スピーカー
|
成績証明書
|
| ゾン、リンリ_ |
さて、始めましょう。 やあみんな。 これは、2020 年 1 月から 2020 年 6 月までの米国の空港のフライト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 |
私はルイユンです。 |
| 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、プロジェクトの紹介に早速入っていきましょう。 リンリ君に。 |
| ゾン、リンリ_ |
ありがとう、アッシュ。 |
| |
左側には折れ線グラフがあることがわかります。 これは、米国で最も混雑するトップ 10 の空港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たことがわかります。 2020年の新型コロナウイルス感染拡大への対応を空港の乗客が示したためだ。 |
| |
そして、分析のために、遅延と地理的位置の特徴から、アメリカの上位 15% の空港の遅延の類似性を発見したいと考えています。 |
| |
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 は地理地図の描画に使用されます。 さて、データセットに戻りましょう。 |
| |
ありがとう、これがデータセットです。 |
| |
実際、私たちのデータセットは米国運輸省と私たちのデータから来ています。 |
| |
左側のデータ準備。これはデータ準備のプロセスです。 まず、csv ファイルを JMP Pro 16.0 にインポートしました。 |
| |
次に、分析に実際には役に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、フィルターで除外します。 |
| |
上位 54 の空港。これは各空港での戦闘の合計数に基づいて遅延率を計算します。 |
| |
データの準備後、このファイルをSASフォーマットとして保存し、さらなる分析のためにSASフォーマットをSAS Enterprise Miner 40.1にインポートします。 |
| |
それはDTW分析と時系列分析です。 DTW プロセスの後、JMP Pro 16.0 が再び使用され、さまざまなクラスターの特異点を見つけて地理地図を描画しました。 |
| |
以上がデータセットの紹介です。 私のパートナーに私たちの分析について詳しく紹介してもらいましょう。 |
| 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。 次に、時系列とクラスター分析を見てみましょう。 そこで、SAS Enterprise Miner を使用して時系列分析とクラスター分析を実行しました。 |
| |
したがって、このグラフは、SAS Enterprise Miner の DTW ノードを使用して取得した出力の 1 つです。 X 軸には、2020 年 1 月から 6 月、そして 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。 |
| |
ここで、2 月初旬と 6 月下旬に急激な急増があることがわかります。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 2 つの急上昇 (大きな急上昇) 以外にも、一般的にフライト遅延の数が着実に減少していることがわかります。 |
| |
次に、階層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、同じコンスタレーション プロットをここで観察できます。 そして、私たちは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。それでは、簡単に見てみましょう。 |
| |
Cluster1 のインスタンス。 したがって、このクラスター 1 には、主に米国の国際空港が含まれています。 |
| |
これらの空港には、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などがあります。 |
| |
いくつか挙げてみます。 ご覧のとおり、これらの空港での遅延はかなり大きくなっています。これは、この空港が観光客が頻繁に訪れる都市に位置していることが原因であると考えられます。 |
| |
同様に、残りのクラスターは、フライトで発生する遅延の同様の動作によって形成されます。 |
| |
前のステップで生成されたクラスターが JMP Pro に供給され、グラフ ビルダー機能を使用して、 |
| |
これらのグラフを構築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。 ここでははっきりとわかります |
| |
各クラスタで遅延のどの原因がより顕著であるか。 たとえば、Cluster1 でわかるように、 |
| |
遅れた航空機の遅延、つまり、前のフライトから現在のフライトまでに生じた遅延が、残りのフライトと比べてより顕著になります。 そして、同じキューが残りのクラスターにも続きます。 |
| |
しかし、このクラスターが表示されていれば、そうです。SAS でのこの視覚化は非常に直感的ですが、 |
| |
多数のポイントを含むデータ セット、またはこの場合はさらに多くの空港を含むデータ セットの場合、分析は非常に困難になると感じました。 そこで、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呼びかけています。 よろしく、ルイユン。 |
| ヤン・ルイユン |
地理的な位置も私たちが焦点を当てた部分です。 クラスターは SAS で形成され、JMP Pro 16.0 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布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 にはいくつか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、ハワイの最大都市であるヒューストン、フェニックス、ボルチモア、ホノルルなどの観光名所。 |
| |
さらに言えば、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基幹空港です。 それは |
| |
アメリカ南西部の重要な交通拠点の 1 つ。 さらに、クラスター 7 は、プエルトリコのサンファン空港という 1 つの空港しかないため、特殊なケースです。 |
| |
私たちは、特殊な地理的位置のため、サンファン空港から出発するフライトは長距離を移動する必要があると推測しました。 |
| |
地理的分析については以上で、私のパートナーであるアイシュワリヤーが結論を出してくれます。 |
| アイシュワリヤー・クリシュナ・プラサド |
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、飛行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。 |
| |
航空会社の遅延が各クラスターの遅延の主な原因である一方、航空機の遅延もほとんどのクラスターで遅れの主な原因であることが観察されました。 |
| |
今後の作業の一環として、新型コロナウイルスのデータポイントを含めてこの分析をさらに改善し、フライトの遅延と欠航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。 私たちのプレゼンテーションを気に入っていただければ幸いです。 |
