如何基于最新date_recorded更新车辆坐标并计算距离

已知两批车辆的历史观测数据（含ID、观测时间、经纬度、行驶速度和方向），需基于每辆车最后一次观测的行驶状态（速度、方向），推算指定日期（如2016年6月27日）的经纬度坐标，进而计算该日期下车辆间的距离。

核心思路 #

完成需求需执行以下关键步骤：

• 统一时间格式，计算最后一次观测到目标日期的时长
• 结合地球地理坐标的近似换算，根据行驶方向和速度计算经纬度偏移量
• 更新车辆到目标日期的坐标
• 使用球面距离公式计算车辆间的实际距离

关键换算说明 #

• 纬度方向：每1度纬度约等于69英里（或111公里），南北方向直接对应纬度增减
• 经度方向：在北纬40°左右（示例数据的纬度范围），每1度经度约等于53英里（或85公里），东西方向对应经度增减（东移经度绝对值减小，西移则增大）
• 默认速度单位为英里/小时，若实际单位不同，需同步调整换算系数

代码实现 #

import pandas as pd
from math import radians, sin, cos, sqrt, atan2

# ---------------------- 1. 数据初始化与预处理 ----------------------
# Car 1 数据
car1_data = {
    "id": ["id0120169", "id0386349", "id1962532", "id0335207", "id0273508"],
    "date_recorded": ["7/1/2016 9:05", "6/29/2016 22:26", "6/29/2016 2:47", "6/26/2016 22:29", "6/25/2016 19:19"],
    "longitude": [-73.99017334, -73.97213745, -73.91963959, -73.98487091, -73.99116516],
    "latitude": [40.75667953, 40.75746155, 40.80377579, 40.76160812, 40.75000763],
    "rate": [50, 67, 43, 35, 46],
    "direction": ["N", "E", "E", "S", "W"]}
car1_df = pd.DataFrame(car1_data)

# Car 2 数据
car2_data = {
    "id": ["id2681896", "id3308448", "id2108525", "id3952220", "id2771348"],
    "date_recorded": ["6/30/2016 23:59", "6/29/2016 19:33", "6/28/2016 20:50", "6/26/2016 21:07", "6/25/2016 18:46"],
    "longitude": [-73.9881286621093, -73.9656295776367, -73.9716567993164, -73.9820938110351, -73.9761657714843],
    "latitude": [40.7320289611816, 40.7527198791503, 40.7945442199707, 40.7694053649902, 40.7602424621582],
    "rate": [81, 76, 59, 48, 55],
    "direction": ["S", "E", "N", "W", "W"]}
car2_df = pd.DataFrame(car2_data)

# 将时间字段转为datetime类型
car1_df['date_recorded'] = pd.to_datetime(car1_df['date_recorded'])
car2_df['date_recorded'] = pd.to_datetime(car2_df['date_recorded'])

# 定义目标推算日期
target_date = pd.to_datetime("6/27/2016 00:00")

# ---------------------- 2. 计算坐标偏移与更新 ----------------------
# 方向对应的经纬度变化系数（基于英里/小时换算）
direction_coeff = {
    'N': (0, 1/69),    # 北：纬度增加
    'S': (0, -1/69),   # 南：纬度减少
    'E': (1/53, 0),    # 东：经度增加（西经绝对值减小）
    'W': (-1/53, 0)    # 西：经度减少（西经绝对值增大）
}

def update_coordinates(df, target_date):
    # 计算时间差（转换为小时）
    df['time_diff_hours'] = (target_date - df['date_recorded']).dt.total_seconds() / 3600
    # 过滤目标日期早于最后观测时间的记录（无需推算）
    df = df[df['time_diff_hours'] >= 0].copy()
    
    # 计算行驶总距离（英里）
    df['distance_traveled'] = df['rate'] * df['time_diff_hours']
    
    # 拆分方向对应的经纬度系数
    df['lon_coeff'], df['lat_coeff'] = zip(*df['direction'].map(direction_coeff))
    
    # 更新到目标日期的经纬度
    df['target_longitude'] = df['longitude'] + df['distance_traveled'] * df['lon_coeff']
    df['target_latitude'] = df['latitude'] + df['distance_traveled'] * df['lat_coeff']
    
    return df

# 执行坐标更新
car1_updated = update_coordinates(car1_df, target_date)
car2_updated = update_coordinates(car2_df, target_date)

# ---------------------- 3. 计算车辆间球面距离（Haversine公式） ----------------------
def haversine(lon1, lat1, lon2, lat2):
    # 将经纬度转换为弧度
    lon1, lat1, lon2, lat2 = map(radians, [lon1, lat1, lon2, lat2])
    
    # Haversine公式计算球面距离
    dlon = lon2 - lon1
    dlat = lat2 - lat1
    a = sin(dlat/2)**2 + cos(lat1) * cos(lat2) * sin(dlon/2)**2
    c = 2 * atan2(sqrt(a), sqrt(1-a))
    # 地球平均半径（英里）
    r = 3956
    return c * r

# 示例：计算指定两辆车在目标日期的距离
car1_example = car1_updated[car1_updated['id'] == 'id0335207'].iloc[0]
car2_example = car2_updated[car2_updated['id'] == 'id3952220'].iloc[0]

distance = haversine(
    car1_example['target_longitude'], car1_example['target_latitude'],
    car2_example['target_longitude'], car2_example['target_latitude']
)

print(f"目标日期下两辆车的距离：{distance:.2f} 英里")

代码说明 #

1. 数据预处理：将字符串时间转为datetime格式，方便计算时间差；自动过滤无需推算的车辆（目标日期早于最后观测时间）
2. 坐标推算：根据方向确定经纬度变化方向，结合速度和时长计算行驶距离，再换算为经纬度偏移量
3. 距离计算：采用Haversine公式计算球面距离，比平面距离更符合实际地理场景

注意事项：

• 若速度单位为公里/小时，需调整direction_coeff中的换算系数（纬度每度111公里，北纬40度经度每度85公里）
• 如需更高精度，可使用专业地理库（如geopy）替代手动换算

内容的提问来源于stack exchange，提问作者David Kurtenbach