Divvy Bike Sharing Data

本数据集包含了Divvy在芝加哥的自行车共享系统的使用数据，用于分析自行车租赁业务的增长、收入、支出、季节性变化等。

This dataset encompasses usage data from Divvy's bike-sharing system in Chicago, designed for analyzing the growth, revenue, expenditures, and seasonal variations of the bike rental business.

原始信息汇总

数据集概述

项目主题

• 分析芝加哥Divvy共享单车数据：该项目专注于分析芝加哥Divvy共享单车系统的开放数据集。

项目目标

• 业务动态分析：评估用户数量、骑行次数和收益的增长情况。
• 收入计算：根据网站描述的费率及估计的订阅者数量计算收入。
• 成本计算：考虑多个指标（如租赁区域成本、自行车移动成本等）计算成本。
• 季节性分析：研究骑行需求随星期、月份和时间的变化，以及其季节性变化。
• 自行车负载分析：计算为满足95%需求所需的可用自行车数量。
• 最受欢迎站点间距离计算：测量最受欢迎的站点对之间的直接距离。
• 自行车使用分析：分析每辆自行车在租赁中的使用情况和行驶距离。
• 站点地图标注：在芝加哥地图上标注站点位置。
• 站点摆动分析：识别具有摆动迁移模式的站点。

数据集描述

• 数据集来源：数据集来自Divvy共享单车系统的官方网站和GitHub仓库。
• 数据集文件：
  • 2013-2023_3_months.ipynb：比较2023年前三个月与其他年份的数据。
  • amount_of_rides_per_year.ipynb：计算每年骑行次数。
  • basic_statistic.ipynb：进行基本统计分析，包括用户类型、骑行时间、自行车类型等。
  • bicycle_losses.ipynb：计算丢失的自行车数量。
  • circularity_stations_analysis.ipynb：分析具有摆动迁移模式的站点。
  • costs_count.ipynb：评估项目成本。
  • distance_between_stations.ipynb：计算站点间的直接距离。
  • distance_per_bike.ipynb：分析每辆自行车每年的行驶距离和使用寿命。
  • full_price_calculation.ipynb：计算总收入。
  • gender-age.ipynb：分析用户性别和年龄分布。
  • getting_big_tables.ipynb：从下载的数据中获取完整的数据集。
  • load_model.ipynb：分析自行车负载，确定最繁忙的站点。
  • map_station.ipynb：在地图上分布站点。
  • members_procent_circularity.ipynb：估算基于摆动迁移站点的订阅者数量上限。
  • minute_2022.ipynb：评估2022年每分钟骑行的成本。
  • moving_bikes_model.ipynb：计算向过载站点移动自行车的最佳策略。
  • park_station.ipynb：估算基于公园站点的订阅者数量下限。
  • season_analysis.ipynb：分析骑行的季节性变化。
  • station_graphs.ipynb：在图表中检查站点ID类型相似性对连接的影响。
  • stations_statistic.ipynb：统计站点的绝对和平均容量及数量。

搜集汇总

数据集介绍

构建方式

Divvy Bike Sharing Data数据集是通过芝加哥市的自行车共享系统Divvy收集的。该系统通过遍布城市的自行车站点，记录每次自行车的租借和归还信息。数据采集过程自动化，涵盖了用户ID、租借时间、归还时间、起始站点和终点站等关键信息。这些数据经过清洗和整理，以确保其准确性和一致性，最终形成可供研究使用的结构化数据集。

特点

该数据集的特点在于其全面性和实时性。它不仅记录了自行车租借的基本信息，还包含了用户的匿名化数据，如性别、出生年份等，为研究城市交通模式、用户行为分析提供了丰富的数据支持。此外，数据集的更新频率高，能够反映最新的城市交通动态，为城市规划和管理提供实时参考。

使用方法

使用Divvy Bike Sharing Data数据集时，研究人员可以通过分析租借模式来优化自行车站点的布局和数量。此外，结合地理信息系统（GIS）技术，可以进一步研究城市交通流量和热点区域。数据集还可用于机器学习模型的训练，预测未来的租借需求，从而提升自行车共享系统的运营效率。

背景与挑战

背景概述

Divvy Bike Sharing Data数据集是由芝加哥交通部门推出的共享单车项目Divvy所收集的公开数据集，首次发布于2013年。该数据集记录了芝加哥市内共享单车的使用情况，包括骑行起点、终点、时间、用户类型等详细信息。其主要研究问题聚焦于城市交通模式的优化、共享单车系统的运营效率提升以及用户行为分析。该数据集为城市交通规划、智能交通系统设计以及共享经济模式的研究提供了宝贵的数据支持，推动了相关领域的学术进展和实践应用。

当前挑战

Divvy Bike Sharing Data数据集在解决城市交通模式分析与共享单车系统优化问题时，面临多重挑战。首先，数据的高维度与复杂性使得用户行为模式的分析和预测变得困难，尤其是在处理大规模时空数据时。其次，数据的不平衡性（如某些区域的骑行记录较少）可能导致模型训练的偏差。此外，数据采集过程中可能存在的噪声和缺失值也对数据质量提出了挑战。构建过程中，如何确保数据的实时性、完整性和隐私保护也是研究人员需要克服的重要问题。

常用场景

经典使用场景

Divvy Bike Sharing Data数据集广泛应用于城市交通规划和共享单车系统的优化研究中。通过对大量骑行数据的分析，研究人员能够深入理解用户的骑行模式、高峰时段以及热门路线，从而为城市交通管理提供科学依据。

实际应用

在实际应用中，Divvy Bike Sharing Data被用于城市交通管理部门制定政策、优化共享单车布局以及提升公共交通系统的整体效率。此外，企业也利用这些数据改进单车投放策略，提升运营效率。

衍生相关工作

基于Divvy Bike Sharing Data，许多经典研究工作得以展开，例如基于机器学习的骑行需求预测模型、共享单车调度优化算法以及城市交通流量分析工具。这些研究不仅推动了学术进展，也为实际应用提供了有力支持。