در این مطلب، ویدئو ArcGIS API برای پایتون: تحلیلگران و علم داده با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 1:02:55
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,589 –> 00:00:03,179
سلام به همه، این صحبتی است در مورد
2
00:00:03,179 –> 00:00:05,430
jsap ما از یک پایتون برای تحلیلگران و
3
00:00:05,430 –> 00:00:07,740
دانشمندان داده. من پول خود را می گیرم و
4
00:00:07,740 –> 00:00:09,809
مهندس اصلی محصول برای Python API و
5
00:00:09,809 –> 00:00:13,490
امروز اندرو چایکوفسکی به من ملحق می شود
6
00:00:13,490 –> 00:00:16,079
قبل از شروع، بیایید یک جمع بندی
7
00:00:16,079 –> 00:00:19,020
سریع درباره آنچه انجام دهیم Python API یک API است که
8
00:00:19,020 –> 00:00:21,390
می تواند چندین کار را انجام دهد، کارهایی
9
00:00:21,390 –> 00:00:23,369
مانند شما می توانید از آن برای خودکارسازی
10
00:00:23,369 –> 00:00:26,039
مدیریت GIS
11
00:00:26,039 –> 00:00:28,980
12
00:00:28,980 –> 00:00:31,859
13
00:00:31,859 –> 00:00:34,110
خود استفاده کنید.
14
00:00:34,110 –> 00:00:36,719
همچنین میتوانید از آن برای مدیریت و
15
00:00:36,719 –> 00:00:39,540
خودکارسازی محتوا در GIS خود استفاده کنید،
16
00:00:39,540 –> 00:00:41,100
مانند انتشار لایهها، انتشار نقشههای وب،
17
00:00:41,100 –> 00:00:42,960
شبیهسازی از یک سازمان به سازمان
18
00:00:42,960 –> 00:00:45,719
دیگر، سپس میتوانید از آن برای
19
00:00:45,719 –> 00:00:48,480
انجام تجزیه و
20
00:00:48,480 –> 00:00:50,989
21
00:00:50,989 –> 00:00:53,610
تحلیل فضایی استفاده کنید. به عنوان
22
00:00:53,610 –> 00:00:55,199
ابزار تجزیه و تحلیل فضایی و ابزار تجزیه و
23
00:00:55,199 –> 00:00:56,699
تحلیل تصاویر بر روی داده های شما که
24
00:00:56,699 –> 00:00:59,190
در یک وب GIS ذخیره شده است، بنابراین این بحث در
25
00:00:59,190 –> 00:01:00,660
درجه اول بر روی
26
00:01:00,660 –> 00:01:02,460
آخرین بخش که انجام فضایی است متمرکز است.
27
00:01:02,460 –> 00:01:04,949
تجزیه و تحلیل یا علم داده با استفاده از
28
00:01:04,949 –> 00:01:07,830
Python API همانطور که می دانید Python API به
29
00:01:07,830 –> 00:01:09,689
گونه ای طراحی شده است که بر خلاف GIS وب شما کار کند،
30
00:01:09,689 –> 00:01:12,450
اما شما همچنین می توانید از مجموعه داده های محلی استفاده کنید
31
00:01:12,450 –> 00:01:14,700
بسیاری از صحبت های امروز ما
32
00:01:14,700 –> 00:01:16,560
در مورد چگونگی اجرای تجزیه و تحلیل
33
00:01:16,560 –> 00:01:18,390
در برابر داده های خود است. در GIS پشتی شما ذخیره میشود،
34
00:01:18,390 –> 00:01:21,390
اما دادهها را از
35
00:01:21,390 –> 00:01:23,670
سیستم فایل محلی شما نیز میخواند و سپس نتایج را تجزیه و تحلیل کرده و
36
00:01:23,670 –> 00:01:27,330
به GIS خود بازگردانید
37
00:01:27,330 –> 00:01:29,670
تا شروع
38
00:01:29,670 –> 00:01:31,409
39
00:01:31,409 –> 00:01:33,990
کنید. یا
40
00:01:33,990 –> 00:01:36,450
تجزیه و تحلیل ویژگی، ما کمی
41
00:01:36,450 –> 00:01:39,540
نسخه ی نمایشی انجام می دهیم، یک مثال از یافتن
42
00:01:39,540 –> 00:01:41,880
مکان های مناسب برای استناد به ایستگاه های اتوبوس جدید، ما
43
00:01:41,880 –> 00:01:43,680
به نحوه انجام ژئوکدینگ نگاه می کنیم
44
00:01:43,680 –> 00:01:46,320
چگونه می توانید تجزیه و تحلیل شبکه را انجام دهید.
45
00:01:46,320 –> 00:01:48,540
46
00:01:48,540 –> 00:01:51,390
داده های یک
47
00:01:51,390 –> 00:01:54,509
مثال مناسب دیگر در اینجا و سپس
48
00:01:54,509 –> 00:01:56,340
نحوه ادغام با ابزارهای شخص ثالث
49
00:01:56,340 –> 00:01:58,829
منظور ما از این است که چگونه می
50
00:01:58,829 –> 00:02:01,860
توانیم با کتابخانه های علمی تجزیه و تحلیل Python
51
00:02:01,860 –> 00:02:03,540
و یک اکوسیستم علمی Python کار کنیم.
52
00:02:03,540 –> 00:02:07,469
m و سپس نتیجه می گیریم، بنابراین برای
53
00:02:07,469 –> 00:02:09,899
شروع آن، آن را
54
00:02:09,899 –> 00:02:12,510
به همکارم اندرو چایکوفسکی می سپارم،
55
00:02:12,510 –> 00:02:15,099
سلام، متشکرم، بسیار خوب، بنابراین اکنون ما
56
00:02:15,099 –> 00:02:17,409
ابتدا روی تجزیه و تحلیل ویژگی تمرکز می کنیم و
57
00:02:17,409 –> 00:02:20,099
اجازه دهید جلوتر برویم و به آن نگاهی بیندازیم.
58
00:02:20,099 –> 00:02:22,359
برای انجام تجزیه و تحلیل ویژگی های خود،
59
00:02:22,359 –> 00:02:25,269
از ArcGIS API برای Python و
60
00:02:25,269 –> 00:02:27,400
RTS API برای Python مجموعه ای از
61
00:02:27,400 –> 00:02:29,620
ماژول ها و ویجت ها است که می توانید
62
00:02:29,620 –> 00:02:31,299
هم در محیط نوت بوک Jupiter
63
00:02:31,299 –> 00:02:32,980
استفاده کنید که در عرض یک دقیقه
64
00:02:32,980 –> 00:02:36,129
یا از IDE شما به آنالیز انجام دهید این
65
00:02:36,129 –> 00:02:38,290
مکمل است و به خوبی
66
00:02:38,290 –> 00:02:42,280
با PI ما و سایر ماژولهای شخص ثالث کار میکند
67
00:02:42,280 –> 00:02:45,730
، برنامههایی برای انجام دو
68
00:02:45,730 –> 00:02:48,700
عملیات هندسه غنیسازی
69
00:02:48,700 –> 00:02:51,700
شبکهسازی و تجزیه و تحلیل جغرافیایی وجود دارد
70
00:02:51,700 –> 00:02:54,970
71
00:02:54,970 –> 00:02:58,719
72
00:02:58,719 –> 00:03:00,430
. در حالی که به جلو می رویم، برخی از
73
00:03:00,430 –> 00:03:04,269
این موارد را پوشش می دهیم، اما قبل از اینکه ادامه دهیم،
74
00:03:04,269 –> 00:03:06,760
فقط می خواهم بگویم که arcgis api
75
00:03:06,760 –> 00:03:10,870
برای python plus jupiter یک
76
00:03:10,870 –> 00:03:13,750
تجربه بسیار غنی و بصری به شما می دهد و به شما امکان می
77
00:03:13,750 –> 00:03:17,250
دهد گردش کار قابل تکرار را مشاهده کنید
78
00:03:17,250 –> 00:03:21,879
و با همکاران خود به اشتراک بگذارید تا
79
00:03:21,879 –> 00:03:23,680
آنها بتوانند کار شما را بررسی کنند یا
80
00:03:23,680 –> 00:03:24,940
بتوانید کارهایی را که انجام می دهید در سراسر
81
00:03:24,940 –> 00:03:28,150
سازمان خود به راحتی به اشتراک بگذارید و اکنون
82
00:03:28,150 –> 00:03:30,909
با آخرین نسخه سازمانی
83
00:03:30,909 –> 00:03:33,810
حتی می توانید نوت بوک هایی را میزبانی کنید که
84
00:03:33,810 –> 00:03:36,370
همه این اطلاعات را ذخیره می کنند و یک
85
00:03:36,370 –> 00:03:39,030
مکان مشترک برای ذخیره تمام نوت بوک های شما، پس
86
00:03:39,030 –> 00:03:42,159
بیایید ادامه دهیم و در مورد برخی از چیزها یاد بگیریم
87
00:03:42,159 –> 00:03:45,129
، اما ابتدا API Python
88
00:03:45,129 –> 00:03:47,680
با GIS شما شروع می شود و ما از
89
00:03:47,680 –> 00:03:51,340
GIS وارد کردن GIS GIS خود را انجام می دهیم و سپس
90
00:03:51,340 –> 00:03:53,979
اعتبار خود را در این مورد ارائه می کنیم. با استفاده از
91
00:03:53,979 –> 00:03:56,949
یک کاربر با نام به نام دمو Dell dev و
92
00:03:56,949 –> 00:04:00,250
ما در حال اتصال آنلاین به arcgis هستیم وقتی
93
00:04:00,250 –> 00:04:03,009
سلول شماره دو را اجرا کردم از من یک
94
00:04:03,009 –> 00:04:05,849
رمز عبور خواسته شد و من آن را تایپ کردم، همچنین می توانم
95
00:04:05,849 –> 00:04:09,150
آن را به شرکت یا پورتال
96
00:04:09,150 –> 00:04:12,579
خود متصل کنم، این نمونه محلی من است که من
97
00:04:12,579 –> 00:04:13,900
جایی روی سروری ذخیره کردهام که
98
00:04:13,900 –> 00:04:16,930
کاملاً خودم آن را مدیریت میکنم، بنابراین GIS
99
00:04:16,930 –> 00:04:19,180
URL را ارائه میکنم و از آنجایی که یک
100
00:04:19,180 –> 00:04:22,620
کاربر نامگذاری شده است، نام کاربری و رمز عبور را ارائه کنید،
101
00:04:22,620 –> 00:04:24,700
اکنون میتوانیم ادامه دهیم و شروع به
102
00:04:24,700 –> 00:04:25,870
جستجوی محتوا کنیم.
103
00:04:25,870 –> 00:04:29,180
در اینجا یک موتور جستجوی غنی وجود دارد که
104
00:04:29,180 –> 00:04:31,039
آن را مانند Google در نظر بگیرید و ما میتوانیم
105
00:04:31,039 –> 00:04:33,080
مواردی را پیدا کنیم که میتواند هر چیزی باشد، از
106
00:04:33,080 –> 00:04:36,530
فایلهای ثابت گرفته تا خود
107
00:04:36,530 –> 00:04:39,349
سرویسها.
108
00:04:39,349 –> 00:04:41,150
109
00:04:41,150 –> 00:04:42,949
با عنوانی مانند ما اینجا
110
00:04:42,949 –> 00:04:44,990
san diego داریم، بنابراین همه چیزهایی را
111
00:04:44,990 –> 00:04:48,319
که به سن دیگو مربوط می شود پیدا می کند یا حتی می توانیم
112
00:04:48,319 –> 00:04:50,240
آن را بر اساس نوع محدود کنیم، مثلاً به
113
00:04:50,240 –> 00:04:51,770
دنبال لایه های ویژگی یا
114
00:04:51,770 –> 00:04:54,469
فایل های شکل یا پایگاه های جغرافیایی فایل یا هر چیز دیگری هستیم
115
00:04:54,469 –> 00:04:58,129
و سپس می توانیم برویم. از طریق و در
116
00:04:58,129 –> 00:04:59,750
مشتری، ما یک تجربه تجسم غنی
117
00:04:59,750 –> 00:05:02,840
به دست میآوریم، بنابراین میخواهیم از آن عبور
118
00:05:02,840 –> 00:05:04,219
کنیم، حلقهای را انجام میدهیم و
119
00:05:04,219 –> 00:05:07,610
از آیتمها در آیتمها انجام میدهیم و سپس هر
120
00:05:07,610 –> 00:05:09,650
مورد را نمایش میدهیم و یک بار این تجسم غنی را
121
00:05:09,650 –> 00:05:12,469
در دفترچه مشتری خود دریافت میکنیم.
122
00:05:12,469 –> 00:05:13,849
ما آیتمهایی را داریم که میخواهیم، میتوانیم پیش برویم و آ
123
00:05:13,849 –> 00:05:17,360
ها را روی نقشه قرار دهیم، در اینجا میخواهم پا
124
00:05:17,360 –> 00:05:20,599
نقشه توقف GIS را در مکانی که
125
00:05:20,599 –> 00:05:22,159
یخواهم بروم انجام دهم، در این مورد سن دی
126
00:05:22,159 –> 00:05:24,979
و، سطح بزرگنمایی را تعیین میکنم. ای
127
00:05:24,979 –> 00:05:28,099
مورد 14 است و من چند لایه I اضافه می کنم
128
00:05:28,099 –> 00:05:30,259
ایستگاههای واگن برقی و
129
00:05:30,259 –> 00:05:32,900
جاذبهها را در نظر گرفتم و با این کار میتوانم پیش بروم
130
00:05:32,900 –> 00:05:34,729
و تحلیلی انجام دهم شاید
131
00:05:34,729 –> 00:05:37,789
میخواهم بدانم میخواهم
132
00:05:37,789 –> 00:05:39,259
فاصله این جاذبهها را با ایستگاههای واگن برقی مقایسه کنم
133
00:05:39,259 –> 00:05:40,819
تا ببینم آیا میخواهم به جایی
134
00:05:40,819 –> 00:05:45,680
که باید یک ایستگاه واگن برقی جدید بگذارم یا نه. و این
135
00:05:45,680 –> 00:05:47,690
ما را به تجزیه و تحلیل فضایی هدایت می کند و به این ترتیب است
136
00:05:47,690 –> 00:05:49,099
که ما
137
00:05:49,099 –> 00:05:51,339
الگوها و روندهای روابط را در داده های خود کشف می کنیم و
138
00:05:51,339 –> 00:05:55,400
در API Python در
139
00:05:55,400 –> 00:05:59,120
زیر ماژول ویژگی نقطه ArcGIS وجود دارد و این
140
00:05:59,120 –> 00:06:01,129
شامل مجموعه ای کامل از ابزارها است و ما می
141
00:06:01,129 –> 00:06:02,599
خواهیم به تعدادی از آنها نگاه کنید و
142
00:06:02,599 –> 00:06:04,330
سپس آنها را در عمل مشاهده خواهیم
143
00:06:04,330 –> 00:06:06,680
کرد. اولین مجموعه ای که به آن نگاه می
144
00:06:06,680 –> 00:06:09,639
کنیم این است که به ما امکان می دهد داده ها را جمع آوری
145
00:06:09,639 –> 00:06:12,500
کنیم، اینها قابلیت های خلاصه سازی ما
146
00:06:12,500 –> 00:06:14,839
هستند، غنی سازی داده ها و تجزیه و تحلیل الگوی مکان های خوب
147
00:06:14,839 –> 00:06:18,710
و اینها هستند. همه
148
00:06:18,710 –> 00:06:20,650
ابزارهای تجزیه و تحلیل فضایی ما،
149
00:06:20,650 –> 00:06:24,469
بنابراین با داده های خلاصه شده، شما می توانید
150
00:06:24,469 –> 00:06:26,690
ویژگی های Archy of stuff را انجام دهید و سپس در
151
00:06:26,690 –> 00:06:28,819
ماژول فرعی داده های خلاصه شده قرار می گیرد و
152
00:06:28,819 –> 00:06:30,409
توابع وجود دارد، بنابراین اجازه دهید به
153
00:06:30,409 –> 00:06:32,870
نقاط جمعی در اینجا نگاه کنیم.
154
00:06:32,870 –> 00:06:37,789
در مجموعه دادههای نقطهای و
155
00:06:37,789 –> 00:06:39,020
تجمیعهایمان
156
00:06:39,020 –> 00:06:40,610
و سپس فیلدهایی را که
157
00:06:40,610 –> 00:06:42,800
میخواهیم خلاصه کنیم، یک لایه جدید برمیگردانیم و
158
00:06:42,800 –> 00:06:45,259
سپس میتوانیم آن را به نقشه اضافه کنیم و
159
00:06:45,259 –> 00:06:47,000
میتوانیم یک رندر بر اساس اندازه کلاس
160
00:06:47,000 –> 00:06:49,220
یا موارد دیگر را ارائه کنیم. به روشی که میخواهیم یا
161
00:06:49,220 –> 00:06:50,840
میتوانیم روش پیشفرض را بپذیریم که
162
00:06:50,840 –> 00:06:53,180
مردم دادهها را ارائه میکنند،
163
00:06:53,180 –> 00:06:54,889
همچنین میتوانیم لایهها را غنیسازی کنیم و این به
164
00:06:54,889 –> 00:06:56,360
ما امکان میدهد اطلاعات جمعیتی را اضافه
165
00:06:56,360 –> 00:06:58,610
کنیم که ممکن است از یک نقطه یا
166
00:06:58,610 –> 00:07:02,210
چند ضلعی یا چند خطی در این مورد نداشته باشیم. دوباره
167
00:07:02,210 –> 00:07:03,979
این لایه را برای مهرههای پلیس غنیسازی
168
00:07:03,979 –> 00:07:06,759
میکنیم، متغیرهای تجزیه و تحلیل ما را در این مورد دریافت میکنیم، در این مورد
169
00:07:06,759 –> 00:07:09,229
میدانید که میدانید این
170
00:07:09,229 –> 00:07:10,940
متغیرهای مختلفی هستند که با آموزش مرتبط هستند
171
00:07:10,940 –> 00:07:13,639
و ما آنها را اضافه
172
00:07:13,639 –> 00:07:15,860
میکنیم، آن پرس و جو را انجام میدهیم و
173
00:07:15,860 –> 00:07:18,259
سرمان را از گیتار خود میگیریم. نمایش
174
00:07:18,259 –> 00:07:21,020
پنج رکورد اول ما می توانیم
175
00:07:21,020 –> 00:07:22,789
تجزیه و تحلیل مجاورت انجام دهیم و این به ما نشان می دهد که
176
00:07:22,789 –> 00:07:26,750
ببینیم چه چیزی نزدیک است، بنابراین مسیرها را برنامه ریزی می کنیم
177
00:07:26,750 –> 00:07:28,669
در این مورد
178
00:07:28,669 –> 00:07:30,669
ما مراکز امدادی داریم، زمان شروع ما متوقف می شود و
179
00:07:30,669 –> 00:07:34,759
استادیوم های ما کجا هستند و می خواهیم
180
00:07:34,759 –> 00:07:36,500
خیابان زمان سرویس عملیات 30 دقیقه است و
181
00:07:36,500 –> 00:07:38,900
ما اطلاعات خود را به عنوان لایههایی
182
00:07:38,900 –> 00:07:42,349
که میتوانیم دوباره به نقشه خود اضافه کنیم، برمیگردانیم، میتوانیم
183
00:07:42,349 –> 00:07:43,969
همین کار را با ایجاد
184
00:07:43,969 –> 00:07:48,139
بافرهایی انجام دهیم که به اندازه بافر خود
185
00:07:48,139 –> 00:07:54,110
نام فایل خروجی و مکان را ارسال میکنیم و
186
00:07:54,110 –> 00:07:56,000
میتوانیم دادهها را نیز مدیریت کنیم و این
187
00:07:56,000 –> 00:07:58,490
به ما امکان میدهد آن عملیات جغرافیایی بیشتری را
188
00:07:58,490 –> 00:08:00,830
انجام دهیم، مانند ادغام همپوشانی استخراج استخراج،
189
00:08:00,830 –> 00:08:03,889
و میبینیم که در اینجا با
190
00:08:03,889 –> 00:08:05,779
فراخوانی لایههای همپوشانی که در
191
00:08:05,779 –> 00:08:07,279
اطلاعات ما با نقطه تقاطع عبور
192
00:08:07,279 –> 00:08:08,810
میکنند، دادهها را در یک لایه سرویس ویژگی میزبان ذخیره میکند
193
00:08:08,810 –> 00:08:10,940
و سپس ما همچنین میتوانیم
194
00:08:10,940 –> 00:08:13,310
نقاط را بینیابی کنیم، نقاط
195
00:08:13,310 –> 00:08:16,550
پرت را پیدا کنیم و چگالی را محاسبه کنیم،
196
00:08:16,550 –> 00:08:18,229
میتوانیم دادههای نقطهای را بگیریم و فرض کنیم
197
00:08:18,229 –> 00:08:20,419
دستهای مانند بارندگی داریم و آن
198
00:08:20,419 –> 00:08:23,060
سطح پیوسته را برای منطقهای که
199
00:08:23,060 –> 00:08:26,210
نقاط ما بر اساس آن هستند ایجاد میکنیم، پس
200
00:08:26,210 –> 00:08:27,710
بیایید جلو برویم و نگاهی بیندازیم. در برخی
201
00:08:27,710 –> 00:08:32,870
از این موارد در اینجا من نمونه ای
202
00:08:32,870 –> 00:08:37,309
از نگاه کردن به دسترسی به حمل و نقل عمومی دارم
203
00:08:37,309 –> 00:08:40,610
و هدف اینجا از این مجموعه داده من
204
00:08:40,610 –> 00:08:43,039
در این مثال هستم به شهر
205
00:08:43,039 –> 00:08:46,070
چاتانوگا تنیس ee در حال بررسی
206
00:08:46,070 –> 00:08:48,890
قرار دادن یک مسیر جدید ایستگاه اتوبوس و ایستگاههای اتوبوس است
207
00:08:48,890 –> 00:08:50,329
و آنها خورشید
208
00:08:50,329 –> 00:08:52,800
را ندارند و تصمیم نگرفتهاند که بیشترین نیاز کجاست،
209
00:08:52,800 –> 00:08:57,060
بنابراین ما باید نقشهای ایجاد کنیم که
210
00:08:57,060 –> 00:08:59,820
اساسا بهترین منطقه یا
211
00:08:59,820 –> 00:09:01,980
منطقه مورد نیاز را پیدا کند. از جایی که قرار است این
212
00:09:01,980 –> 00:09:03,779
کار را انجام دهیم، جایی که این
213
00:09:03,779 –> 00:09:06,600
ایستگاه جدید را قرار می دهیم، بنابراین با تنظیم محیط ما شروع می شود
214
00:09:06,600 –> 00:09:07,920
و این همان کاری است که
215
00:09:07,920 –> 00:09:09,600
ما وارد کردن خود را انجام می دهیم، بنابراین
216
00:09:09,600 –> 00:09:11,899
برخی از موارد استاندارد کتابخانه مانند سیستم عامل را وارد می کنیم.
217
00:09:11,899 –> 00:09:14,220
ما همچنین
218
00:09:14,220 –> 00:09:18,320
پانداها را بهعنوان PD وارد میکنیم تا PI خود را کوتاه کنیم و
219
00:09:18,320 –> 00:09:23,160
سپس ArcGIS API برای Python، لایههای
220
00:09:23,160 –> 00:09:26,250
تجزیه و تحلیل و غنی و
221
00:09:26,250 –> 00:09:29,209
ویژگیها را وارد میکنیم و سپس شی GIS خود را ادامه میدهیم
222
00:09:29,209 –> 00:09:31,589
و اتصال آنلاین به GS ما
223
00:09:31,589 –> 00:09:34,380
با انجام GIS برابر با GIS است و من
224
00:09:34,380 –> 00:09:36,720
قصد دارم از نمایه ای استفاده کنم در این مورد
225
00:09:36,720 –> 00:09:38,399
این یک روش محافظت شده است که می توانم
226
00:09:38,399 –> 00:09:44,550
نام کاربران و رمزهای عبور را ذخیره کنم داده های من
227
00:09:44,550 –> 00:09:46,320
از مدل اطلاعات فید حمل و نقل عمومی
228
00:09:46,320 –> 00:09:50,399
برای توقف ها می آید و من
229
00:09:50,399 –> 00:09:51,920
من آن اطلاعات را وارد می کنم
230
00:09:51,920 –> 00:09:54,240
که قبلاً آن را دانلود کرده ام و می توانم بروم
231
00:09:54,240 –> 00:09:55,769
جلوتر و آن اطلاعات را وارد کنید، اجازه
232
00:09:55,769 –> 00:09:58,230
دهید نگاهی به آن بیندازیم، بنابراین من از PDA
233
00:09:58,230 –> 00:10:01,260
خواندن CSV استفاده میکنم و به ایستگاههای اینجا نگاه میکنم،
234
00:10:01,260 –> 00:10:02,910
متوجه میشویم که یک موقعیت جغرافیایی از
235
00:10:02,910 –> 00:10:04,829
توقف lat و توقف طولانی بهعلاوه برخی
236
00:10:04,829 –> 00:10:07,230
اطلاعات دیگر در اینجا مانند توقف داریم. ID
237
00:10:07,230 –> 00:10:13,260
توقف شمارش نام توقف و غیره ما
238
00:10:13,260 –> 00:10:14,610
میتوانیم جلو برویم و میتوانیم آن را
239
00:10:14,610 –> 00:10:16,320
با استفاده از PI خود تبدیل کنیم زیرا یک
240
00:10:16,320 –> 00:10:18,779
ابزار داخلی برای انجام این کار برای ایستگاههای ما با انجام
241
00:10:18,779 –> 00:10:21,810
نقطه تبدیل غلاف GTFS stops به
242
00:10:21,810 –> 00:10:24,209
ویژگی وجود دارد و این کار ایجاد میکند. یک
243
00:10:24,209 –> 00:10:27,450
کلاس ویژگی جدید، سپس
244
00:10:27,450 –> 00:10:28,950
آن اطلاعات را میگیرم و به
245
00:10:28,950 –> 00:10:31,529
قاب دادههای فعال بیمار وارد میکنم، بنابراین با استفاده از
246
00:10:31,529 –> 00:10:34,709
نقطهای قاب داده PD، نقطهای را
247
00:10:34,709 –> 00:10:38,070
از کلاس ویژگی انجام میدهم و مسیر
248
00:10:38,070 –> 00:10:41,250
آن کلاس ویژگی توقف را در آنجا قرار میدهم. من میخواهم
249
00:10:41,250 –> 00:10:45,930
پنج رکورد برتر را نشان دهم که میتوانیم
250
00:10:45,930 –> 00:10:47,880
پیش برویم و با استفاده از قدرت
251
00:10:47,880 –> 00:10:49,649
قاب دادههای مکانی آن اطلاعات را
252
00:10:49,649 –> 00:10:52,019
روی نقشه تجسم میکنم، میخواهم
253
00:10:52,019 –> 00:10:54,209
قاب دادههای توانایی فضایی توقف خود را رسم نقطهای مکانی دو نقطهای بگیرم
254
00:10:54,209 –> 00:10:56,940
و سپس از نحوی
255
00:10:56,940 –> 00:10:58,920
که بسیار ساده تر شبیه به
256
00:10:58,920 –> 00:11:00,899
حصیر plotlib من اطلاعات را
257
00:11:00,899 –> 00:11:03,449
روی نقشه قرار می دهم،
258
00:11:03,449 –> 00:11:06,570
اندازه نشانگر، مرحله رنگ، نقشه رنگ
259
00:11:06,570 –> 00:11:08,760
و خط را برای خطوط کلی نقاط من مشخص می کنم،
260
00:11:08,760 –> 00:11:12,510
این یک
261
00:11:12,510 –> 00:11:15,060
شی نمای نقشه ایجاد می کند، سپس می روم پیش بروید
262
00:11:15,060 –> 00:11:17,220
و نام پایه را تغییر دهید و آن را
263
00:11:17,220 –> 00:11:24,840
برای کاربران نمایش دهید تا بتوانند
264
00:11:24,840 –> 00:11:26,640
این اطلاعات را ببینند. من از
265
00:11:26,640 –> 00:11:30,240
مؤلفه تجزیه و تحلیل ArcGIS API
266
00:11:30,240 –> 00:11:35,520
برای پایتون برای انجام تجزیه و تحلیل زمان درایو استفاده می
267
00:11:35,520 –> 00:11:37,500
کنم، بنابراین من می خواهم زمان ایجاد درایو را فراخوانی کنم. مناطق
268
00:11:37,500 –> 00:11:40,100
خارج از نقطه پایانی تجزیه و تحلیل و عبور
269
00:11:40,100 –> 00:11:44,670
در 500 توقف اول و دوم برای
270
00:11:44,670 –> 00:11:46,470
شهر چاتانوگا باید این کار را انجام دهم
271
00:11:46,470 –> 00:11:48,540
زیرا به طور خاص برای
272
00:11:48,540 –> 00:11:51,210
این ابزار محدودیت 500 نقطه وجود دارد که
273
00:11:51,210 –> 00:11:54,300
می توانید در آن عبور کنید، من مقدار شکست را روی 5 تنظیم می کنم.
274
00:11:54,300 –> 00:11:57,090
برای هر کدام چون من
275
00:11:57,090 –> 00:12:00,300
علاقه مند هستم افرادی که به سمت تاسیسات راه می روند،
276
00:12:00,300 –> 00:12:03,210
می خواهم زمان پیاده روی در چند
277
00:12:03,210 –> 00:12:05,220
دقیقه باشد و می خواستم همه
278
00:12:05,220 –> 00:12:06,810
همپوشانی ها را حل کنم زیرا می خواهم مناطقی را بدانم
279
00:12:06,810 –> 00:12:09,990
که به خوبی خدمات داده شده اند،
280
00:12:09,990 –> 00:12:11,250
آینده را به درستی تنظیم خواهم کرد. یک نتیجه را برمی
281
00:12:11,250 –> 00:12:13,890
گرداند شیء آینده ای را
282
00:12:13,890 –> 00:12:15,540
که به من اجازه می دهد به انجام
283
00:12:15,540 –> 00:12:17,610
تجزیه و تحلیل خود ادامه دهم تا بتوانم هر دوی
284
00:12:17,610 –> 00:12:21,120
این تجزیه و تحلیل ها را به طور همزمان انجام دهم که اکنون می
285
00:12:21,120 –> 00:12:24,450
توانم داده های خود را با هم ادغام کنم
286
00:12:24,450 –> 00:12:29,310
و ذخیره کنم و سپس
287
00:12:29,310 –> 00:12:31,080
هندسه ها را با هم حل کنم. و
288
00:12:31,080 –> 00:12:32,850
یک کلاس ویژگی جدید با استفاده از pod خود برای
289
00:12:32,850 –> 00:12:37,530
حل یک مدیریت ایجاد کنید، حالا که
290
00:12:37,530 –> 00:12:40,140
ما دو هندسه خود را با هم ادغام کرده ایم، بیایید به
291
00:12:40,140 –> 00:12:42,480
جلو برویم و شروع کنیم
292
00:12:42,480 –> 00:12:44,790
به این که بر اساس این
293
00:12:44,790 –> 00:12:48,630
داده های توقف ما برای انجام کاری که می خواهم انجام دهیم، بفهمیم چه مناطقی کمتر مورد استفاده قرار می گیرند.
294
00:12:48,630 –> 00:12:52,500
برخی از مرزهای بلوک های سرشماری را جمع آوری کرده و
295
00:12:52,500 –> 00:12:55,230
آنها را غنی سازی کنیم، می توانیم ببینیم که
296
00:12:55,230 –> 00:12:58,500
ما هیچ داده سرشماری در اینجا نداریم و به صورت بصری
297
00:12:58,500 –> 00:13:00,090
می توانیم ببینیم که
298
00:13:00,090 –> 00:13:03,360
پس از انجام یک پرس و جو ساده با نقاط ما همپوشانی دارد، اکنون
299
00:13:03,360 –> 00:13:05,010
می توانیم از آن تابع غنی شده از
300
00:13:05,010 –> 00:13:10,140
پاس تجزیه و تحلیل استفاده کنیم. بلوک های ما را مشخص
301
00:13:10,140 –> 00:13:13,380
کنید و متغیرهای زیر را مشخص کنید که
302
00:13:13,380 –> 00:13:16,490
جمعیت سال 2019،
303
00:13:16,490 –> 00:13:19,020
داده های ماشین موجود در منطقه و تعداد
304
00:13:19,020 –> 00:13:20,100
خانواده های زیر
305
00:13:20,100 –> 00:13:24,690
هر خط اساساً داده های فقر
306
00:13:24,690 –> 00:13:27,420
برای هر یک از بلوک های ما را می شمارد و ما می توانیم
307
00:13:27,420 –> 00:13:29,130
جلو برویم و ما c ببینید چگونه مجموعه دادههای ما را غنیتر کرد
308
00:13:29,130 –> 00:13:32,269
و این اطلاعات را
309
00:13:32,269 –> 00:13:37,319
بر اساس تخصیصی که
310
00:13:37,319 –> 00:13:38,940
میخواهیم پیش برویم و پوشش ایستگاه اتوبوس را محاسبه کنیم،
311
00:13:38,940 –> 00:13:41,040
اکنون
312
00:13:41,040 –> 00:13:43,079
که میخواهیم برویم و
313
00:13:43,079 –> 00:13:46,680
کلاس ویژگی خود را برای درایو ایمن خود بخوانیم، اضافه کرد. بارها و
314
00:13:46,680 –> 00:13:51,329
مقادیری را تعیین می کنیم،
315
00:13:51,329 –> 00:13:53,970
تراکم جمعیت را بر
316
00:13:53,970 –> 00:13:57,860
اساس مایل مربع محاسبه می کنیم
317
00:13:57,860 –> 00:14:00,779
، تعداد نقاط
318
00:14:00,779 –> 00:14:02,759
موجود در هر بلوک را مشخص می کنیم و سپس
319
00:14:02,759 –> 00:14:05,009
ایستگاه هایی ایجاد می کنیم. محاسبه به ازای هر نفر
320
00:14:05,009 –> 00:14:06,480
بر اساس تعداد توقفهایی که
321
00:14:06,480 –> 00:14:08,310
در این مرحله قبلاً محاسبه کردیم و
322
00:14:08,310 –> 00:14:11,040
تراکم جمعیت پس از آن که
323
00:14:11,040 –> 00:14:15,720
میتوانیم مناطقی را که به خوبی سرویسدهی شدهاند تعیین
324
00:14:15,720 –> 00:14:18,209
کنیم، بنابراین میخواهیم قاب دادههای مکانی خود
325
00:14:18,209 –> 00:14:21,779
را به یک کلاس ویژگی ذخیره کنیم و سپس از هنر استفاده کنیم.
326
00:14:21,779 –> 00:14:25,529
مسابقه داده تجزیه و تحلیل دادههای پای هنر برای
327
00:14:25,529 –> 00:14:26,939
پاک کردن مناطقی که قبلاً به خوبی
328
00:14:26,939 –> 00:14:29,670
پوشیده شدهاند بر اساس زمان پیادهروی ما انجام میشود و
329
00:14:29,670 –> 00:14:31,380
این به
330
00:14:31,380 –> 00:14:34,680
ما بلوک قاب داده جدول ایستگاه نهایی را میدهد که میتوانیم جلو برویم
331
00:14:34,680 –> 00:14:42,029
و با استفاده از تقاطع
332
00:14:42,029 –> 00:14:44,370
آن را بیرون بکشیم.
333
00:14:44,370 –> 00:14:47,459
قاب دادههای فعال فضایی توقف ما را قطع میکند و سپس ذخیره میکند
334
00:14:47,459 –> 00:14:50,160
و سپس زیرمجموعههای اضافی را
335
00:14:50,160 –> 00:14:53,519
در بلوکهای SCF نهایی میسازد، میتوانیم ادامه دهیم و
336
00:14:53,519 –> 00:14:57,149
این را روی نقشه تجسم کنیم و آنچه
337
00:14:57,149 –> 00:15:00,839
در اینجا داریم این است که این پرس و جو
338
00:15:00,839 –> 00:15:04,290
اساساً معیار ما است که ما
339
00:15:04,290 –> 00:15:07,560
ما می گوییم اگر فرد توقف
340
00:15:07,560 –> 00:15:09,540
کمتر از 5 توقف به ازای هر نفر
341
00:15:09,540 –> 00:15:13,439
باشد، کمتر از 5 است و
342
00:15:13,439 –> 00:15:15,899
سطح بالایی از فقر و کارو و
343
00:15:15,899 –> 00:15:18,750
سطوح پایین مالکیت خودرو داریم و
344
00:15:18,750 –> 00:15:21,199
تراکم بلوک بیش از حد معینی است.
345
00:15:21,199 –> 00:15:23,459
سپس میخواهیم آن 4 منطقه را
346
00:15:23,459 –> 00:15:25,230
در نظر بگیریم که باید ایستگاههای اتوبوس جدید اضافه
347
00:15:25,230 –> 00:15:27,060
کنیم، زیرا جمعیت بالایی داشتیم و
348
00:15:27,060 –> 00:15:28,589
افراد زیادی که نمیتوانند از نقطه A
349
00:15:28,589 –> 00:15:30,930
به نقطه B بروند زیرا آنها نیز
350
00:15:30,930 –> 00:15:32,939
توانایی ندارند. اگر ماشینهای خود
351
00:15:32,939 –> 00:15:33,700
را نداشته باشید،
352
00:15:33,700 –> 00:15:36,490
میتوانیم آن را روی نقشه ترسیم کنیم و سپس
353
00:15:36,490 –> 00:15:39,220
میتوانیم نقشه نهایی خود را برداریم و آن را
354
00:15:39,220 –> 00:15:42,070
در شرکت خود ذخیره کنیم و آن را با سیاستگذاران به اشتراک بگذاریم
355
00:15:42,070 –> 00:15:43,510
تا آنها بتوانند
356
00:15:43,510 –> 00:15:45,580
تصمیمگیری آگاهانهتری در مورد مکان خود بگیرند. باید
357
00:15:45,580 –> 00:15:48,760
مجموعه بعدی اتوبوس خود را در ایستگاه های a مسیرهای nd،
358
00:15:48,760 –> 00:15:55,000
بنابراین ما به عقب برمی گردیم و
359
00:15:55,000 –> 00:15:56,500
ادامه می دهیم و کمی
360
00:15:56,500 –> 00:15:59,050
در مورد geocoding صحبت می کنیم و آنچه که geocoding
361
00:15:59,050 –> 00:16:01,000
به ما اجازه می دهد انجام دهیم این است که به
362
00:16:01,000 –> 00:16:03,760
ما این امکان را می دهد که یک مکان روی زمین را از برخی
363
00:16:03,760 –> 00:16:05,560
اطلاعات توصیفی پیدا کنیم.
364
00:16:05,560 –> 00:16:08,560
یک آدرس و ماژول geocoding در
365
00:16:08,560 –> 00:16:10,900
geocoding ArcGIS توانایی انجام
366
00:16:10,900 –> 00:16:13,180
کدگذاری دسته ای جغرافیایی استاندارد تک خطی را دارد
367
00:16:13,180 –> 00:16:14,860
که مجموعه ای از
368
00:16:14,860 –> 00:16:17,950
آدرس ها و geocoding معکوس است.
369
00:16:17,950 –> 00:16:20,440
370
00:16:20,440 –> 00:16:23,980
371
00:16:23,980 –> 00:16:26,920
آدرسهای چند میدانی و
372
00:16:26,920 –> 00:16:28,540
میبینیم که در سمت چپ پایین و
373
00:16:28,540 –> 00:16:30,850
سمت راست پایین صفحه نمایش با یک
374
00:16:30,850 –> 00:16:33,160
مثال تک خطی، فقط
375
00:16:33,160 –> 00:16:35,440
میخواهیم از مثال خیابان 380 نیویورک
376
00:16:35,440 –> 00:16:37,440
در ردلندز استفاده کنیم که
377
00:16:37,440 –> 00:16:40,570
دفتر مرکزی شرکت Ezra است و ما دوباره
378
00:16:40,570 –> 00:16:43,770
آن را به تابع کد جغرافیایی منتقل میکنیم،
379
00:16:43,770 –> 00:16:47,920
این لیستی از مکانها را برمیگرداند، بنابراین
380
00:16:47,920 –> 00:16:49,780
اولین موردی را که باید ظاهر میشدم
381
00:16:49,780 –> 00:16:51,400
را میگیریم و آن را روی
382
00:16:51,400 –> 00:16:53,260
نقشه ترسیم میکنیم و میتوانیم ببینیم که به نقطه نقطه رسیدیم.
383
00:16:53,260 –> 00:16:55,420
محل
384
00:16:55,420 –> 00:17:02,590
یکی دیگر از
385
00:17:02,590 –> 00:17:04,030
کارهای جالبی که میتوانیم انجام دهیم این است که میتوانیم
386
00:17:04,030 –> 00:17:07,599
برای نقاط مورد علاقه کد جغرافیایی ایجاد کنیم، فرض
387
00:17:07,599 –> 00:17:09,460
کنید میدانید که در شهر
388
00:17:09,460 –> 00:17:11,980
سانفرانسیسکو خواهید بود و وسعت
389
00:17:11,980 –> 00:17:14,260
منطقهای را که میدانید. ما میتوانیم
390
00:17:14,260 –> 00:17:17,619
در کد جغرافیایی آن استارباکس و سپس
391
00:17:17,619 –> 00:17:19,890
وسعت میدان اتحادیه و تعداد
392
00:17:19,890 –> 00:17:22,540
مکانهایی که میخواهیم صد مکان را وارد کنیم و میتوانیم
393
00:17:22,540 –> 00:17:24,430
همه استارباکس را پیدا کنیم و آن را روی
394
00:17:24,430 –> 00:17:26,349
نقشه نیز ترسیم کنیم و میتوانیم این کار را برای هر دو
395
00:17:26,349 –> 00:17:28,860
نشانه جغرافیایی فرهنگی انجام دهیم. کسبوکارها
396
00:17:28,860 –> 00:17:32,170
یا دستهها و زیربخشهای اداری،
397
00:17:32,170 –> 00:17:37,920
اگر فهرستی از
398
00:17:37,920 –> 00:17:40,660
آدرسهای تک خطی یا چند خطی دارید،
399
00:17:40,660 –> 00:17:42,100
میتوانیم آن را به دستهای
400
00:17:42,100 –> 00:17:43,960
ژئوکدگذاری کنیم و همه آنها را به یکباره ژئوکد میکند
401
00:17:43,960 –> 00:17:47,200
، نتیجه
402
00:17:47,200 –> 00:17:50,169
یک لیست برمیگردد و ما به این معنی است که شما فقط
403
00:17:50,169 –> 00:17:52,210
برای آدرس در نتایج تکرار می شود
404
00:17:52,210 –> 00:17:54,159
و سپس می توانید
405
00:17:54,159 –> 00:17:59,649
آن مکان ها را ترسیم یا ذخیره کنید و همچنین کد
406
00:17:59,649 –> 00:18:02,200
جغرافیایی معکوس مجموعه ای از مکان های lat long یا
407
00:18:02,200 –> 00:18:04,750
XY را ارائه می دهد و
408
00:18:04,750 –> 00:18:08,110
آدرس را در آن مکان برمی گرداند، بنابراین در اینجا ما
409
00:18:08,110 –> 00:18:13,000
مکان نقطه خود را داشته باشید و برای یک ژئوکد معکوس،
410
00:18:13,000 –> 00:18:14,889
411
00:18:14,889 –> 00:18:17,409
کد زبان خود را روی فرانسوی تنظیم می کنم زیرا این منطقه در
412
00:18:17,409 –> 00:18:19,419
فرانسه است و ما آدرس
413
00:18:19,419 –> 00:18:25,120
آن مکان XY را دریافت می کنیم. مؤلفه بعدی که
414
00:18:25,120 –> 00:18:27,490
می خواهم در مورد آن صحبت کنم Network Analyst
415
00:18:27,490 –> 00:18:28,600
و اینجا جایی است که شما
416
00:18:28,600 –> 00:18:31,240
مسیریابی مناطق خدماتی ادعاهای مکان را انجام می دهید
417
00:18:31,240 –> 00:18:33,909
و تحلیلگر شبکه
418
00:18:33,909 –> 00:18:35,529
مجموعه کاملی از قابلیت ها را دارد که می
419
00:18:35,529 –> 00:18:37,720
توانیم مسیریابی
420
00:18:37,720 –> 00:18:40,870
421
00:18:40,870 –> 00:18:42,549
422
00:18:42,549 –> 00:18:47,080
ساده را انجام دهیم. EMT
423
00:18:47,080 –> 00:18:50,139
و شما نیاز به مسیر
424
00:18:50,139 –> 00:18:51,970
رفتن از محل تصادف دارید که میتوانید به صورت خودکار
425
00:18:51,970 –> 00:18:53,860
بررسی کنید و نزدیکترین امکانات را
426
00:18:53,860 –> 00:18:56,019
از جایی که هستید پیدا کنید، میتوانید مشکل
427
00:18:56,019 –> 00:18:57,760
مسیریابی وسیله نقلیه یا مشکل فروشنده مسافر را
428
00:18:57,760 –> 00:18:59,350
حل کنید، همچنین میتوانید
429
00:18:59,350 –> 00:19:01,659
ترافیک لحظهای دریافت کنید و ماتریس هزینه مقصد مبدا،
430
00:19:01,659 –> 00:19:03,970
بنابراین کارهای زیادی وجود دارد که
431
00:19:03,970 –> 00:19:05,470
میتوانیم انجام دهیم، این یک تحلیل تجاری در نظر گرفته میشود
432
00:19:05,470 –> 00:19:09,519
و
433
00:19:09,519 –> 00:19:14,169
توسط مجموعههای دادههای متعدد پشتیبانگیری میشود، بنابراین بیایید به
434
00:19:14,169 –> 00:19:17,230
سرویس ar نگاه کنیم. بنابراین فرض
435
00:19:17,230 –> 00:19:21,760
کنید حالت سفر خود را داریم و
436
00:19:21,760 –> 00:19:23,799
میخواهیم با کامیون سفر کنیم تا بتوانیم
437
00:19:23,799 –> 00:19:25,779
حالتهای سفر خود را
438
00:19:25,779 –> 00:19:26,889
که برای تحلیلگران شبکه در دسترس است
439
00:19:26,889 –> 00:19:28,899
و هر کدام میتوانند
440
00:19:28,899 –> 00:19:32,080
مجموعهای از حالتهای سفر تعریفشده خود را داشته باشند و ما میتوانیم استفاده کنیم.
441
00:19:32,080 –> 00:19:34,539
ما آن را وارد میکنیم و به دنبال
442
00:19:34,539 –> 00:19:37,389
زمان حمل و نقل کامیون میگردیم، سپس میتوانیم
443
00:19:37,389 –> 00:19:40,690
لایه خود را وارد کنیم تا پاس ناحیه خدمات را در مکانهایمان حل
444
00:19:40,690 –> 00:19:44,529
کنیم،
445
00:19:44,529 –> 00:19:46,570
ترمزهای پیشفرض را در چند دقیقه تنظیم کنیم، بنابراین
446
00:19:46,570 –> 00:19:49,750
در این مورد، 5 10 و 15 در این مورد سفر میکنند.
447
00:19:49,750 –> 00:19:51,429
مسیرهای تاسیسات، بنابراین ما می خواهیم
448
00:19:51,429 –> 00:19:54,090
بدانیم که ماشین های آتش نشانی ما تا چه حد می توانند
449
00:19:54,090 –> 00:19:56,470
از نقطه شروع خود بروند، یعنی
450
00:19:56,470 –> 00:19:58,960
چگونه خانه ایستگاه آتش نشانی به
451
00:19:58,960 –> 00:20:01,210
هر حادثه ای که داریم می رود و
452
00:20:01,210 –> 00:20:05,170
با این نقشه ها زیرا ما می توانیم وضعیت
453
00:20:05,170 –> 00:20:08,590
را بدانیم بسیار مهم است. ما
454
00:20:08,590 –> 00:20:14,260
باید بدانیم که یک کامیون چقدر میتواند طی
455
00:20:14,260 –> 00:20:16,510
کند، ماشین آتشنشانی میتواند طی کند تا به
456
00:20:16,510 –> 00:20:22,330
آن حادثه مورد نظر برسد، زیرا زمان
457
00:20:22,330 –> 00:20:25,870
در این موارد بسیار مهم است، بنابراین بیایید
458
00:20:25,870 –> 00:20:28,330
جلوتر برویم و نگاهی به نمایشی از انجام
459
00:20:28,330 –> 00:20:31,920
تحلیلگران شبکه و کدگذاری جغرافیایی بیندازیم.
460
00:20:31,920 –> 00:20:36,340
بنابراین من میخواهم عوض
461
00:20:36,340 –> 00:20:40,470
کنم و اولین مثال ساده از
462
00:20:40,470 –> 00:20:46,630
تحلیل شبکه و ژئوکدینگ را انجام میدهیم، بنابراین تجزیه و
463
00:20:46,630 –> 00:20:48,310
تحلیل شبکه ArcGIS به ما اجازه میدهد
464
00:20:48,310 –> 00:20:50,110
این مشکلات شبکه را حل کنیم و برخی
465
00:20:50,110 –> 00:20:52,210
از نمونهها پیدا کردن مسیرهایی
466
00:20:52,210 –> 00:20:54,610
در سراسر شهر برای شناسایی هستند. نزدیکترین
467
00:20:54,610 –> 00:20:57,970
امکانات وسایل نقلیه اضطراری و غیره برای
468
00:20:57,970 –> 00:21:01,480
انجام این کار ما فقط می توانیم پیش برویم و
469
00:21:01,480 –> 00:21:06,670
می توانیم مناطق خدمات مبتنی بر زمان رانندگی بسازیم،
470
00:21:06,670 –> 00:21:09,400
بنابراین من ادامه می دهم و
471
00:21:09,400 –> 00:21:12,930
به GIS خود متصل می شوم و
472
00:21:12,930 –> 00:21:15,280
از تجزیه و تحلیل شبکه خدمات خود را وارد می کنم.
473
00:21:15,280 –> 00:21:18,070
لایه منطقه و من می خواهم لایه مسیر خود را بکشم،
474
00:21:18,070 –> 00:21:23,290
هر شرکت یا
475
00:21:23,290 –> 00:21:26,320
سازمان آنلاین Orcas به عنوان یک
476
00:21:26,320 –> 00:21:29,590
منطقه خدمات ثبت شده ثبت شده است
477
00:21:29,590 –> 00:21:37,800
که می توانید پروفایل های خود را تغییر دهید، بنابراین
478
00:21:37,800 –> 00:21:40,720
ما منطقه خدمات خود را بارگیری می
479
00:21:40,720 –> 00:21:42,460
کنیم، اکنون ادامه می دهیم و ما یک ناحیه را ژئوکد می کنیم،
480
00:21:42,460 –> 00:21:46,000
بنابراین من
481
00:21:46,000 –> 00:21:47,620
نتیجه را فقط برای پالم اسپرینگز کالیفرنیا انجام می دهم
482
00:21:47,620 –> 00:21:50,430
و مقدار را به عنوان یک مجموعه ویژگی برگردانم،
483
00:21:50,430 –> 00:21:53,310
این به من اجازه می دهد تا آن را به یک
484
00:21:53,310 –> 00:21:56,620
قاب داده مکانی برای همه نتایجی که
485
00:21:56,620 –> 00:22:02,200
می توانید ببینید دریافت کردیم، ارسال کنم. پنج ردیف به عقب برای یک
486
00:22:02,200 –> 00:22:04,450
کدگذاری جغرافیایی ما Sol هستیم، اجازه دهید به جلو برویم و
487
00:22:04,450 –> 00:22:07,260
آن را روی یک نقشه نمایش
488
00:22:10,620 –> 00:22:13,149
دهیم تا نقشه خود را ایجاد کنیم و سپس میخواهیم قاب
489
00:22:13,149 –> 00:22:15,370
دادههای فعال فضایی خود را انجام دهیم
490
00:22:15,370 –> 00:22:18,580
نمودار نقطهای فضایی، نقشه وب
491
00:22:18,580 –> 00:22:22,000
، نقاط را روی آن قرار دهیم. نقشه و ما میتوانیم
492
00:22:22,000 –> 00:22:23,679
ببینیم که مکانهای ما
493
00:22:23,679 –> 00:22:26,500
روی صفحه سبز نشان داده میشوند، اکنون آماده
494
00:22:26,500 –> 00:22:29,529
هستیم تا مناطق خدماتی خود را که
495
00:22:29,529 –> 00:22:31,149
قبلاً در اسلایدها دیدهایم رایانه
496
00:22:31,149 –> 00:22:34,630
497
00:22:34,630 –> 00:22:37,080
کنیم. زمان رانندگی را دریافت کنم،
498
00:22:37,080 –> 00:22:39,279
بنابراین میخواهم آن اطلاعات را وارد کنم
499
00:22:39,279 –> 00:22:42,070
و سپس قاب دادههای مکانی خود را به مجموعه ویژگیها تغییر دهم،
500
00:22:42,070 –> 00:22:48,940
اکنون میتوانم ادامه
501
00:22:48,940 –> 00:22:51,520
دهم و میتوانم مناطق زمان رانندگی خود را ایجاد کنم که
502
00:22:51,520 –> 00:22:53,710
در مجموعه لایه ویژگیام پاس میکنم
503
00:22:53,710 –> 00:22:55,870
، مقادیر شکست من و من
504
00:22:55,870 –> 00:23:02,260
مقدار را روی true تنظیم میکنم، این من را برمیگرداند، این
505
00:23:02,260 –> 00:23:05,980
یک شی نتیجه را برمیگرداند که
506
00:23:05,980 –> 00:23:08,080
به من امکان میدهد به انجام
507
00:23:08,080 –> 00:23:09,610
و انجام کارم مانند همه
508
00:23:09,610 –> 00:23:12,490
ابزارهای تجزیه و تحلیل ادامه دهم تا بتوانم وضعیت شغلی زمان رانندگی خود را انجام دهم.
509
00:23:12,490 –> 00:23:14,890
و من می توانم ببینم که
510
00:23:14,890 –> 00:23:17,559
برای به دست آوردن نتیجه هنوز در حال اجرا است من آن
511
00:23:17,559 –> 00:23:19,809
شی نتیجه را میگیرم و نتیجه را بهعنوان روش انجام
512
00:23:19,809 –> 00:23:22,360
میدهم، شما آن را برمیگردانید و منتظر
513
00:23:22,360 –> 00:23:24,159
میماند تا کار تمام شود، در این صورت کار
514
00:23:24,159 –> 00:23:25,510
هنوز در حال اجرا است، بنابراین میتوانید ببینید که
515
00:23:25,510 –> 00:23:29,559
پس از بازگشت، اجرا متوقف شد.
516
00:23:29,559 –> 00:23:32,919
مجموعه ویژگیها
517
00:23:32,919 –> 00:23:34,720
و من میتوانم به عقب برگردم و میتوانیم آن را
518
00:23:34,720 –> 00:23:40,090
به نقشه اصلی اضافه کنیم و در اینجا فاصله زمانی رانندگی است
519
00:23:40,090 –> 00:23:41,500
که میتوانیم از
520
00:23:41,500 –> 00:23:49,240
نقاط مختلفی که جغرافیایی کدگذاری کردهایم به دست آوریم، میتوانیم
521
00:23:49,240 –> 00:23:50,919
جلو برویم و میتوانیم مسیرهای رانندگی را
522
00:23:50,919 –> 00:23:52,510
از مسیریابی دریافت کنیم. در این مورد،
523
00:23:52,510 –> 00:23:54,669
من میخواهم دستورالعملهای نوشتاری را
524
00:23:54,669 –> 00:23:57,850
از ArcGIS آنلاین بکشم،
525
00:23:57,850 –> 00:24:00,340
مسیر دروغگو را ایجاد میکنم و
526
00:24:00,340 –> 00:24:01,899
در این مورد،
527
00:24:01,899 –> 00:24:03,610
برخی از آدرسها را در برلین
528
00:24:03,610 –> 00:24:06,520
آلمان ژئوکد میکنم، بنابراین از دستهای استفاده میکنم. کد جغرافیایی
529
00:24:06,520 –> 00:24:09,940
این گذر زمان در استاپهای من آن
530
00:24:09,940 –> 00:24:13,029
را به عنوان یک مجموعه ویژگی برمیگرداند و
531
00:24:13,029 –> 00:24:16,419
به نتایجی که میتوانیم از چارچوب دادههای مکانی ببینیم نگاهی بیندازیم.
532
00:24:16,419 –> 00:24:19,840
533
00:24:19,840 –> 00:24:23,130
534
00:24:23,130 –> 00:24:25,290
از آن برای رمزگذاری جغرافیایی استفاده کنید
535
00:24:25,290 –> 00:24:27,090
536
00:24:27,090 –> 00:24:28,830
آن را در قالبی دریافت کنید که باید
537
00:24:28,830 –> 00:24:30,960
کدگذاری جغرافیایی انجام دهیم و سپس آن را به
538
00:24:30,960 –> 00:24:33,510
سرویس مسیر ارسال کنید. نقطه حل
539
00:24:33,510 –> 00:24:35,010
این به ما نتیجه ای می دهد که می توانیم
540
00:24:35,010 –> 00:24:40,020
جلو برویم و روی نقشه قرار دهیم، بنابراین اینجا هستیم،
541
00:24:40,020 –> 00:24:42,270
ما برلین آلمان داریم.
542
00:24:42,270 –> 00:24:53,130
و ما این اطلاعات را اضافه می کنیم و
543
00:24:53,130 –> 00:24:56,430
مکان توقف خود را در اینجا نشان می دهیم،
544
00:24:56,430 –> 00:25:02,610
بنابراین شروع و توقف مسیرهای ما که به
545
00:25:02,610 –> 00:25:04,500
طور رسمی مشاهده می شود عالی باشد، اما اغلب اوقات
546
00:25:04,500 –> 00:25:07,170
می خواهید راهنمایی های لازم
547
00:25:07,170 –> 00:25:10,200
برای رسیدن از نقطه A به نقطه B را بخوانید. ما
548
00:25:10,200 –> 00:25:12,180
میتوانیم این را نیز در ویژگیهایی که
549
00:25:12,180 –> 00:25:13,680
برای هر یک از مکانهای نقطه برگردانده میشوند، دریافت کنیم،
550
00:25:13,680 –> 00:25:16,950
جهتهایی وجود دارد و
551
00:25:16,950 –> 00:25:18,450
میتوانیم به راحتی آن را در کادر داده پاندا بارگذاری کنیم
552
00:25:18,450 –> 00:25:21,330
و آن را نمایش دهیم تا
553
00:25:21,330 –> 00:25:22,950
مکان شروع خود را از جایی که شروع کردهایم داشته باشیم و
554
00:25:22,950 –> 00:25:25,350
سپس از آن عبور کنیم.
555
00:25:25,350 –> 00:25:30,990
مکان شروع ما تا مکان پایانی ما می
556
00:25:30,990 –> 00:25:32,820
بینیم که تمام اطلاعات ما نمایش داده می شود و
557
00:25:32,820 –> 00:25:34,800
طول و
558
00:25:34,800 –> 00:25:38,300
مدت زمانی که قرار است در آن جاده باشیم را به ما می دهد، حالا
559
00:25:39,740 –> 00:25:42,750
بیایید کمی عمیق تر شیرجه بزنیم
560
00:25:42,750 –> 00:25:45,630
و کاربرد دیگری از usi را ببینیم.
561
00:25:45,630 –> 00:25:47,370
تحلیلگران شبکه به همراه ابزارهای دیگر برای
562
00:25:47,370 –> 00:25:50,250
به دست آوردن بینش و ما قصد داریم
563
00:25:50,250 –> 00:25:53,400
در مورد پیاده روی به مدرسه یا داشتن
564
00:25:53,400 –> 00:25:56,630
خیابان های امن به مدارس صحبت کنیم و
565
00:25:56,630 –> 00:26:00,480
متاسفانه حوادث روزمره مانند
566
00:26:00,480 –> 00:26:02,190
این بیشتر و بیشتر می شود که در
567
00:26:02,190 –> 00:26:04,230
آن شاهد دو کشته هشت مجروح و پاسادنا
568
00:26:04,230 –> 00:26:07,920
به عنوان وسیله نقلیه هستید. به جمعیت برخورد می کند و
569
00:26:07,920 –> 00:26:09,930
سوال این است که چگونه می توانیم از
570
00:26:09,930 –> 00:26:14,280
قدرت API پایتون برای جلوگیری از تکرار
571
00:26:14,280 –> 00:26:15,450
این حوادث استفاده
572
00:26:15,450 –> 00:26:19,320
کنیم تا این کار را
573
00:26:19,320 –> 00:26:21,810
574
00:26:21,810 –> 00:26:23,970
انجام دهیم.
575
00:26:23,970 –> 00:26:26,310
ما گردش کار کلی را دنبال می کنیم،
576
00:26:26,310 –> 00:26:27,690
نقاط را به عنوان یک کل بررسی می
577
00:26:27,690 –> 00:26:29,670
کنیم و چگالی ها را محاسبه می کنیم و نقاط داغ را پیدا می کنیم
578
00:26:29,670 –> 00:26:31,140
و سپس آن را
579
00:26:31,140 –> 00:26:33,900
با استفاده از یک رندر نقشه حرارتی که سپس می گیریم رندر می کنیم.
580
00:26:33,900 –> 00:26:35,370
این برخوردها را
581
00:26:35,370 –> 00:26:36,900
فیلتر می کنیم
582
00:26:36,900 –> 00:26:38,280
و با استفاده از نمادشناسی و عبارات آرکید به شکلی متفاوت به آن نگاه می
583
00:26:38,280 –> 00:26:42,210
584
00:26:42,210 –> 00:26:43,560
کنیم، در نهایت می خواهیم لایه های مدرسه خود را
585
00:26:43,560 –> 00:26:45,990
در پاسادنا وارد کنیم و برخی مناطق Drivetime ایجاد کنیم
586
00:26:45,990 –> 00:26:49,110
و درون آن را خلاصه کنیم و پیدا کنیم.
587
00:26:49,110 –> 00:26:52,410
پنج مدرسه برتر خطرناک ترین، اما ابتدا
588
00:26:52,410 –> 00:26:53,790
باید محیط خود را مانند قبل تنظیم کنیم
589
00:26:53,790 –> 00:26:56,340
، بنابراین واردات خود را انجام
590
00:26:56,340 –> 00:27:01,370
می دهیم و
591
00:27:01,370 –> 00:27:03,360
بعد از آن واردات ادامه می دهیم
592
00:27:03,360 –> 00:27:06,840
و به GIS خود متصل می شویم. وقتی
593
00:27:06,840 –> 00:27:09,030
متوجه شدیم که میخواهیم
594
00:27:09,030 –> 00:27:12,420
برخوردهای ترافیکی خود را از ArcGIS به صورت
595
00:27:12,420 –> 00:27:17,790
آنلاین از بین ببریم، میتوانیم ادامه دهیم و میتوانیم
596
00:27:17,790 –> 00:27:19,680
لایه را بازجویی کنیم تا ببینیم چند
597
00:27:19,680 –> 00:27:21,900
لایه داریم و میتوانیم ببینیم که تمام
598
00:27:21,900 –> 00:27:24,270
اطلاعات برای برخوردهای ترافیکی
599
00:27:24,270 –> 00:27:27,140
از سال 2008 وجود دارد. در یک لایه ویژگی،
600
00:27:27,140 –> 00:27:30,570
پس بیایید این اطلاعات را وارد کنیم، اجازه دهید
601
00:27:30,570 –> 00:27:32,280
به لایه جداگانه دسترسی داشته باشیم و آن را
602
00:27:32,280 –> 00:27:35,070
روی نقشه ترسیم کنیم، وقتی به این نقشه نگاه می کنیم،
603
00:27:35,070 –> 00:27:37,080
واقعاً نمی توانیم هیچ الگوی معنی داری را تشخیص
604
00:27:37,080 –> 00:27:42,690
دهیم، بنابراین بیایید کمی عمیق تر حفاری کنیم،
605
00:27:42,690 –> 00:27:45,990
من اطلاعات را وارد می کنم. به عنوان یک
606
00:27:45,990 –> 00:27:47,940
چارچوب داده جدول فضایی و
607
00:27:47,940 –> 00:27:50,370
من مقادیر منحصربفردی را که در نوع برخوردهای رخ داده وجود دارد را می بینم،
608
00:27:50,370 –> 00:27:52,410
609
00:27:52,410 –> 00:27:55,590
ما به دو نوع علاقه مندیم
610
00:27:55,590 –> 00:27:57,450
زیرا در مورد کودکان صحبت می کنیم و
611
00:27:57,450 –> 00:27:59,100
آن عابر پیاده و دوچرخه است، اما
612
00:27:59,100 –> 00:28:01,950
می توانیم ببینیم که همه این برخوردها می توانیم
613
00:28:01,950 –> 00:28:04,740
ببینیم که تعداد زیادی برخورد دیگر وجود دارد
614
00:28:04,740 –> 00:28:08,850
که باید آنها را فیلتر کنیم، بنابراین
615
00:28:08,850 –> 00:28:10,320
بیایید به لایه خود برگردیم و یک فیلتر اعمال کنیم
616
00:28:10,320 –> 00:28:14,760
و بگوییم که اگر دوچرخه یا
617
00:28:14,760 –> 00:28:18,060
عابر پیاده است، می خواهیم انواع دیگر را برگردانیم.
618
00:28:18,060 –> 00:28:20,280
اکنون که
619
00:28:20,280 –> 00:28:21,390
لایه خود را طوری تنظیم کردهایم که
620
00:28:21,390 –> 00:28:23,510
فیلتر را داشته باشد، میتوانیم نادیده بگیریم،
621
00:28:23,510 –> 00:28:26,370
ابتدا میتوانیم به صورت بصری این کار را انجام دهیم و برای
622
00:28:26,370 –> 00:28:27,960
انجام این کار، چگالی را محاسبه
623
00:28:27,960 –> 00:28:30,780
میکنیم، بنابراین لایه ویژگی فیلتر شده خود را
624
00:28:30,780 –> 00:28:34,530
از آن عبور میدهیم. در و محاسبه
625
00:28:34,530 –> 00:28:38,100
چگالی و کانونی که قرار است
626
00:28:38,100 –> 00:28:40,350
از نحو آینده استفاده کنم
627
00:28:40,350 –> 00:28:42,600
و همزمان این آتش را خاموش کنم،
628
00:28:42,600 –> 00:28:44,250
میبینیم که به اشیاء نتیجه جدا میشویم،
629
00:28:44,250 –> 00:28:46,740
سپس ادامه میدهم و
630
00:28:46,740 –> 00:28:50,160
نتایج را جمعآوری میکنم. و لایههایی را
631
00:28:50,160 –> 00:28:51,529
که لازم دارم،
632
00:28:51,529 –> 00:28:53,999
ابتدا به چگالی نگاه کنیم و
633
00:28:53,999 –> 00:28:54,899
میتوانیم ببینیم که
634
00:28:54,899 –> 00:28:56,639
غلظتهای بالایی در پاسادنا داریم،
635
00:28:56,639 –> 00:28:59,789
بهویژه در مناطقی که به رنگ بنفش هستند، دقیقاً
636
00:28:59,789 –> 00:29:03,629
در اینجا با نگاه کردن به نقاط داغ،
637
00:29:03,629 –> 00:29:05,159
میتوانیم آن را از نظر آماری پشتیبان بگیریم و نشان دهیم
638
00:29:05,159 –> 00:29:06,419
که از نظر آماری مقداری داریم.
639
00:29:06,419 –> 00:29:10,769
خوشه های قابل توجهی در منطقه و سپس فقط برای
640
00:29:10,769 –> 00:29:12,450
تجسم واضح تر، می توانیم از
641
00:29:12,450 –> 00:29:19,320
رندر نقشه حرارتی برای نشان دادن این داده ها استفاده کنیم، اما
642
00:29:19,320 –> 00:29:21,059
هنوز درک داده ها
643
00:29:21,059 –> 00:29:24,210
دشوار است، بنابراین بیایید آن را بر اساس دسته بندی نمادین کنیم، ما این را
644
00:29:24,210 –> 00:29:25,529
می گیریم و از
645
00:29:25,529 –> 00:29:28,049
متغیر فضا استفاده می کنیم. قاب داده و
646
00:29:28,049 –> 00:29:29,580
انواع مورد نیاز خود را فیلتر کنید تا
647
00:29:29,580 –> 00:29:31,679
عابران پیاده یا دوچرخه را داشته باشیم و
648
00:29:31,679 –> 00:29:35,129
به پنج نتیجه برتر نگاهی بیندازیم، اکنون
649
00:29:35,129 –> 00:29:36,269
میخواهیم جلو برویم و
650
00:29:36,269 –> 00:29:38,190
تصادفات مربوط به عابران پیاده و
651
00:29:38,190 –> 00:29:40,349
تلفات را انجام خواهیم داد. و
652
00:29:40,349 –> 00:29:41,940
صدمات دوچرخه سواران و تلفات و
653
00:29:41,940 –> 00:29:44,639
دوچرخه سواران و جراحات به این ترتیب است که
654
00:29:44,639 –> 00:29:46,440
ما می خواهیم داده های خود را برای انجام این کار نمادی کنیم
655
00:29:46,440 –> 00:29:48,029
که از بازی های آرکید استفاده
656
00:29:48,029 –> 00:29:51,149
می کنیم و بازی های بازی این کار را بسیار ساده می
657
00:29:51,149 –> 00:29:56,549
کند.
658
00:29:56,549 –> 00:30:00,179
پرس و جوهایی را
659
00:30:00,179 –> 00:30:02,489
که می خواهیم، می توانیم ادامه دهیم و ا
660
00:30:02,489 –> 00:30:05,099
تابع ایجاد نماد استفاده کرده و آن
661
00:30:05,099 –> 00:30:07,669
قادیر آرکید را برای هر کدام پاس کن
662
00:30:07,669 –> 00:30:09,899
م، زمانی که می توانیم آن را روی نقشه نمایش دهیم و ا
663
00:30:09,899 –> 00:30:11,700
نون می توانیم ببینیم که کجای غا
664
00:30:11,700 –> 00:30:13,409
ب است. نوع t آسیب در جایی رخ می دهد
665
00:30:13,409 –> 00:30:15,029
که دایره های بزرگ
666
00:30:15,029 –> 00:30:17,129
مرگ و میر عابر پیاده و آبی بزرگ منجر به مرگ دوچرخه می شود
667
00:30:17,129 –> 00:30:19,289
و سپس ما صدمات عابر پیاده
668
00:30:19,289 –> 00:30:21,450
و صدمات دوچرخه داریم و شما می
669
00:30:21,450 –> 00:30:23,039
توانید توزیع را بهتر از
670
00:30:23,039 –> 00:30:26,090
داشتن یک سطح پیوسته ببینید
671
00:30:26,090 –> 00:30:28,859
اکنون ما آماده ایم
672
00:30:28,859 –> 00:30:30,749
مناطق مدارس را کاوش کنید تا دریابید که در واقع
673
00:30:30,749 –> 00:30:33,929
پنج منطقه خطرناک مدارس برتر در
674
00:30:33,929 –> 00:30:36,179
ناحیه یکپارچه مدرسه پاسادنا هستند، بنابراین
675
00:30:36,179 –> 00:30:37,710
ما قصد داریم این اطلاعات را با
676
00:30:37,710 –> 00:30:39,299
انجام GIS ساده یک جستجوی داغ محتوا
677
00:30:39,299 –> 00:30:41,099
و بازگرداندن آیتم مدارس خود به دست
678
00:30:41,099 –> 00:30:42,929
آوریم. میخواهیم پیش برویم و آن را
679
00:30:42,929 –> 00:30:45,960
روی نقشه با نقشهای ترسیم کنیم که
680
00:30:45,960 –> 00:30:49,229
قبلاً در آن رندر شدهایم و
681
00:30:49,229 –> 00:30:50,639
میتوانیم ببینیم مدارس کجا هستند و به
682
00:30:50,639 –> 00:30:52,379
نوعی میتوانیم ببینیم که مناطقی وجود دارد که ما
683
00:30:52,379 –> 00:30:55,950
در آنها تمرکز بالایی از مدارس داریم،
684
00:30:55,950 –> 00:30:59,009
اما هنوز هم وجود دارد. تشخیص اینکه کدام خطرناک ترین است سخت است،
685
00:30:59,009 –> 00:31:02,639
بنابراین برای انجام این کار
686
00:31:02,639 –> 00:31:04,929
از چیزی استفاده می کنیم که قبلاً
687
00:31:04,929 –> 00:31:06,820
در جلسه خود دیده بودیم و آن با استفاده از
688
00:31:06,820 –> 00:31:09,879
تجزیه و تحلیل زمان ایجاد درایو است که در
689
00:31:09,879 –> 00:31:12,129
آن مدرسه استفاده می کنیم. 1 لایه و ما یک
690
00:31:12,129 –> 00:31:14,109
استراحت کلاسی را در 0.5 مایل انجام می دهیم زیرا
691
00:31:14,109 –> 00:31:19,389
این میانگین زمان پیاده روی دانش آموزان است که
692
00:31:19,389 –> 00:31:21,129
در بسیاری از مناطق در سراسر ایالات متحده به مدرسه می روند،
693
00:31:21,129 –> 00:31:22,719
بنابراین ما به
694
00:31:22,719 –> 00:31:26,469
نوعی تعمیم می دهیم و آن را نجات می دهیم.
695
00:31:26,469 –> 00:31:28,529
به مجموعه ای از لایه خدمات آینده
696
00:31:28,529 –> 00:31:32,200
به نام زمان رانندگی PSU de Schools،
697
00:31:32,200 –> 00:31:34,539
سیستم ایجاد می کند که وقتی به دست
698
00:31:34,539 –> 00:31:36,820
آوردیم می توانیم تعداد
699
00:31:36,820 –> 00:31:41,219
کل برخوردها را در آن چند ضلعی خلاصه
700
00:31:41,219 –> 00:31:43,950
کنیم و می توانیم 5 خطرناک ترین
701
00:31:43,950 –> 00:31:46,659
را بدست آوریم، بنابراین مناطق خطرناک خود را برداریم و
702
00:31:46,659 –> 00:31:48,399
لایهای که میخواهیم آن را بهعنوان یک DF استخراج کنیم
703
00:31:48,399 –> 00:31:51,719
، مقادیر را بر اساس تعداد نقاط مرتب میکند و
704
00:31:51,719 –> 00:31:54,309
سپس به پنج نتیجه برتر نگاه میکنیم و به این نتیجه
705
00:31:54,309 –> 00:31:56,440
میرسیم که روی نقشه میتوانیم
706
00:31:56,440 –> 00:32:00,309
آن مناطق را در نقشه ترسیم
707
00:32:00,309 –> 00:32:03,369
کنیم، آن را ذخیره کرده و ارائه کنیم. و آن را در
708
00:32:03,369 –> 00:32:04,389
اختیار مدیرانی قرار دهید که باید
709
00:32:04,389 –> 00:32:08,759
تصمیم بگیرند تا فرزندانمان را
710
00:32:08,759 –> 00:32:12,210
هنگام رفتن و برگشتن به مدرسه ایمن و ایمن نگه دارند
711
00:32:12,210 –> 00:32:20,080
تا آنچه که ما دیدیم این بود که
712
00:32:20,080 –> 00:32:23,830
بتوانیم از geocoding همراه با
713
00:32:23,830 –> 00:32:27,669
یکسری ابزارهای دیگر برای تجزیه و تحلیل شبکه جغرافیایی استفاده کنیم.
714
00:32:27,669 –> 00:32:29,529
و تجزیه و تحلیل Sis با هم ترکیب شده
715
00:32:29,529 –> 00:32:34,809
و نتایج واقعا قوی به دست میآورد که
716
00:32:34,809 –> 00:32:36,669
میتواند به شما کمک کند بینش کسب کنید، بنابراین آنچه
717
00:32:36,669 –> 00:32:40,989
که در مورد حادثه
718
00:32:40,989 –> 00:32:44,460
برای چیزی که شما سعی دارید در
719
00:32:44,460 –> 00:32:46,809
720
00:32:46,809 –> 00:32:48,369
مورد آن کشف کنید، در
721
00:32:48,369 –> 00:32:51,659
حال انجام است. به ما اجازه می دهد تا داده های خ