398759_de-DE

liliconcom

Zeitreihendatenanalyse von Flugverspätungen an US-Flughäfen, Januar-Juni 2020 (2021-US-EPO-925)

Niveau: Anfänger

 

Aishwarya Krishna Prasad, Studentin, Singapore Management University

Ruiyun Yan, Student, Singapore Management University

Linli Zhong, Studentin, Singapore Management University
Prof. Kam Tin Seong, Singapore Management University

 

Es gibt mehrere Gründe für eine Verspätung eines Fluges, z. B. Probleme mit dem Flugsystem, Wetter, Verspätungen der Fluggesellschaft, Sicherheitsprobleme usw. Aber interessanterweise ist der häufigste Grund für eine Flugverspätung nicht das Wetter, sondern Probleme mit dem Flugsystem. Die Federal Aviation Administration (FAA) betrachtet einen Flug in der Regel als verspätet, wenn er 15 Minuten oder mehr zu spät ankommt oder abfliegt als geplant. Flugverspätungen sind sowohl für Fluggesellschaften als auch für Kunden unangenehm. In diesem Artikel werden DTW-Techniken (Dynamic Time Warping) für 54 Flughäfen in den USA eingesetzt.Die Studie zielt darauf ab, Flughäfen mit ähnlichen Verspätungsmustern im Zeitverlauf zu gruppieren. Darüber hinaus werden in der Arbeit einige Erklärungsmodelle erstellt, um die Ähnlichkeit zwischen verschiedenen Flughäfen oder Entfernungen zu erklären.In dieser Analyse wollen wir mithilfe von Zeitreihentechniken die Ähnlichkeit der 15 % der verkehrsreichsten amerikanischen Flughäfen ermitteln. In diesem Artikel werden zunächst die 15 % der verkehrsreichsten amerikanischen Flughäfen gefiltert, die Rate der Abflugverspätungen für jeden Flughafen berechnet und dann mithilfe von DTW diese Flughäfen auf der Grundlage von Abflugähnlichkeiten gruppiert. Als nächstes werden die Gemeinsamkeiten und Unterschiede zwischen den Clustern identifiziert.Diese Analyse wird dazu beitragen, Passagiere und Flughafenbeamte über Abflugverspätungen an 54 amerikanischen Flughäfen von Januar bis Juni 2020 zu informieren.

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Transkript
ZHONG, LINLI _	Okay, fangen wir an. Hallo allerseits. Dies ist das Poster einer Zeitreihendatenanalyse von Flugverspätungen auf 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. Kommen wir nun schnell zur Einführung unseres Projekts. Zu dir, Linli.
ZHONG, LINLI _	Danke, Ash.
	Auf der linken Seite sehen wir, dass es sich um ein Liniendiagramm handelt. Dies zeigt den jährlichen Passagierverkehr an den zehn verkehrsreichsten US-Flughäfen und ...
	In der Grafik können wir sehen, dass die Zahl der Passagiere an jedem Flughafen stark zurückgegangen ist. Dies liegt daran, dass die Passagiere auf Flughäfen im Jahr 2020 auf die Ausbreitung des COVID-19 reagierten.
	Und für unsere Analyse möchten wir die Verspätungsähnlichkeit der oberen 15 % der Flughäfen in Amerika anhand der Verspätungsmerkmale und der geografischen Lage ermitteln.
	Zeitreihen, dynamischer Zeitumbruch, explorative Datenanalyse.
	Mithilfe der Zeitreihen und der DTW werden die Ähnlichkeiten zwischen den Clustern anhand der Abflugverspätungen ermittelt. EDA wird zum Zeichnen der geografischen Karte verwendet. Okay, kommen wir zurück zum Datensatz.
	Vielen Dank, das ist der Datensatz.
	Tatsächlich stammt unser Datensatz vom Verkehrsministerium der Vereinigten Staaten und von unserem
	Datenaufbereitung auf der linken Seite, dies ist der Prozess unserer Datenaufbereitung. Wir haben zunächst 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 sie dann heraus
	Top 54 Flughäfen, die auf der Gesamtzahl der Kämpfe an jedem Flughafen basieren und die Verspätungsrate berechnen.
	Und nach der Datenvorbereitung speichern wir diese Datei im 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. Begrüßen wir meinen Partner, um Ihnen mehr über unsere Analyse zu erzählen.
Aishwarya KRISHNA PRASAD	Danke, Linli. Lassen Sie uns nun in die Zeitreihen- und Clusteranalyse eintauchen. Deshalb haben wir die Zeitreihen- und Clusteranalyse mit dem SAS Enterprise Miner durchgeführt.
	Dieses Diagramm ist also eine der Ausgaben, die wir mithilfe der DTW-Knoten in SAS Enterprise Miner erhalten haben. Auf der X-Achse sehen Sie also, dass sie die Monate Januar 2020 bis Juni ... bis Juli 2020 enthält.
	Und auf der y-Achse können wir beobachten, dass es bei den Flügen, die wir in unseren Datensatz aufgenommen haben, einen Prozentsatz an Verspätungen gibt.
	Jetzt können wir sehen, dass es Anfang Februar und Ende Juni einen starken Anstieg gibt, der offenbar stark mit den Feiertagen in den USA zusammenhängt.
	Aber abgesehen von diesen beiden Spitzen ... großen Spitzen können wir im Allgemeinen auch einen stetigen Rückgang der Zahl der Flugverspätungen im Allgemeinen beobachten.
	Anschließend führten wir ein Zeitreihen-Clustering basierend auf hierarchischem Clustering durch, dessen Konstellationsdiagramm hier mithilfe von SAS beobachtet werden kann. Und wir haben uns dafür entschieden ... Wir waren der Meinung, dass die Anzahl der Cluster (7) die optimalste Anzahl von Clustern für unsere Analyse ist.
	Dies sind nun die Cluster, die mithilfe des TS-Ähnlichkeitsknotens des SAS Enterprise Miner gebildet werden. Lassen Sie uns also kurz einen Blick darauf werfen
	die Instanz von Cluster1. In diesem Cluster1 sind also hauptsächlich die internationalen Flughäfen in den USA enthalten.
	Einige dieser Flughäfen sind der internationale Flughafen Denver, der internationale Flughafen Kansas City, der internationale Flughafen Washington,
	nur um ein paar zu nennen. Wie Sie sehen, ist die Verspätung an diesen Flughäfen ziemlich groß, und das ist darauf zurückzuführen, dass sie sich in einer Stadt befinden, die von Touristen frequentiert wird.
	In ähnlicher Weise werden die verbleibenden Cluster durch dieses ähnliche Verhalten der Verspätungen bei den Flügen gebildet.
	Nun wurden die im vorherigen Schritt generierten Cluster in JMP Pro eingespeist und mithilfe der Graph Builder-Funktionalität
	Wir konnten diese Diagramme erstellen. Diese Grafik enthält also die Ursachen für Verzögerungen in jedem der Cluster. Hier können wir es also deutlich sehen
	Welche Verzögerungsursachen sind in jedem Cluster stärker ausgeprägt? Wie Sie beispielsweise für Cluster1 sehen können,
	Die verspätete Flugzeugverspätung, also die Verspätung, die durch den vorherigen Flug zum aktuellen Flug verursacht wurde, ist im Vergleich zu den anderen stärker ausgeprägt. Und für die restlichen Cluster folgt die gleiche Warteschlange.
	Aber wenn Sie diesen Cluster sehen, richtig, obwohl diese Visualisierung in SAS ziemlich intuitiv ist,
	Wir hatten das Gefühl, dass es bei einem Datensatz mit einer großen Anzahl von Punkten, in unserem Fall einer größeren Anzahl von Flughäfen, ziemlich schwierig wäre, ihn zu analysieren. Deshalb rufe ich einfach meinen Kollegen Ruiyun auf, einen anderen Ansatz zur Analyse der Cluster vorzustellen. Kommen wir zu dir, Ruiyun.
YAN Ruiyun	Okay, der geografische Standort ist ein weiterer Teil, 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 generieren
	Zeigen Sie nach Clustern an, wo sich die verschiedenen Flughäfen befinden. Offensichtlich sind Flughäfen im Westen und in der Mitte der USA nur in Cluster 1 und Cluster 3 enthalten.
	Und diese beiden Cluster zeigen, dass der Cluster nicht auf eine bestimmte Region verteilt ist.
	Cluster 2, Cluster 4, Cluster 5 und Cluster 6 zeigen eine Zusammenfassung von Flughäfen mit einer bestimmten Region.
	Flughäfen aus Cluster 2 konzentrieren sich hauptsächlich auf den Osten der Vereinigten Staaten, während die Cluster 5 und 6 eher die Flughäfen einiger weniger umfassen
	Touristenattraktionen wie Houston, Phoenix, Baltimore und Honolulu, die größten Städte in Texas, Arizona, Maryland und Hawaii.
	Noch wichtiger ist, dass der Phoenix Sky Harbor International Airport das Rückgrat nationaler und südwestlicher Fluggesellschaften ist. Das ist
	einer der wichtigsten Verkehrsknotenpunkte im Südwesten Amerikas. Darüber hinaus ist Cluster 7 ein Sonderfall, da er nur einen Flughafen hat, nämlich den Flughafen San Juan von Puerto Rico.
	Wir gingen davon aus, dass aufgrund der besonderen geografischen Lage jeder Flug, der vom Flughafen San Juan abfliegt, eine weite Strecke zurücklegen muss.
	Und das ist alles über die geografische Analyse und nun wird uns mein Partner Aishwarya ein Fazit geben.
Aishwarya KRISHNA PRASAD	Abschließend haben wir hier versucht, die Benutzerfreundlichkeit der DTW-Knoten im SAS Enterprise Miner sowie die ausgefeilten Visualisierungs- und Vorverarbeitungstechniken in JMP Pro 16.0 zu nutzen, um unsere Zeitreihenanalyse für unsere Flugdaten durchzuführen.
	Deshalb 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 eingeteilt.
	Wir haben festgestellt, dass die Verspätung von Fluggesellschaften meist der Hauptgrund für Verspätungen in jedem Cluster ist, während die verspätete Flugzeugverspätung in den meisten Clustern nicht weit dahinter liegt und eine Hauptursache für Verspätungen ist.
	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 diskutieren.
	Vielen Dank, dass Sie uns zugehört haben. Ich hoffe, Ihnen hat unsere Präsentation gefallen.

DatenexplorationDatenvisualisierungePoster