스피커
|
성적 증명서
|
| 종 린리 _ |
좋아, 시작하자. 안녕하세요 여러분. 2020년 1월부터 2020년 6월까지 미국 공항의 비행 지연에 대한 시계열 데이터 분석 포스터입니다. 우리는 Singapore Management University의 학생입니다. 저는 린리입니다. |
| 얀 루이윈 |
저는 루이윤입니다. |
| 아이쉬와라 크리슈나 프라사드 |
그리고 저는 Aishwarya Krishna Prasad입니다. 이제 우리 프로젝트의 소개로 빠르게 들어가 봅시다. 당신에게 Linli. |
| 종 린리 _ |
고마워, 애쉬. |
| |
왼쪽에 꺾은선형 차트가 있는 것을 볼 수 있습니다. 이것은 미국에서 가장 분주한 상위 10개 공항의 연간 승객 트래픽을 보여주고... |
| |
에 ... 그래프에서 각 공항의 승객 수가 급격히 감소했음을 알 수 있습니다. 2020년 공항 이용객들이 코로나19 확산에 대한 대응을 보여줬기 때문이다. |
| |
그리고 분석을 위해 지연 특성과 지리적 위치에서 미국 상위 15% 공항의 지연 유사성을 발견하고자 합니다. |
| |
시계열, 동적 시간 래핑, 탐색적 데이터 분석. |
| |
시계열과 DTW는 출발 지연을 기반으로 클러스터 간의 유사성을 찾기 위해 사용됩니다. EDA는 지리적 지도를 그리는 데 사용됩니다. 좋아, 데이터 세트로 돌아가자. |
| |
감사합니다. 이것은 데이터 세트입니다. |
| |
사실, 우리의 데이터 세트는 미국 교통부와 |
| |
왼쪽의 데이터 준비, 이것이 우리의 데이터 준비 과정입니다. 먼저 csv 파일을 JMP Pro 16.0으로 가져왔습니다. |
| |
그런 다음 분석에 실제로 유용하지 않은 열과 값을 제거합니다. |
| |
그런 다음 데이터 변환을 위해 다른 도시의 공항 데이터를 요약한 다음 필터링합니다. |
| |
상위 54개 공항은 각 공항의 총 전투 수를 기준으로 지연 비율을 계산합니다. |
| |
데이터 준비 후 이 파일을 SAS 형식으로 저장하고 추가 분석을 위해 SAS Enterprise Miner 40.1로 SAS 형식을 가져옵니다. |
| |
즉 DTW 분석 및 시계열 분석입니다. DTW 프로세스 후 JMP Pro 16.0을 다시 사용하여 서로 다른 클러스터의 특이점을 찾아 지리적 지도를 그렸습니다. |
| |
그리고 이것은 데이터 세트에 대한 소개입니다. 우리의 분석에 대해 더 많은 것을 소개하기 위해 파트너를 환영합시다. |
| 아이쉬와라 크리슈나 프라사드 |
고마워, 린리. 이제 시계열 및 클러스터 분석에 대해 자세히 살펴보겠습니다. 그래서 SAS Enterprise Miner를 사용하여 시계열 및 클러스터 분석을 수행했습니다. |
| |
따라서 이 그래프는 SAS Enterprise Miner의 DTW 노드를 사용하여 얻은 출력 중 하나입니다. 따라서 X축에는 2020년 1월부터 6월...2020년 7월까지의 달이 포함되어 있음을 알 수 있습니다. |
| |
그리고 y축에서 데이터 세트에 포함된 항공편의 지연 비율을 확인할 수 있습니다. |
| |
이제 우리는 2월 초와 6월 말에 급격한 급증이 있음을 볼 수 있으며 이는 미국의 휴가 기간과 밀접한 관련이 있는 것으로 보입니다. |
| |
그러나 일반적으로 이 두 가지 급증...주요 급증 외에도 일반적으로 비행 지연 횟수가 꾸준히 감소하는 것을 볼 수 있습니다. |
| |
그런 다음 계층적 클러스터링을 기반으로 시계열 클러스터링을 수행했으며 SAS를 사용하여 여기에서 동일한 별자리 플롯을 관찰할 수 있습니다. 그리고 우리는 그것을 선택했습니다...클러스터 수(7)가 분석을 위한 최적의 클러스터 수라고 느꼈습니다. |
| |
자, SAS Enterprise Miner의 TS 유사성 노드를 이용하여 형성한 클러스터들이니, 그냥 찰칵...빨리 찰칵 |
| |
Cluster1의 인스턴스. 따라서 이 Cluster1에는 대부분 미국의 국제공항이 포함되어 있습니다. |
| |
이러한 공항 중 일부는 덴버 국제공항, 캔자스시티 국제공항, 워싱턴 국제공항, |
| |
몇가지 말하자면. 그래서 이 공항들의 지연은 보시다시피 꽤 크며 이것은 관광객들이 자주 찾는 도시에 위치해 있기 때문일 수 있습니다. |
| |
유사하게 나머지 클러스터는 항공편에서 경험하는 지연의 유사한 동작에 의해 형성됩니다. |
| |
이제 이전 단계에서 생성된 클러스터가 JMP Pro에 공급되고 Graph Builder 기능을 사용하여 |
| |
우리는 이러한 그래프를 만들 수 있었습니다. 따라서 이 그래프에는 각 클러스터의 지연 원인이 포함되어 있습니다. 여기에서 명확하게 볼 수 있습니다. |
| |
지연의 원인은 각 클러스터에서 더 두드러집니다. 예를 들어 Cluster1에서 볼 수 있듯이 |
| |
늦은 항공기 지연, 즉 이전 항공편에서 현재 항공편으로 인한 지연이 나머지에 비해 더 두드러집니다. 나머지 클러스터에 대해서도 동일한 대기열이 이어집니다. |
| |
하지만 이 클러스터를 보면 알 수 있습니다. SAS의 이 시각화는 매우 직관적이지만 |
| |
우리는 많은 수의 포인트가 있는 데이터 세트 또는 우리의 경우 더 많은 수의 공항에 대해 분석하기가 매우 어려울 것이라고 느꼈습니다. 그래서 저는 제 동료 Ruiyun에게 클러스터를 분석하는 또 다른 접근 방식을 제시하도록 요청하고 있습니다. 당신에게, Ruiyun. |
| 얀 루이윈 |
좋아요, 지리적 위치는 우리가 집중한 또 다른 부분입니다. SAS에서 클러스터를 형성한 다음 JMP Pro 16.0의 Graph Builder 기능을 사용하여 이 맵을 생성했습니다. |
| |
클러스터별로 다른 공항이 있는 위치를 보여줍니다. 분명히 미국 서부 및 중부의 공항은 클러스터 1과 클러스터 3에만 포함됩니다. |
| |
그리고 이 두 군집은 군집이 특정 지역에 분포되어 있지 않음을 보여준다. |
| |
클러스터 2, 클러스터 4, 클러스터 5 및 클러스터 6은 특정 지역의 공항 집합을 보여줍니다. |
| |
클러스터 2의 공항은 주로 미국 동부에 집중되어 있는 반면 클러스터 5와 6은 일부 공항을 포함할 가능성이 높습니다. |
| |
텍사스, 애리조나, 메릴랜드, 하와이에서 가장 큰 도시인 휴스턴, 피닉스, 볼티모어, 호놀룰루와 같은 관광 명소. |
| |
더 중요한 점은 피닉스 스카이 하버 국제공항이 국영 항공사와 남서부 항공사의 중추라는 것입니다. 그건 |
| |
미국 남서부의 주요 교통 허브 중 하나입니다. 또한 클러스터 7은 푸에르토리코의 산후안 공항 하나만 있는 특별한 경우입니다. |
| |
우리는 특별한 지리적 위치 때문에 산후안 공항에서 출발하는 모든 항공편이 장거리 여행을 해야 한다고 추측했습니다. |
| |
이것이 지리적 분석에 관한 것입니다. 이제 제 파트너 Aishwarya가 결론을 내릴 것입니다. |
| 아이쉬와라 크리슈나 프라사드 |
결론적으로 여기에서는 SAS Enterprise Miner의 DTW 노드 사용 용이성과 JMP Pro 16.0의 정교한 시각화 및 사전 처리 기술을 활용하여 비행 데이터에 대한 시계열 분석을 수행하려고 했습니다. |
| |
그래서 우리는 54개 공항에 대해 동적 시간 클러스터링을 수행했습니다. 그리고 이 공항들은 2020년 1월과 6월의 지연 패턴을 기반으로 7개의 클러스터로 구성되었습니다. |
| |
우리는 캐리어 지연이 대부분 각 클러스터에서 지연의 주요 원인인 반면 늦은 항공기 지연이 대부분의 클러스터에서 지연의 주요 원인이 되는 데 크게 뒤지지 않는다는 것을 관찰했습니다. |
| |
향후 작업의 일부로 COVID 데이터 포인트를 포함하여 이 분석을 더욱 개선하고 항공편 지연과 결항률 사이의 상관관계를 논의할 수 있습니다. |
| |
들어주셔서 정말 감사합니다. 저희 프레젠테이션이 마음에 드셨기를 바랍니다. |
