Lautsprecher
|
Transkript
|
| ZHONG, LINLI _ |
Okay, fangen wir an. Hallo allerseits. Dies ist das Poster der Zeitreihendatenanalyse der Flugverspätung an den US-Flughäfen von Januar 2020 bis Juni 2020. Wir sind Studenten der Singapore Management University. Ich bin Linli. |
| YAN Ruiyun |
Ich bin Ruiyun. |
| Aishwarya KRISHNA PRASAD |
Und ich bin Aishwarya Krishna Prasad. Lassen Sie uns nun schnell in die Einführung unseres Projekts eintauchen. Zu dir, Linli. |
| ZHONG, LINLI _ |
Danke, Ash. |
| |
Auf der linken Seite sehen wir ein Liniendiagramm. Dies zeigt den jährlichen Passagierverkehr an den Top 10 der verkehrsreichsten US-Flughäfen und... |
| |
In der Grafik können wir sehen, dass die Zahl der Passagiere in jedem Flughafen stark zurückgegangen ist. Dies liegt daran, dass die Passagiere an Flughäfen die Reaktion auf die Ausbreitung des COVID-19 im Jahr 2020 zeigten. |
| |
Und für unsere Analyse möchten wir die Verspätungsähnlichkeit der Top 15 % der Flughäfen in Amerika anhand der Verspätungsmerkmale und des geografischen Standorts ermitteln. |
| |
Zeitreihen, dynamischer Zeitumbruch, explorative Datenanalyse. |
| |
Die Zeitreihen und DTW werden verwendet, um die Ähnlichkeiten zwischen den Clustern basierend auf den Abfahrtsverzögerungen herauszufinden. EDA wird verwendet, um die geografische Karte zu zeichnen. Okay, gehen wir zurück zum Datensatz. |
| |
Danke, das ist der Datensatz. |
| |
Tatsächlich stammt unser Datensatz aus dem United States of Department of Transportation und aus unserem |
| |
Datenaufbereitung auf der linken Seite, das ist der Prozess unserer Datenaufbereitung. Zuerst haben wir die CSV-Datei in JMP Pro 16.0 importiert. |
| |
Und dann entfernen wir die Spalten und Werte, die für unsere Analyse nicht wirklich nützlich sind. |
| |
Und danach fassen wir für die Datentransformation die Daten für Flughäfen aus verschiedenen Städten zusammen und filtern dann die |
| |
Top 54 Flughäfen, die auf der Gesamtzahl der Kämpfe in jedem Flughafen basiert und die Rate der Verspätung berechnet. |
| |
Und nach der Datenaufbereitung speichern wir diese Datei als SAS-Format und importieren das SAS-Format für unsere weitere Analyse in den SAS Enterprise Miner 40.1. |
| |
nämlich die DTW-Analyse und die Zeitreihenanalyse. Nach dem DTW-Prozess wurde JMP Pro 16.0 erneut verwendet, um die Singularität verschiedener Cluster herauszufinden und geografische Karten zu zeichnen. |
| |
Und dies ist die Einführung für den Datensatz. Lassen Sie uns meinen Partner begrüßen, um mehr über unsere Analyse zu erzählen. |
| Aishwarya KRISHNA PRASAD |
Danke, Linli. Lassen Sie uns nun in die Zeitreihen- und Clusteranalyse eintauchen. Also haben wir die Zeitreihen- und Clusteranalyse mit dem SAS Enterprise Miner durchgeführt. |
| |
Dieses Diagramm ist also eine der Ausgaben, die wir mit den DTW-Knoten in SAS Enterprise Miner erhalten haben. Auf der X-Achse können Sie also sehen, dass sie die Monate Januar 2020 bis Juni ... bis Juli 2020 enthält. |
| |
Und auf der y-Achse können wir beobachten, dass es einen Prozentsatz von Verspätungen bei den Flügen gibt, die wir in unseren Datensatz aufgenommen haben. |
| |
Jetzt können wir sehen, dass es Anfang Februar und Ende Juni einen starken Anstieg gibt, der stark mit den Ferienzeiten der USA korreliert zu sein scheint. |
| |
Aber im Allgemeinen können wir neben diesen beiden Spitzen ... großen Spitzen auch einen stetigen Rückgang der Zahl der Flugverspätungen im Allgemeinen feststellen. |
| |
Wir haben dann ein Zeitreihen-Clustering basierend auf hierarchischem Clustering durchgeführt und das Konstellationsdiagramm davon kann hier mit SAS beobachtet werden. Und wir haben uns dafür entschieden... wir waren der Meinung, dass die Anzahl der Cluster (7) die optimale Anzahl von Clustern für unsere Analyse ist. |
| |
Nun, dies sind die Cluster, die mit dem TS-Ähnlichkeitsknoten des SAS Enterprise Miner gebildet werden, also nehmen wir einfach eine ... |
| |
die Instanz von Cluster1. In diesem Cluster1 enthält es also hauptsächlich die internationalen Flughäfen in den USA. |
| |
Einige dieser Flughäfen sind der internationale Flughafen Denver, der internationale Flughafen Kansas City, der internationale Flughafen Washington, |
| |
nur um ein paar zu nennen. Die Verspätung an diesen Flughäfen ist also ziemlich groß, wie Sie sehen können, und dies ist darauf zurückzuführen, dass sich dieser in der von Touristen frequentierten Stadt befindet. |
| |
Auf ähnliche Weise werden die verbleibenden Cluster durch dieses ähnliche Verhalten der Verspätungen gebildet, die bei den Flügen auftreten. |
| |
Nun wurden die im vorherigen Schritt generierten Cluster in JMP Pro eingespeist und mithilfe der Graph Builder-Funktionalität |
| |
Wir konnten diese Diagramme erstellen. Dieses Diagramm enthält also die Ursachen für Verzögerungen in jedem der Cluster. Also hier drüben können wir klar sehen |
| |
welche Ursachen für Verzögerungen in jedem Cluster stärker ausgeprägt sind. Wie Sie beispielsweise für Cluster1 sehen können, |
| |
die verspätete Flugzeugverspätung, d. h. die Verspätung, die durch den vorherigen Flug zum aktuellen Flug verursacht wird, ist im Vergleich zu den anderen stärker ausgeprägt. Und die gleiche Warteschlange folgt für den Rest der Cluster. |
| |
Aber wenn Sie diesen Cluster sehen, richtig. Obwohl diese Visualisierung in SAS ziemlich intuitiv ist, |
| |
wir hatten das Gefühl, dass ein Datensatz mit einer großen Anzahl von Punkten oder in unserem Fall mehr Flughäfen ziemlich schwierig zu analysieren wäre. Daher rufe ich nur meinen Kollegen Ruiyun auf, einen anderen Ansatz zur Analyse der Cluster vorzustellen. Zu dir, Ruiyun. |
| YAN Ruiyun |
Okay, die geografische Lage ist ein weiterer Aspekt, auf den wir uns konzentriert haben. Die Cluster wurden in SAS gebildet, dann haben wir die Graph Builder-Funktion in JMP Pro 16.0 verwendet, um diese Karte zu erstellen |
| |
Zeigen Sie an, wo sich die verschiedenen Flughäfen nach Cluster befinden. Offensichtlich sind Flughäfen aus den westlichen und mittleren USA nur in Cluster 1 und Cluster 3 enthalten. |
| |
Und diese beiden Cluster zeigen, dass Cluster nicht in einer bestimmten Region verteilt sind. |
| |
Cluster 2, Cluster 4, Cluster 5 und Cluster 6 zeigen eine Aggregation von Flughäfen mit einer bestimmten Region. |
| |
Flughäfen von Cluster 2 konzentrieren sich hauptsächlich auf den Osten der Vereinigten Staaten, während Cluster 5 und 6 eher die Flughäfen einiger |
| |
Touristenattraktionen wie Houston, Phoenix, Baltimore und Honolulu, die größten Städte von Texas, Arizona, Maryland und Hawaii. |
| |
Noch wichtiger ist, dass der Phoenix Sky Harbor International Airport das Rückgrat der nationalen Fluggesellschaften und der südwestlichen Fluggesellschaften ist. Das ist |
| |
einer der wichtigsten Verkehrsknotenpunkte im Südwesten Amerikas. Darüber hinaus ist Cluster 7 ein Sonderfall, da es nur einen Flughafen hat, den Flughafen San Juan von Puerto Rico. |
| |
Wir vermuteten, dass jeder Flug, der vom Flughafen San Juan abfliegt, aufgrund der besonderen geografischen Lage eine weite Strecke zurücklegen muss. |
| |
Und das ist alles über die geografische Analyse und jetzt wird uns mein Partner Aishwarya ein Fazit geben. |
| Aishwarya KRISHNA PRASAD |
Zusammenfassend haben wir hier also versucht, die Benutzerfreundlichkeit der DTW-Knoten im SAS Enterprise Miner und auch die ausgeklügelten Visualisierungs- und Vorverarbeitungstechniken in JMP Pro 16.0 zu nutzen, um unsere Zeitreihenanalyse für unsere Flugdaten durchzuführen. |
| |
Also haben wir das dynamische Zeitclustering für 54 Flughäfen durchgeführt. Und diese Flughäfen wurden basierend auf den Verspätungsmustern im Januar und Juni 2020 in sieben Cluster zusammengefasst. |
| |
Wir haben festgestellt, dass die Verspätung der Fluggesellschaften meistens der Hauptgrund für die Verspätung in jedem Cluster ist, während die späte Flugzeugverspätung in den meisten Clustern nicht sehr weit dahinter liegt. |
| |
Im Rahmen der zukünftigen Arbeit kann man die COVID-Datenpunkte einbeziehen, um diese Analyse weiter zu verbessern und auch den Zusammenhang zwischen der Verspätung und der Annullierungsrate von Flügen zu diskutieren. |
| |
Vielen Dank, dass Sie uns zugehört haben. Ich hoffe, Ihnen hat unsere Präsentation gefallen. |
