揚聲器
|
成績單
|
| 鍾琳莉_ |
好的，讓我們開始吧。 嗨，大家好。 這是2020年1月至2020年6月美國機場航班延誤時間序列數據分析海報。 我們是新加坡管理大學的學生。 我是林麗 |
| 顏瑞雲 |
我是瑞雲 |
| 艾西瓦婭·克里希納·普拉薩德 |
我是艾西瓦婭·克里希納·普拉薩德。 現在讓我們快速深入介紹我們的項目。 交給你琳莉。 |
| 鍾琳莉_ |
謝謝你，阿什。 |
| |
在左側，我們可以看到有一個折線圖。 這顯示了美國 10 大最繁忙機場的年度客運量和... |
| |
在...從圖中，我們可以看到每個機場的乘客數量都出現了急劇下降。 這是因為機場的乘客對 2020 年 COVID-19 的傳播做出了反應。 |
| |
對於我們的分析，我們想從延誤和地理位置的特徵中發現美國前 15% 機場的延誤相似度。 |
| |
時間序列、動態時間包裝、探索性數據分析。 |
| |
基於出發延遲，使用時間序列和 DTW 來找出集群之間的相似性。 EDA 用於繪製地理地圖。 好的，讓我們回到數據集。 |
| |
謝謝，這是數據集。 |
| |
實際上，我們的數據集來自美國交通部和我們的 |
| |
左側的數據準備，這是我們數據準備的過程。 我們首先將 csv 文件導入 JMP Pro 16.0。 |
| |
然後我們刪除對我們的分析沒有真正用處的列和值。 |
| |
之後，對於數據轉換，我們匯總了不同城市機場的數據，然後我們過濾掉了 |
| |
前54個機場，這是根據每個機場的戰鬥總數計算出延誤率。 |
| |
數據準備好後，我們將此文件保存為SAS格式，然後將SAS格式導入SAS Enterprise Miner 40.1進行進一步分析， |
| |
即DTW分析和時間序列分析。 經過DTW處理後，再次使用JMP Pro 16.0找出不同簇的奇異點並繪製地理圖。 |
| |
這是數據集的介紹。 歡迎小伙伴多介紹一下我們的分析。 |
| 艾西瓦婭·克里希納·普拉薩德 |
謝謝你，林麗。 現在讓我們深入研究時間序列和聚類分析。 因此，我們使用 SAS Enterprise Miner 進行了時間序列和聚類分析。 |
| |
所以這個圖是我們使用 SAS Enterprise Miner 中的 DTW 節點獲得的輸出之一。 所以在 X 軸上，你可以看到，你知道，它包含從 2020 年 1 月到 6 月......到 2020 年 7 月的月份。 |
| |
在 y 軸上，我們可以觀察到數據集中包含的航班延誤的百分比。 |
| |
現在我們可以看到，在 2 月初和 6 月底出現了急劇上升，這似乎與美國的假期前後密切相關。 |
| |
但是，總的來說，除了這兩個峰值……主要峰值之外，我們還可以看到總體上航班延誤的數量在穩步下降。 |
| |
然後我們執行了基於層次聚類的時間序列聚類，並且可以在此處使用 SAS 觀察到相同的星座圖。 我們選擇了……我們認為聚類數 (7) 是我們分析的最佳聚類數。 |
| |
現在，這些是使用SAS Enterprise Miner的TS相似性節點形成的集群，所以讓我們...... |
| |
Cluster1 的實例。 所以在這個 Cluster1 中，它主要包含美國的國際機場。 |
| |
所以其中一些機場是丹佛國際機場、堪薩斯城國際機場、華盛頓國際機場、 |
| |
僅舉幾個。 所以這些機場的延誤非常大，正如你所看到的，這可以歸因於，你知道，因為它位於遊客經常光顧的城市。 |
| |
因此，類似地，剩餘的集群是由航班中經歷的這種類似的延誤行為形成的。 |
| |
現在，將上一步中生成的集群輸入 JMP Pro，並使用 Graph Builder 功能， |
| |
我們能夠構建這些圖表。 所以這個圖包含了每個集群中延遲的原因。 所以在這裡，我們可以清楚地看到 |
| |
在每個集群中，延遲的原因更突出。 例如，正如您在 Cluster1 中看到的那樣， |
| |
晚點飛機延誤，即前一班機對本班機造成的延誤，相比其他班次更為突出。 其餘集群遵循相同的隊列。 |
| |
但是如果你看到這個集群，對，所以雖然 SAS 中的這個可視化非常直觀， |
| |
我們覺得對於......對於具有大量點的數據集，或者在我們的案例中具有更多數量的機場，分析將非常困難。 所以我只是呼籲我的同行瑞雲提出另一種分析集群的方法。 瑞雲，交給你了。 |
| 顏瑞雲 |
好的，地理位置是我們關注的另一部分。 這些集群是在 SAS 中形成的，然後我們使用 JMP Pro 16.0 中的 Graph Builder 功能來生成這個映射到 |
| |
按集群顯示不同機場的位置。 顯然，美國西部和中部的機場僅包含在集群 1 和集群 3 中。 |
| |
並且這兩個集群表明集群不分佈在特定區域。 |
| |
集群 2、集群 4、集群 5 和集群 6 展示了具有特定區域的機場的聚合。 |
| |
集群 2 的機場主要集中在美國東部，而集群 5 和集群 6 更可能包含一些機場 |
| |
休斯頓、鳳凰城、巴爾的摩和檀香山等旅遊景點，它們是德克薩斯州、亞利桑那州、馬里蘭州和夏威夷州的最大城市。 |
| |
更重要的是，鳳凰天港國際機場是國家航空公司和西南航空公司的骨幹力量。 那是 |
| |
美國西南部的主要交通樞紐之一。 此外，集群 7 是一個特例，因為它只有一個機場，即波多黎各的聖胡安機場。 |
| |
我們推測，由於特殊的地理位置，任何從聖胡安機場起飛的航班都需要長途跋涉。 |
| |
這就是地理分析的全部內容，現在我的搭檔艾西瓦婭會給我們一個結論。 |
| 艾西瓦婭·克里希納·普拉薩德 |
因此，總而言之，我們嘗試利用 SAS Enterprise Miner 中 DTW 節點的易用性以及 JMP Pro 16.0 中復雜的可視化和預處理技術來對我們的飛行數據進行時間序列分析。 |
| |
所以我們對 54 個機場進行了動態時間聚類。 根據 2020 年 1 月和 6 月的延誤模式，這些機場被分為七個集群。 |
| |
我們觀察到，航母延誤主要是每個集群延誤的主要原因，而飛機晚點延誤是大多數集群延誤的主要原因。 |
| |
作為未來工作的一部分，可以包括 COVID 數據點以進一步改進這一分析，並討論航班延誤與取消率之間的相關性。 |
| |
非常感謝您聆聽我們的演講。 我希望你喜歡我們的介紹。 |
