Ho imparato alcune cose sul mio tragitto da casa usando un progetto di riempimento dello spazio. (Foto di Geoffrey Arduini via Unsplash: https://unsplash.com/geoffreyarduini)
Nel mio post precedente del blog , Ho creato un progetto di riempimento dello spazio di 150 ore per raccogliere i tempi di viaggio nei vari orari di partenza al mattino e alla sera. Volevo vedere se uso questo esperimento progettato per imparare qualcosa di utile sul mio tragitto giornaliero.
Google Maps offre una serie di tempi per un determinato viaggio: ho preso il punto medio per ognuno di questi. Mentre potrei voler verificare in un secondo momento quanto siano accurati questi tempi, usare questa risposta generata dal computer significa che posso raccogliere tutti questi dati in una sola seduta. Se invece raccogliessi i dati in base alle unità effettive che sto creando, ci vorrebbero 30 settimane e i dati sarebbero molto più rumorosi. Il mio capo mi ha anche detto che potrebbe avere problemi con il mio pendolarismo dettati dalla raccolta di dati per un esperimento progettato.
Quindi, ho adottato l'approccio rapido e prudente e ho raccolto i dati da Google Maps. Ora cosa?
Dopo l'esplorazione dei dati, non sorprende che per provare a far funzionare Fit Model, probabilmente vorremmo provare potenze più alte, forse alcuni effetti spline, trasformazioni, ecc ... ma tutto ciò che voglio veramente è un adattamento che cattura alcune delle complessità mentre mi concede l'accesso a Prediction Profiler. Una rete neurale sembrava la scelta perfetta. Non ero preoccupato di sovralimentare tanto quanto ottenere risultati appropriati - e in questo caso potevo imbrogliare perché avevo un'idea di come dovesse apparire l'adattamento esaminando separatamente le ore del mattino e della sera. Ho provato varie scelte di nodi e metodi di validazione attraverso l'uso di a matrice di copertura , per utilizzare infine 10 nodi TanH e Gaussian nel primo strato e 10 nodi lineari nel secondo con convalida tramite Random Holdback. Invece di dirti quello che vedo nei risultati, perché non condividerlo con te?
Ecco come appare il mio Profiler come immagine statica, ma lo vorrai esplorare la versione interattiva; fare clic sui grafici o inserire valori diversi per Giorno, partenza mattutina o partenza serale.
Ho creato questo profiler salvando la formula del profilo nella piattaforma Neural e poi salvando come HTML interattivo 5 usando quella formula di predizione sotto Grafico-> Profiler.
Quello che ho imparato
Ti lascio giocare con i risultati, ma un paio di cose che ho trovato interessanti che confermano le tendenze che ho osservato:
Dal lunedì al mercoledì, partenza entro le 7:30 dà il più breve pendolarismo. Ogni ritardo di 10 minuti dopo costa circa un minuto in più sulla strada.Giovedì e venerdì, il pendolarismo previsto più lungo è per le partenze alle 8:07 del mattino e cade da lì. Il tempo di pendolarismo alle 9:00 è all'incirca uguale alle 7:30 del mattinoIl pendolarismo pomeridiano è peggiore intorno alle 17:30 Dal lunedì al mercoledì Giovedì e venerdì, il tempo di pendolarismo più lungo risulta dalla partenza poco prima delle 17:10.Il pendolarismo del giovedì e del venerdì richiede in genere meno tempo dei pendolari all'inizio della settimana.Pensieri finali
Mi sono divertito molto usando le nuove funzionalità di JMP 12 nei progetti di riempimento dello spazio e nel Interactive HTML Profiler. Mentre la precisione dei tempi di viaggio di Google Maps rimane da vedere, sono rimasto un po 'sorpreso dalla variazione del tempo previsto per il pendolarismo da un giorno all'altro.
Un altro esperimento interessante sarebbe aggiungere un altro fattore per confrontare percorsi diversi. un post sul futuro blog mostrerà come aggiungere restrizioni agli orari di partenza del mattino e della sera. Dopotutto, se parti più tardi al mattino, probabilmente dovrai anche partire più tardi la sera.
