J'ai appris certaines choses sur mon trajet en utilisant un concept de remplissage d'espace. (Photo de Geoffrey Arduini via Unsplash: https://unsplash.com/geoffreyarduini)
Dans mon précédent blog , J’ai créé un plan de remplissage de 150 pistes pour collecter les durées de voyage matin et soir à différentes heures de départ. Je voulais voir si j'utilisais cette expérience conçue pour apprendre quelque chose d'utile sur mon trajet.
Google Maps donne une plage de temps pour un voyage donné - j'ai pris le point médian pour chacun de ceux-ci. Bien que je veuille valider plus tard la précision de ces heures, l’utilisation de cette réponse générée par ordinateur me permet de collecter toutes ces données en une seule fois. Si au lieu de cela je collectais les données en fonction des disques que je crée, cela me prendrait 30 semaines et les données seraient beaucoup plus bruyantes. Mon patron m'a également dit qu'il pourrait avoir des problèmes avec mon trajet étant dicté par la collecte de données pour une expérience conçue.
J'ai donc adopté une approche rapide et prudente et collecté les données de Google Maps. Maintenant quoi?
Après une exploration des données, il n’est pas surprenant que pour essayer d’utiliser Fit Model, je veuille probablement essayer des puissances plus élevées, peut-être des effets de spline, des transformations, etc. tout en me donnant accès au profileur de prédiction. Un réseau de neurones semblait être le choix parfait. Je ne craignais pas trop de sur-adapter pour obtenir des résultats appropriés - et dans ce cas, je pouvais tricher, car je savais à quoi ressemblerait cet ajustement en recherchant les heures du matin et du soir séparément. J'ai essayé divers choix de nœuds et de méthodes de validation grâce à l'utilisation d'un tableau couvrant , pour finalement utiliser 10 noeuds TanH et gaussiens dans la première couche et 10 noeuds linéaires dans la seconde avec validation au moyen du blocage aléatoire. Au lieu de vous dire ce que je vois dans les résultats, pourquoi ne pas simplement le partager avec vous?
Voici à quoi ressemble mon profileur sous forme d'image statique, mais vous voudrez explorez la version interactive; Cliquez sur les graphiques ou entrez des valeurs différentes pour le jour, le départ le matin ou le départ le soir.
J'ai créé ce profileur en enregistrant la formule du profil dans la plate-forme Neural, puis enregistrement au format HTML 5 interactif en utilisant cette formule de prédiction sous Graph-> Profiler.
Ce que j'ai appris
Je vous laisse jouer avec les résultats, mais quelques éléments que j'ai trouvés intéressants corroborent les tendances que j'ai observées:
Du lundi au mercredi, départ à 7h30 donne le trajet le plus court. Toutes les 10 minutes de retard par la suite, cela coûte environ une minute de plus sur la route.Jeudi et vendredi, le trajet prévu le plus long est celui des départs à 8h07. et tombe de là. Le temps de trajet à 9h00 est à peu près la même qu'à 7h30Le trajet de l'après-midi est pire aux alentours de 17h30. Du lundi au mercredi. Jeudi et vendredi, le temps de trajet le plus long est le fait de partir un peu avant 17h10.Les déplacements du jeudi et du vendredi prennent généralement moins de temps que ceux du début de la semaine.Dernières pensées
Je me suis beaucoup amusé à utiliser les nouvelles fonctionnalités de JMP 12 dans les conceptions de remplissage d'espace et le profileur HTML interactif. Bien que l'exactitude des temps de parcours de Google Maps reste à voir, j'ai été un peu surpris par la variation des temps de déplacement prévus d'un jour à l'autre.
Une autre expérience intéressante consisterait à ajouter un autre facteur permettant de comparer différents itinéraires. un prochain article de blog montrera comment ajouter des restrictions aux heures de départ le matin et le soir. Après tout, si vous partez plus tard dans la matinée, vous devrez probablement également partir plus tard dans la soirée.
