スピーカー
|
トランスクリプト
|
| ZHONG、LINLI _ |
さて、始めましょう。 皆さんこんにちは。 これは、2020年1月から2020年6月までの米国の空港における飛行遅延の時系列データ分析のポスターです。 私たちはシンガポール経営大学の学生です。 リンリです。 |
| ヤン・ルイユン |
ルイユンです。 |
| アイシュワリヤークリシュナプラサド |
そして、私はアイシュワリヤークリシュナプラサドです。 それでは、私たちのプロジェクトの紹介に簡単に飛び込みましょう。 あなたにリンリ。 |
| ZHONG、LINLI _ |
ありがとう、アッシュ。 |
| |
左側に折れ線グラフがあることがわかります。 これは、米国で最も混雑している上位10の空港での年間旅客数を示しています... |
| |
グラフから、各空港の乗客数が急激に減少していることがわかります。 これは、空港の乗客が2020年のCOVID-19の蔓延に対応したためです。 |
| |
そして、私たちの分析では、遅延と地理的位置の特徴から、アメリカの空港の上位15％の遅延の類似性を発見したいと思います。 |
| |
時系列、動的タイムラッピング、探索的データ分析。 |
| |
時系列とDTWは、出発遅延に基づいてクラスター間の類似性を見つけるために使用されます。 EDAは、地理マップの描画に使用されます。 では、データセットに戻りましょう。 |
| |
ありがとう、これはデータセットです。 |
| |
実際、私たちのデータセットは米国運輸省と私たちの |
| |
左側のデータ準備、これは私たちのデータ準備のプロセスです。 まず、csvファイルをJMP Pro16.0にインポートしました。 |
| |
次に、分析にあまり役立たない列と値を削除します。 |
| |
その後、データ変換のために、さまざまな都市の空港のデータを要約してから、 |
| |
上位54の空港。これは、各空港での戦闘の総数に基づいており、遅延率を計算します。 |
| |
データの準備後、このファイルをSAS形式で保存し、SAS形式をSAS Enterprise Miner 40.1にインポートして、さらに分析します。 |
| |
つまり、DTW分析と時系列分析です。 DTWプロセスの後、さまざまなクラスターの特異点を見つけて地理的地図を描くことにより、JMP Pro16.0が再び使用されました。 |
| |
そして、これはデータセットの紹介です。 私のパートナーが私たちの分析についてもっと紹介することを歓迎しましょう。 |
| アイシュワリヤークリシュナプラサド |
ありがとう、リンリ。 それでは、時系列とクラスター分析について詳しく見ていきましょう。 そこで、SAS EnterpriseMinerを使用して時系列分析とクラスター分析を行いました。 |
| |
したがって、このグラフは、SAS EnterpriseMinerのDTWノードを使用して取得した出力の1つです。 したがって、X軸では、2020年1月から6月... 2020年7月までの月が含まれていることがわかります。 |
| |
また、y軸では、データセットに含めたフライトに遅延の割合があることがわかります。 |
| |
これで、2月上旬と6月下旬に急激なスパイクが見られます。これは、米国の休暇期間前後と強く相関しているようです。 |
| |
しかし、一般的に、これらの2つのスパイク...主要なスパイク以外に、一般的にフライト遅延の数が着実に減少していることもわかります。 |
| |
次に、階層的クラスタリングに基づいて時系列クラスタリングを実行しました。SASを使用して、ここで同じコンスタレーションプロットを観察できます。 そして、それを選択しました...クラスターの数（7）が分析に最適なクラスターの数であると感じました。 |
| |
さて、これらはSAS Enterprise MinerのTS類似性ノードを使用して形成されたクラスターです。 |
| |
Cluster1のインスタンス。 したがって、このCluster1には、主に米国の国際空港が含まれています。 |
| |
したがって、これらの空港のいくつかは、デンバー国際空港、カンザスシティ国際空港、ワシントン国際空港、 |
| |
ほんの数例を挙げると。 ご覧のとおり、これらの空港の遅延はかなり大きく、これは、観光客が頻繁に訪れる都市にあるため、これが原因である可能性があります。 |
| |
同様に、残りのクラスターは、フライトで発生する遅延のこの同様の動作によって形成されます。 |
| |
これで、前の手順で生成されたクラスターがJMP Proに送られ、グラフビルダー機能を使用して、 |
| |
これらのグラフを作成することができました。 したがって、このグラフには、各クラスターの遅延の原因が含まれています。 だからここで、私たちははっきりと見ることができます |
| |
遅延の原因は、各クラスターでより顕著です。 たとえば、Cluster1でわかるように、 |
| |
遅い航空機の遅延、つまり、前のフライトから現在のフライトへの遅延は、他のフライトよりも顕著です。 そして、残りのクラスターについても同じキューが続きます。 |
| |
しかし、このクラスターを見ると、そうです。SASでのこの視覚化は非常に直感的ですが、 |
| |
ポイントの数が多いデータセット、またはこの場合は空港の数が多いデータセットの場合、分析するのは非常に難しいと感じました。 ですから、私は同僚のRuiyunに、クラスターを分析するための別のアプローチを提示するように呼びかけています。 あなたに、ルイユン。 |
| ヤン・ルイユン |
さて、地理的な場所は私たちが焦点を当てた別の部分です。 クラスターはSASで形成された後、JMP Pro16.0のグラフビルダー機能を使用してこのマップを生成しました。 |
| |
さまざまな空港がクラスターごとにどこにあるかを示します。 明らかに、米国西部と中部の空港はクラスター1とクラスター3にのみ含まれています。 |
| |
そして、これら2つのクラスターは、クラスターが特定の地域に分散していないことを示しています。 |
| |
クラスター2、クラスター4、クラスター5、およびクラスター6は、特定の地域の空港の集合体を示しています。 |
| |
クラスター2の空港は主に米国東部に集中していますが、クラスター5と6には一部の空港が含まれている可能性が高くなります。 |
| |
テキサス、アリゾナ、メリーランド、ハワイの最大の都市であるヒューストン、フェニックス、ボルティモア、ホノルルなどの観光名所。 |
| |
さらに重要なことに、フェニックススカイハーバー国際空港は国営航空会社とサウスウエスト航空のバックボーンです。 それは |
| |
アメリカ南西部の主要な交通ハブの1つ。 さらに、クラスター7は、プエルトリコからのサンファン空港という1つの空港しかないため、特別なケースです。 |
| |
地理的に特別な場所にあるため、サンファン空港から出発するフライトはどれも移動距離が長いと推測しました。 |
| |
これが地理的分析のすべてであり、パートナーのAishwaryaが結論を出します。 |
| アイシュワリヤークリシュナプラサド |
したがって、ここでの結論として、SAS Enterprise MinerのDTWノードの使いやすさと、JMP Pro 16.0の高度な視覚化および前処理技術を活用して、フライトデータの時系列分析を実行してみました。 |
| |
そこで、54の空港に対して動的な時間クラスタリングを実行しました。 そして、これらの空港は、2020年1月と6月の遅延パターンに基づいて7つのクラスターに形成されました。 |
| |
キャリアの遅延が各クラスターの遅延の主な理由であるのに対し、航空機の遅延はほとんどのクラスターの遅延の主な原因であることにそれほど遅れをとっていないことがわかりました。 |
| |
将来の作業の一環として、COVIDデータポイントを含めて、この分析をさらに改善し、フライトの遅延とキャンセル率の相関関係についても議論することができます。 |
| |
ご清聴ありがとうございました。 あなたが私たちのプレゼンテーションを気に入ってくれたことを願っています。 |
