。你能想象在纽约被困在出租车里超过3个小时的情景吗?考虑所有总共不超过3小时的行程: ? 根据分布趋平的地方,我们可以推断出合理的出租车平均速度在每小时1到60英里之间,因此我们可以更新过滤后的dataframe: ? 让我们把焦点转移到出租车的费用上。 出租车司机是一份相当灵活的工作。除了知道应该去哪里,如果让他们知道什么时候开车最赚钱也是很有用的。为了回答这个问题,让我们制作一个图表,显示每天和每小时的平均票价与行程的比率: ? trip_distance列描述出租车从上客点到下客点的距离。然而,人们经常可以选择不同的路线,在两个确切的上落地点之间不同的距离,例如为了避免交通堵塞或道路工程。

    53501

    如何使用 Python 分析笔记本电脑上的 100 GB 数据

    纽约 10 亿多次出租车出行持续时间的直方图 从上面的图中我们可以看到 95% 的出租车使用都不到 30 分钟就能到达目的地,尽管有些旅程可以花费 4 到 5 个小时。 你能想象在纽约被困在出租车里超过 3 个小时吗?不管怎样,让我们开诚布公,考虑一下总共持续不到 3 小时的所有旅行: ? 现在让我们研究出租车的平均速度,同时也为数据限制选择一个合理的范围: ? 出租车平均速度的分布 根据上图,我们可以推断出出租车平均速度在 1 到 60 英里每小时的范围内,因此我们可以更新过滤后的 DataFrame: ? 让我们把注意力转移到出租车旅行的成本上。 最后,在对所有数据进行初步清洗之后,让我们看看我们的分析多少出租车行程。 ? 我们还有 11 亿多次旅行!通过这样大量的数据,可以获得一些关于出租车旅行的宝贵见解。 每周每天和每天小时的平均小费百分比 上面的图很有趣。它告诉我们,乘客喜欢在早上 7 点到 10 点之间和在本周早些时候的晚上给出租车司机小费。

    32121

    爱了!0.052s 打开 100GB 数据,这个开源库火爆了!

    它是一种几乎可以对任意大小的数据进行数据科学研究的更快、更安全、更方便的方法,只要数据集可以安装在你的笔记本电脑,台式机或服务器硬盘上。 什么是Vaex? 纽约出租车数据行程距离直方图 从上图可以看出,出行次数随着距离的增加而减少。在距离约100英里处,分布明显下降。 好了,让我们来绘制行程耗费时间的分布: 纽约超过 10 亿次出租车行程耗费时间的直方图 从上面的图中可以看出,尽管有一些行程可能需要花费4至5个小时,但95%的出租车花费不到30分钟即可到达目的地。 你能想象在纽约市被困出租车中超过3个小时吗? 无论如何,我们要保持开放的态度,并考虑所有花费时间少于3小时的行程: 现在,让我们研究出租车的平均速度,同时选择一个合理的数据范围: 出租车平均速度分布 根据分布趋平的位置,我们可以推断出在每小时1

    9210

    Uber系统架构设计

    目标 实现优步核心出行体验 99.99%的可靠性(每年最多 1 小时的停机时间,每周最多 1 分钟,换句话说,每 10000 次运营一次只能出现 1 次故障) 代码库拆分成两部分:核心代码和可选代码。 Uber 使用一致性哈希环来扩展其 DISCO 服务器,从而在服务器之间有效分配负载,并自动检测集群中是否新节点被添加或是否节点从集群中移除,从而通过 SWIM/Gossip 协议重新分配工作负载。 服务器之间通过 RPC 进行通信。 在实现上,通过一个 Kafka 服务器集群来达成这个目的。 Web Sockets 在这种类型的应用程序中,客户端(包括乘客应用和司机应用)和服务器之间的通信可以通过 Web Sockets 来完成,从而可以保持客户端与服务器之间的长连接。

    6610

    Google Cloud现已支持Nvidia Tesla P4推理加速器

    为此,GPU支持Nvidia Grid,该公司的系统使服务器端图形对登录远程桌面的用户更具响应性。 ? 因为P4s8 GB的DDR5内存,并且可以每秒处理多达22个tera运算,对于整数操作来说,这些卡片可以处理几乎所有你输入进去的东西。 因为买一个会让你至少赚到2200美元,如果不是更多的话,按小时出租可能更好。 在Google Cloud上,如果你对运行可抢占的GPU感到满意,那么P4的标准价格为每小时0.60美元,每小时0.21美元。

    27120

    Waymo无人出租车年底发射,现已进入定价环节 | 公交部门竟成友军?

    照这样的说法,自动驾驶出行服务落地之后,公交系统可能会受到不小的打击—— 2017年,美国35座大都会里,31座的公交乘客数出现了下滑。 这是几小时前刚刚宣布的消息—— 下个月,Waymo就要在凤凰城启动一个专注“最后一英里”的项目了。 ? 用自动驾驶车,把人类送到公交站,轻轨站,火车站,和公交服务达成爱的互补。 下一步,把同样的服务拓展到公交系统的RideChoice (折扣的打车服务) 用户里面去。 无人出租车,能不能鼓励更多的人选择公交出行,这是合作双方都想知道的事。 毕竟,公交车票两美元 (约相当于北京出租起步价) ,而且错过一辆,下一班至少要半小时以后才来了。 我志愿,免费搭乘无人出租 也不知道,即将获得无人的士初体验的公交部门员工,会带着怎样一种复杂的心情。 但在他们之前,已经有人约Waymo无人出租一起出门了。 在凤凰城郊的小镇钱德勒 (Chandler) ,17岁的女高中生Kyla,就免费试乘过无人出租

    16600

    共享马扎、共享女友、共享卫生间……被网友玩坏的共享经济,不过是租赁而已

    面对那些家里没电脑或网的客户,凭二代身份证就可以用,每小时收费五元。不想玩了就下机,电脑可以继续给下一个客户用。循环利用,如果客户一次用一整夜,还可以优惠。 这绝对是目前空白的领域,不知道有没有人兴趣合作。” 贴吧网友回复: “你说的这个叫网吧,现在可以说是共享PC了”。 ? 2、网易用户表示: “最近想创建个共享电话亭有人投资吗? 3、电商大V龚文祥表示: “昨天我的仙桃老家亲戚带来家乡特产锅盔等,高铁几个小时到,还是热的(如果用顺丰从湖北仙桃到深圳,需要2天,满足不了需求)。 肯定有需求,共享捎带还是真正的共享经济(闲置资源利用,不像共享充电宝就是出租业务)。谁来做这个创业项目我来投资? 在滴滴之前,有成熟的出租车行业;在AirBnb之前,古老的酒店行业。出租车、酒店旅馆不是共享经济,而是租赁经济。滴滴、AirBnb们出现后,在传统租赁行业面前体现出强大的竞争力乃至破坏性。

    47340

    大数据应用--实时路况数据

    一般来说以下几种典型数据来源获取方法: 1、实时路况数据最主要的收集方式,还是浮动车。这个浮动车包括出租车、长途客车、物流车辆等等,其中主力就是在城市市区里活动的出租车。 举个例子,比如北京几万辆出租车,同时在某个路段行驶的车30辆,当这30辆车反馈的数据显示,由南到北方向,车速只有不到10公里/小时,那就说明这个路段此时发生拥堵。 有车友说,我叫个真,如果30辆车里10辆车速40公里/小时20辆车速10公里/小时,这种情况算是畅通还是拥堵呢?处理中心会有一套算法,来根据几率、历史记录等多种状况综合分析,最终给出一个判断。 北京、上海这些大城市的实时路况数据要比其他城市的更为准确,原因就是大城市出租车的数量多,统计也更为精准。 通过用户自行上报或是收集用户位置信息方式获取所需数据,‍如路况、导航软件等在运动过程中定时将自己的位置、速度、方向等信息发送到数据处理中心,这样每个终端就是一个浮动车,当用户量的达到一定程度时,就能计算出一个区域或道路的路况,数量比出租车要大很多

    95970

    怎样缓解机场“交通难”?这有一套大数据“治愈法”

    通过该模型,能够预测什么时间、什么地方更多的乘客需要搭乘公共交通去机场。从而可以帮助有关部门调整优化机场公共交通资源的配置与规划。 在数据的整合方面,我们是按小时对以上数据进行合计,并与空气质量、雨量等外部数据关联,行成需求模型的输入数据表。 ? 到了建模环节,我们则是用时间序列分析,预测机场每小时旅客人数。 ▍可视化方案以及模型原型的测试结果 了模型,当然也少不了可视化。 左边的2张图是出租车数据的可视化结果。左上的图展示了不同星期每小时从浦东机场出发的出租车的终点分布,颜色深浅度代表行程用时长短。 左下图展示了不同星期每小时前往浦东机场的出租车的上车地点的分布,颜色深浅度代表行程用时长短,密度代表不同地理位置的用车人数。

    94400

    怎样缓解机场“交通难”?这有一套大数据“治愈法”

    通过该模型,能够预测什么时间、什么地方更多的乘客需要搭乘公共交通去机场。从而可以帮助有关部门调整优化机场公共交通资源的配置与规划。 在数据的整合方面,我们是按小时对以上数据进行合计,并与空气质量、雨量等外部数据关联,行成需求模型的输入数据表。 到了建模环节,我们则是用时间序列分析,预测机场每小时旅客人数。 ▍可视化方案以及模型原型的测试结果 了模型,当然也少不了可视化。 下面来看看我们的模型原型的一些测试结果: 左边的2张图是出租车数据的可视化结果。左上的图展示了不同星期每小时从浦东机场出发的出租车的终点分布,颜色深浅度代表行程用时长短。 左下图展示了不同星期每小时前往浦东机场的出租车的上车地点的分布,颜色深浅度代表行程用时长短,密度代表不同地理位置的用车人数。

    413100

    扫码关注腾讯云开发者

    领取腾讯云代金券