Ich arbeite mit AIS -Daten in Python und ich habe ein Problem ⇐ Python

[Anonymous]

Dieser nachstehende Code erstellt verschiedene Berechnungen und es funktioniert ziemlich gut, um die Daten innerhalb des Polygons zu filtern. Die meisten Daten sind jedoch nicht genau, da die Art und Weise, wie AIS funktioniert, eine eindeutige Track -ID zugewiesen wird und dem Schiff die Verfolgung von Daten in einer halben Sekunde oder etwas verfolgt. Ich arbeite an nach Süden bewegenden Schiffen und das Problem besteht darin, dass einige Schiffe zweimal über das Polygon passieren, und so werden sowohl der nach Norden fließende als auch der nach Süden fließende Daten verwendet, um die Gesamtzeit und die Gesamtentfernung zu berechnen, aber man kann nicht alle Nordeinträge herausfiltern, die im Datensatz, selbst wenn ein Schiff bewegt wird, bewegt sich nach dem Süden. Wellen. Wenn ein Schiffswellen nach Norden verdreht, kann das Einstieg. /> Hier ist der Code, ich bin neu in der Datenwissenschaft, so dass keine harten Urteile bitte. < /P>
bitte.

Code: Select all

    from shapely.geometry import Point, Polygon
import pandas as pd
from geopy.distance import geodesic

# Define the polygon (longitude, latitude)
polygon_coords = [
(3.816744, 51.343359),  # Top-left near pier
(3.8215, 51.3434),      # Top-right near pier
(3.821582, 51.331171),  # Bottom-right (southernmost point)
(3.819723, 51.331171),  # Bottom-left (southernmost point)
]

# Create a Polygon object
polygon = Polygon(polygon_coords)

# Filter dataset to keep only points inside the polygon
ais_end_south = ais_one_day[
ais_one_day.apply(
lambda row: polygon.contains(Point(row["longitude.value"],
row["latitude.value"])),
axis=1
)
].copy()

# Ensure timestamp is in datetime format
ais_end_south["timestamp"] = pd.to_datetime(ais_end_south["timestamp"],
errors="coerce")

# Sort by track_id and timestamp
ais_end_south = ais_end_south.sort_values(by=["track_id", "timestamp"])

# Compute next latitude, longitude, and timestamp
ais_end_south["next_lat"] = ais_end_south.groupby("track_id")
["latitude.value"].shift(-1)
ais_end_south["next_lon"] = ais_end_south.groupby("track_id")
["longitude.value"].shift(-1)
ais_end_south["next_timestamp"] = ais_end_south.groupby("track_id")
["timestamp"].shift(-1)

# Remove all northward movements
ais_end_south = ais_end_south[
ais_end_south["latitude.value"] > ais_end_south["next_lat"]
]

# Find the southernmost latitude within the polygon
southernmost_lat = min(p[1] for p in polygon_coords)

# Function to compute haversine distance
def haversine_distance(lat1, lon1, lat2, lon2):
if pd.notnull(lat1) and pd.notnull(lon1) and pd.notnull(lat2) and pd.notnull(lon2):
return geodesic((lat1, lon1), (lat2, lon2)).km
return 0

# Compute segment distance
ais_end_south["segment_distance_km"] = ais_end_south.apply(
lambda row: haversine_distance(row["latitude.value"], row["longitude.value"],
row["next_lat"], row["next_lon"]),
axis=1
)

# Compute time difference but stop tracking after the southernmost point
ais_end_south["time_diff_sec"] = ais_end_south.apply(
lambda row: (row["next_timestamp"] - row["timestamp"]).total_seconds()
if row["latitude.value"] > southernmost_lat else 0,
axis=1
)

# Compute total southward travel time (before reaching the southernmost point)
ais_end_south["total_time_min"] = ais_end_south.groupby("track_id")
["time_diff_sec"].transform("sum") / 60

# Compute total southward travel distance
ais_end_south["total_distance_km"] = ais_end_south.groupby("track_id")
["segment_distance_km"].transform("sum")

# Filter out any movements **after** the ship reaches the southernmost latitude
ais_end_south = ais_end_south[ais_end_south["latitude.value"] > southernmost_lat]

# Reset index
ais_end_south = ais_end_south.reset_index(drop=True)