我確實使用空間填充設計了解了我的通勤情況。（攝影：Geoffrey Arduini通過Unsplash：https：//unsplash.com/geoffreyarduini）
在我的以前的博文 ，我創造了一個150次運行的空間填充設計，以收集早晚各個出發時間的旅行時間。我想看看我是否使用這個設計的實驗來學習關於我的通勤的有用的東西。
谷歌地圖為特定旅行提供了一系列時間 - 我已經為每個旅行取得了中點。雖然我可能希望稍後驗證這些時間的準確程度，但使用此計算機生成的響應意味著我可以一次性收集所有這些數據。如果我根據我正在製作的實際驅動器收集數據，則需要30週時間，數據會更嘈雜。我的老闆還告訴我，他的通勤問題可能與設計實驗的數據收集有關。
因此，我採取了快速而謹慎的方法，並從谷歌地圖收集數據。怎麼辦？
經過一些數據探索，嘗試使Fit Model工作並不奇怪，我可能想嘗試更高的功率，可能還有一些樣條效果，轉換等......但我真正想要的只是一個能夠捕捉到一些錯綜複雜的錯綜複雜的東西同時讓我訪問Prediction Profiler。神經網似乎是完美的選擇。我並不擔心過度擬合，以至於獲得適當的結果 - 在這種情況下，我可以作弊，因為我通過分別調查早晚時間來了解適合的樣子。我通過使用a嘗試了各種節點和驗證方法的選擇覆蓋數組 ，最終在第一層使用10個TanH和Gaussian節點，在第二層使用10個線性節點，通過隨機保持進行驗證。而不是告訴你我在結果中看到了什麼，為什麼不與你分享呢？
這是我的Profiler看起來像靜態圖像，但你會想要探索互動版; 點擊圖表或輸入日，出發或晚間出發的不同值。
我通過在Neural平台中保存配置文件公式來創建此Profiler，然後保存為交互式HTML 5 在Graph-> Profiler下使用該預測公式。
我學到的是
我會讓你玩結果，但我發現有趣的幾件事證實了我觀察到的趨勢：
週一至週三，早上7:30離開 給出最短的通勤時間。在此之後每延遲10分鐘就會花費大約一分鐘的路程。在星期四和星期五，最長的預計通勤時間是上午8:07離開 並從那裡掉下來。通勤時間為上午9:00 與早上7:30大致相同下午5:30左右，下午的通勤時間最差 週一至週三。在周四和周五，最長的通勤時間是在下午5:10之前離開的。本週四和周五的通勤時間通常比本週早些時候的通勤時間短。最後的想法
在空間填充設計和Interactive HTML Profiler中使用新的JMP 12功能，我獲得了很多樂趣。雖然谷歌地圖旅行時間的準確性還有待觀察，但我對每天預測的通勤時間的變化感到有些驚訝。
另一個有趣的實驗是添加另一個因素來比較不同的路線。未來的博客文章將展示如何在早上和晚上的出發時間添加限制。畢竟，如果您在早上晚些時候離開，您可能還需要在晚上晚些時候離開。
