Aprendí algunas cosas sobre mi viaje utilizando un diseño de espacio de relleno. (Foto de Geoffrey Arduini a través de Unsplash: https://unsplash.com/geoffreyarduini)
En mi entrada de blog anterior Creé un diseño de relleno de espacio de 150 carreras para recopilar los tiempos de viaje en varios horarios de salida en la mañana y la noche. Quería ver si utilizo este experimento diseñado para aprender algo útil sobre mi viaje diario.
Google Maps ofrece un rango de veces para un viaje determinado: he tomado el punto medio para cada uno de estos. Si bien es posible que desee validar más adelante la exactitud de estos tiempos, el uso de esta respuesta generada por computadora significa que puedo recopilar todos estos datos en una sola sesión. Si en cambio recolectara los datos en función de las unidades de disco reales que estoy realizando, me llevaría 30 semanas y los datos serían mucho más ruidosos. Mi jefe también me dijo que podría tener problemas con la conmutación de datos que me asignaba la recopilación de datos para un experimento diseñado.
Entonces, tomé el enfoque rápido y prudente y recopilé los datos de Google Maps. ¿Ahora que?
Después de algunas exploraciones de datos, no es sorprendente que para intentar que funcione el Fit Model, probablemente quiera probar potencias más altas, tal vez algunos efectos de spline, transformaciones, etc. Pero todo lo que quiero es un ajuste que capture algunas de las complejidades. mientras me da acceso al Perfil de Predicción. Una red neuronal parecía la elección perfecta. No me preocupaba tanto el exceso de adaptación como la obtención de resultados apropiados, y en este caso podía hacer trampa porque tenía una idea de cómo se vería el problema investigando los horarios de la mañana y la tarde por separado. Probé varias opciones de nodos y métodos de validación mediante el uso de un cubriendo matriz , para utilizar finalmente 10 nodos TanH y Gaussian en la primera capa y 10 nodos lineales en la segunda con validación mediante Random Holdback. En lugar de decirte lo que veo en los resultados, ¿por qué no compartirlo contigo?
Así es como se ve mi Profiler como una imagen estática, pero querrás Explorar la versión interactiva; haga clic en los gráficos o ingrese diferentes valores para Día, Salida por la mañana o Salida por la noche.
Creé este Perfilador guardando la fórmula del perfil en la plataforma Neural, y luego guardando como HTML interactivo 5 utilizando esa fórmula de predicción en Gráfico-> Perfilador.
Que aprendí
Te dejaré jugar con los resultados, pero un par de cosas que encontré interesantes que corroboran las tendencias que he observado:
De lunes a miércoles, saliendo a las 7:30 de la mañana. Da el viaje más corto. Cada demora de 10 minutos después de eso cuesta aproximadamente un minuto extra en la carretera.El jueves y viernes, el viaje previsto más largo es para salidas a las 8:07 am y se cae de allí. El tiempo de viaje a las 9:00 am. es aproximadamente lo mismo que a las 7:30 amEl viaje por la tarde es peor a las 5:30 pm De lunes a miercoles. El jueves y el viernes, el tiempo de viaje más largo se produce al salir un poco antes de las 5:10 pm.El viaje de jueves y viernes generalmente toma menos tiempo que los viajes que se realizan a principios de semana.Pensamientos finales
Me divertí mucho al utilizar las nuevas funciones de JMP 12 en los diseños de relleno de espacio y el analizador de HTML interactivo. Si bien aún queda por ver la precisión de los tiempos de viaje de Google Maps, me sorprendió un poco la variación en el tiempo de viaje previsto día a día.
Otro experimento interesante sería agregar otro factor para comparar diferentes rutas. una futura publicación en el blog mostrará cómo agregar restricciones a los horarios de salida de la mañana y la noche. Después de todo, si se va más tarde en la mañana, es probable que también tenga que hacerlo más tarde en la noche.
