揚聲器
|
成績單
|
| 鍾琳麗_ |
好吧，讓我們開始吧。 大家好。 這是2020年1月至2020年6月美國機場航班延誤的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。 |
| 嚴瑞雲 |
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。 現在讓我們快速介紹一下我們的項目。 就交給你了，林麗。 |
| 鍾琳麗_ |
謝謝你，阿什。 |
| |
在左側，我們可以看到有一個折線圖。 這顯示了美國十大最繁忙機場的年度旅客流量...... |
| |
在...從圖中我們可以看到，每個機場的旅客數量都出現了急劇下降。 這是因為機場的乘客在 2020 年表現出了對 COVID-19 傳播的反應。 |
| |
在我們的分析中，我們希望從延誤和地理位置的特徵中發現美國前 15% 的機場的延誤相似性。 |
| |
時間序列、動態時間包裹、探索性數據分析。 |
| |
時間序列和 DTW 用於根據出發延誤找出集群之間的相似性。 EDA用於繪製地理地圖。 好吧，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 |
| |
左邊的數據準備，這就是我們數據準備的過程。 我們首先將 csv 文件導入到 JMP Pro 16.0 中。 |
| |
然後我們刪除對我們的分析並不真正有用的列和值。 |
| |
之後，對於數據轉換，我們匯總了不同城市機場的數據，然後篩選出 |
| |
排名前54的機場，根據各機場的航班總數，計算延誤率。 |
| |
數據準備完畢後，我們將此文件保存為 SAS 格式，並將 SAS 格式導入 SAS Enterprise Miner 40.1 中以供進一步分析， |
| |
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，找出不同簇的奇點並繪製地理圖。 |
| |
這就是數據集的介紹。 歡迎我的伙伴給我們介紹更多我們的分析。 |
| 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。 |
| |
因此，該圖是我們使用 SAS Enterprise Miner 中的 DTW 節點獲得的輸出之一。 因此，在 X 軸中，您可以看到，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百分比。 |
| |
現在我們可以看到，2月初和6月下旬出現了急劇上升，這似乎與美國的假期期間密切相關。 |
| |
但是，總的來說，除了這兩個峰值……主要峰值之外，我們還可以看到航班延誤數量總體上穩步減少。 |
| |
然後，我們使用 SAS 執行基於層次聚類的時間序列聚類，並且可以在此處觀察到相同的星座圖。 我們選擇...我們認為聚類數量 (7) 是我們分析的最佳聚類數量。 |
| |
現在，這些是使用SAS Enterprise Miner的TS相似節點形成的集群，所以讓我們快速看一下 |
| |
Cluster1 的實例。 所以在這個 Cluster1 中，它主要包含美國的國際機場。 |
| |
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。 因此，正如您所看到的，這些機場的延誤相當大，這可以歸因於，您知道，因為這些機場位於遊客經常光顧的城市。 |
| |
同樣，其餘的集群也是由航班中經歷的類似延誤行為形成的。 |
| |
現在，將上一步中生成的聚類輸入到 JMP Pro 中，並使用圖形生成器功能， |
| |
我們能夠構建這些圖表。 因此，該圖包含每個集群中延遲的原因。 所以在這裡，我們可以清楚地看到 |
| |
每個集群中哪些延遲原因更為突出。 例如，正如您在 Cluster1 中看到的那樣， |
| |
晚點飛機延誤，即前一航班到當前航班造成的延誤相比其余航班更為突出。 其餘集群也遵循相同的隊列。 |
| |
但是如果你看到這個集群，對吧，雖然 SAS 中的可視化非常直觀， |
| |
我們覺得對於一個具有大量點的數據集，或者在我們的例子中具有更多機場的數據集，分析起來會非常困難。 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。 交給你了，瑞雲。 |
| 嚴瑞雲 |
好吧，地理位置是我們關注的另一個部分。 聚類是在 SAS 中形成的，然後我們使用 JMP Pro 16.0 中的圖形生成器功能生成此圖 |
| |
按集群顯示不同機場的位置。 顯然，來自美國西部和中部的機場僅包含在集群 1 和集群 3 中。 |
| |
這兩個集群表明集群並不分佈在特定區域。 |
| |
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 更可能包含一些美國的機場 |
| |
旅遊勝地，如德克薩斯州、亞利桑那州、馬里蘭州和夏威夷州最大的城市休斯頓、菲尼克斯、巴爾的摩和檀香山。 |
| |
更重要的是，鳳凰城天港國際機場是全國航空公司和西南航空公司的支柱。 那是 |
| |
美國西南部重要交通樞紐之一。 此外，Cluster 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。 |
| |
我們猜測，由於特殊的地理位置，任何從聖胡安機場出發的航班都有很長的飛行距離。 |
| |
這就是地理分析的全部內容，現在我的搭檔艾西瓦婭將給我們一個結論。 |
| 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飛行數據執行時間序列分析。 |
| |
因此我們對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，航母延誤是每個集群延誤的主要原因，而飛機晚點也是大多數集群延誤的主要原因。 |
| |
作為未來工作的一部分，人們可以納入新冠肺炎數據點以進一步改進這一分析，並討論航班延誤率和取消率之間的相關性。 |
| |
非常感謝您聆聽我們的講話。 我希望您喜歡我們的演示。 |
