扬声器
|
成绩单
|
| 钟琳莉_ |
好的，让我们开始吧。 嗨，大家好。 这是2020年1月至2020年6月美国机场航班延误时间序列数据分析海报。 我们是新加坡管理大学的学生。 我是林丽 |
| 颜瑞云 |
我是瑞云 |
| 艾西瓦娅·克里希纳·普拉萨德 |
我是艾西瓦娅·克里希纳·普拉萨德。 现在让我们快速深入介绍我们的项目。 交给你琳莉。 |
| 钟琳莉_ |
谢谢你，阿什。 |
| |
在左侧，我们可以看到有一个折线图。 这显示了美国 10 大最繁忙机场的年度客运量和... |
| |
在...从图中，我们可以看到每个机场的乘客数量都出现了急剧下降。 这是因为机场的乘客对 2020 年 COVID-19 的传播做出了反应。 |
| |
对于我们的分析，我们想从延误和地理位置的特征中发现美国前 15% 机场的延误相似度。 |
| |
时间序列、动态时间包装、探索性数据分析。 |
| |
基于出发延迟，使用时间序列和 DTW 来找出集群之间的相似性。 EDA 用于绘制地理地图。 好的，让我们回到数据集。 |
| |
谢谢，这是数据集。 |
| |
实际上，我们的数据集来自美国交通部和我们的 |
| |
左侧的数据准备，这是我们数据准备的过程。 我们首先将 csv 文件导入 JMP Pro 16.0。 |
| |
然后我们删除对我们的分析没有真正用处的列和值。 |
| |
之后，对于数据转换，我们汇总了不同城市机场的数据，然后我们过滤掉了 |
| |
前54个机场，这是根据每个机场的战斗总数计算出延误率。 |
| |
数据准备好后，我们将此文件保存为SAS格式，然后将SAS格式导入SAS Enterprise Miner 40.1进行进一步分析， |
| |
即DTW分析和时间序列分析。 经过DTW处理后，再次使用JMP Pro 16.0找出不同簇的奇异点并绘制地理图。 |
| |
这是数据集的介绍。 欢迎小伙伴多介绍一下我们的分析。 |
| 艾西瓦娅·克里希纳·普拉萨德 |
谢谢你，林丽。 现在让我们深入研究时间序列和聚类分析。 因此，我们使用 SAS Enterprise Miner 进行了时间序列和聚类分析。 |
| |
所以这个图是我们使用 SAS Enterprise Miner 中的 DTW 节点获得的输出之一。 所以在 X 轴上，你可以看到，你知道，它包含从 2020 年 1 月到 6 月......到 2020 年 7 月的月份。 |
| |
在 y 轴上，我们可以观察到数据集中包含的航班延误的百分比。 |
| |
现在我们可以看到，在 2 月初和 6 月底出现了急剧上升，这似乎与美国的假期前后密切相关。 |
| |
但是，总的来说，除了这两个峰值……主要峰值之外，我们还可以看到总体上航班延误的数量在稳步下降。 |
| |
然后我们执行了基于层次聚类的时间序列聚类，并且可以在此处使用 SAS 观察到相同的星座图。 我们选择了……我们认为聚类数 (7) 是我们分析的最佳聚类数。 |
| |
现在，这些是使用SAS Enterprise Miner的TS相似性节点形成的集群，所以让我们...... |
| |
Cluster1 的实例。 所以在这个 Cluster1 中，它主要包含美国的国际机场。 |
| |
所以其中一些机场是丹佛国际机场、堪萨斯城国际机场、华盛顿国际机场、 |
| |
仅举几个。 所以这些机场的延误非常大，正如你所看到的，这可以归因于，你知道，因为它位于游客经常光顾的城市。 |
| |
因此，类似地，剩余的集群是由航班中经历的这种类似的延误行为形成的。 |
| |
现在，将上一步中生成的集群输入 JMP Pro，并使用 Graph Builder 功能， |
| |
我们能够构建这些图表。 所以这个图包含了每个集群中延迟的原因。 所以在这里，我们可以清楚地看到 |
| |
在每个集群中，延迟的原因更突出。 例如，正如您在 Cluster1 中看到的那样， |
| |
晚点飞机延误，即前一班机对本班机造成的延误，相比其他班次更为突出。 其余集群遵循相同的队列。 |
| |
但是如果你看到这个集群，对，所以虽然 SAS 中的这个可视化非常直观， |
| |
我们觉得对于......对于具有大量点的数据集，或者在我们的案例中具有更多数量的机场，分析将非常困难。 所以我只是呼吁我的同行瑞云提出另一种分析集群的方法。 瑞云，交给你了。 |
| 颜瑞云 |
好的，地理位置是我们关注的另一部分。 这些集群是在 SAS 中形成的，然后我们使用 JMP Pro 16.0 中的 Graph Builder 功能来生成这个映射到 |
| |
按集群显示不同机场的位置。 显然，美国西部和中部的机场仅包含在集群 1 和集群 3 中。 |
| |
并且这两个集群表明集群不分布在特定区域。 |
| |
集群 2、集群 4、集群 5 和集群 6 展示了具有特定区域的机场的聚合。 |
| |
集群 2 的机场主要集中在美国东部，而集群 5 和集群 6 更可能包含一些机场 |
| |
休斯顿、凤凰城、巴尔的摩和檀香山等旅游景点，它们是德克萨斯州、亚利桑那州、马里兰州和夏威夷州的最大城市。 |
| |
更重要的是，凤凰天港国际机场是国家航空公司和西南航空公司的骨干力量。 那是 |
| |
美国西南部的主要交通枢纽之一。 此外，集群 7 是一个特例，因为它只有一个机场，即波多黎各的圣胡安机场。 |
| |
我们推测，由于特殊的地理位置，任何从圣胡安机场起飞的航班都需要长途跋涉。 |
| |
这就是地理分析的全部内容，现在我的搭档艾西瓦娅会给我们一个结论。 |
| 艾西瓦娅·克里希纳·普拉萨德 |
因此，总而言之，我们尝试利用 SAS Enterprise Miner 中 DTW 节点的易用性以及 JMP Pro 16.0 中复杂的可视化和预处理技术来对我们的飞行数据执行时间序列分析。 |
| |
所以我们对 54 个机场进行了动态时间聚类。 根据 2020 年 1 月和 6 月的延误模式，这些机场被分为七个集群。 |
| |
我们观察到，航母延误主要是每个集群延误的主要原因，而飞机晚点延误是大多数集群延误的主要原因。 |
| |
作为未来工作的一部分，可以包括 COVID 数据点以进一步改进这一分析，并讨论航班延误与取消率之间的相关性。 |
| |
非常感谢您聆听我们的演讲。 我希望你喜欢我们的介绍。 |
