|
Lautsprecher
|
Transkript
|
| ZHONG, LINLI _ |
Okay, fangen wir an. Hallo zusammen. Dies ist das Poster der Zeitreihendatenanalyse von Flugverspätungen auf US-Flughäfen von Januar 2020 bis Juni 2020. Wir sind Studenten der Singapore Management University. Ich bin Linli. |
| YAN Ruiyun |
Ich bin Ruiyun. |
| Aishwarya Krishna Prasad |
Und ich bin Aishwarya Krishna Prasad. Lassen Sie uns nun schnell in die Einführung unseres Projekts eintauchen. Übergeben an Sie, Linli. |
| ZHONG, LINLI _ |
Danke, Ash. |
| |
Auf der linken Seite sehen wir ein Liniendiagramm. Dieses zeigt das jährliche Passagieraufkommen an den 10 verkehrsreichsten US-Flughäfen und … |
| |
Aus der Grafik können wir ersehen, dass die Zahl der Passagiere in jedem Flughafen stark zurückgegangen ist. Dies liegt daran, dass die Passagierzahlen in den Flughäfen im Jahr 2020 auf die Verbreitung von COVID-19 reagierten. |
| |
Und für unsere Analyse möchten wir die Ähnlichkeiten in Bezug auf Verspätungen bei den größten 15 % der Flughäfen in Amerika anhand von Verspätungsmerkmalen und der geografischen Lage ermitteln. |
| |
Zeitreihen, dynamische Zeitumbruch, explorative Datenanalyse. |
| |
Die Zeitreihen und DTW werden verwendet, um die Ähnlichkeiten zwischen den Clustern anhand der Abflugverspätungen herauszufinden. EDA wird verwendet, um die geografische Karte zu zeichnen. Okay, gehen wir zurück zum Datensatz. |
| |
Danke, dies ist der Datensatz. |
| |
Tatsächlich stammen unsere Daten vom Verkehrsministerium der Vereinigten Staaten und von unserem |
| |
Datenaufbereitung auf der linken Seite, dies ist der Prozess unserer Datenaufbereitung. Wir haben zuerst die CSV-Datei in JMP Pro 16.0 importiert. |
| |
Und dann entfernen wir die Spalten und Werte, die für unsere Analyse nicht wirklich nützlich sind. |
| |
Und dann fassen wir für die Datentransformation die Daten für Flughäfen aus verschiedenen Städten zusammen und filtern dann die |
| |
Die Verspätungsrate wird anhand der Gesamtzahl der Flüge auf den einzelnen Flughäfen der Top 54 Flughäfen berechnet. |
| |
Und nach der Datenaufbereitung speichern wir diese Datei im SAS-Format und importieren das SAS-Format in den SAS Enterprise Miner 40.1 für unsere weitere Analyse. |
| |
nämlich die DTW-Analyse und die Zeitreihenanalyse. Nach dem DTW-Prozess wurde JMP Pro 16.0 erneut verwendet, um die Singularität verschiedener Cluster herauszufinden und geografische Karten zu zeichnen. |
| |
Und dies ist die Einführung in den Datensatz. Ich heiße meinen Partner willkommen, der uns mehr über unsere Analyse erzählen wird. |
| Aishwarya Krishna Prasad |
Vielen Dank, Linli. Tauchen wir nun in die Zeitreihen- und Clusteranalyse ein. Wir haben die Zeitreihen- und Clusteranalyse mit dem SAS Enterprise Miner durchgeführt. |
| |
Dieses Diagramm ist eine der Ausgaben, die wir mithilfe der DTW-Knoten in SAS Enterprise Miner erhalten haben. Auf der X-Achse können Sie sehen, dass sie die Monate von Januar 2020 bis Juni ... bis Juli 2020 enthält. |
| |
Und auf der Y-Achse können wir den Prozentsatz an Verspätungen bei den Flügen sehen, die wir in unseren Datensatz aufgenommen haben. |
| |
Jetzt können wir sehen, dass es Anfang Februar und Ende Juni einen starken Anstieg gibt, der stark mit der Ferienzeit in den USA zusammenzuhängen scheint. |
| |
Aber abgesehen von diesen beiden Spitzen, also diesen großen Spitzen, können wir insgesamt auch einen stetigen Rückgang der Zahl der Flugverspätungen beobachten. |
| |
Anschließend führten wir eine Zeitreihen-Clusteranalyse auf Basis hierarchischer Cluster durch, deren Konstellationsdiagramm hier mit SAS angezeigt werden kann. Und wir haben uns dafür entschieden … wir waren der Meinung, dass die Anzahl der Cluster (7) die optimale Anzahl von Clustern für unsere Analyse ist. |
| |
Dies sind die Cluster, die mithilfe des TS-Ähnlichkeitsknotens des SAS Enterprise Miner gebildet werden. Werfen wir also einen kurzen Blick darauf. |
| |
die Instanz von Cluster1. In diesem Cluster1 sind also hauptsächlich die internationalen Flughäfen in den USA enthalten. |
| |
Einige dieser Flughäfen sind der Denver International Airport, der Kansas City International Airport, der Washington International Airport, |
| |
um nur einige zu nennen. Wie Sie sehen, sind die Verspätungen an diesen Flughäfen ziemlich groß, und das kann darauf zurückgeführt werden, dass sie sich in einer Stadt befinden, die von Touristen frequentiert wird. |
| |
In ähnlicher Weise werden die übrigen Cluster durch dieses ähnliche Verhalten der bei den Flügen auftretenden Verspätungen gebildet. |
| |
Nun wurden die im vorherigen Schritt generierten Cluster in JMP Pro eingespeist und mithilfe der Graph Builder-Funktionalität |
| |
Wir konnten diese Grafiken erstellen. Diese Grafik enthält die Ursachen für Verzögerungen in jedem der Cluster. Hier können wir also deutlich sehen |
| |
welche Ursachen für die Verzögerung in jedem Cluster stärker ausgeprägt sind. Wie Sie beispielsweise für Cluster1 sehen können, |
| |
Die Verspätung des aktuellen Fluges, also die durch den vorherigen Flug verursachte Verspätung, ist im Vergleich zum Rest ausgeprägter. Und für die übrigen Cluster gilt die gleiche Warteschlange. |
| |
Aber wenn Sie diesen Cluster sehen, richtig, also obwohl diese Visualisierung in SAS ziemlich intuitiv ist, |
| |
wir hatten das Gefühl, dass ein Datensatz mit einer großen Anzahl von Punkten, oder in unserem Fall mit einer größeren Anzahl von Flughäfen, ziemlich schwierig zu analysieren wäre. Deshalb fordere ich meinen Kollegen Ruiyun auf, einen anderen Ansatz zur Analyse der Cluster vorzustellen. Übergebe an Sie, Ruiyun. |
| YAN Ruiyun |
Okay, die geografische Lage ist ein weiterer Aspekt, auf den wir uns konzentriert haben. Die Cluster wurden in SAS gebildet, dann haben wir die Graph Builder-Funktion in JMP Pro 16.0 verwendet, um diese Karte zu erstellen. |
| |
zeigen, wo sich die verschiedenen Flughäfen nach Cluster befinden. Flughäfen aus dem Westen und der Mitte der USA sind offensichtlich nur in Cluster 1 und Cluster 3 enthalten. |
| |
Und diese beiden Cluster zeigen, dass das Cluster nicht auf eine bestimmte Region verteilt ist. |
| |
Cluster 2, Cluster 4, Cluster 5 und Cluster 6 stellen eine Ansammlung von Flughäfen mit einer bestimmten Region dar. |
| |
Flughäfen aus Cluster 2 konzentrieren sich hauptsächlich im Osten der Vereinigten Staaten, während die Cluster 5 und 6 eher die Flughäfen einiger |
| |
Touristenattraktionen wie Houston, Phoenix, Baltimore und Honolulu, die größten Städte von Texas, Arizona, Maryland und Hawaii. |
| |
Noch wichtiger ist, dass der Phoenix Sky Harbor International Airport das Rückgrat der nationalen Fluggesellschaften und der Southwest Airlines ist. |
| |
einer der wichtigsten Verkehrsknotenpunkte im Südwesten der USA. Darüber hinaus ist Cluster 7 ein Sonderfall, da es dort nur einen Flughafen gibt, den Flughafen San Juan in Puerto Rico. |
| |
Wir vermuteten, dass aufgrund der besonderen geografischen Lage alle Flüge, die vom Flughafen San Juan abfliegen, eine weite Strecke zurücklegen müssen. |
| |
Das ist alles zur geografischen Analyse. Jetzt wird meine Partnerin Aishwarya uns ein Fazit ziehen. |
| Aishwarya Krishna Prasad |
Zusammenfassend lässt sich also sagen, dass wir versucht haben, die Benutzerfreundlichkeit der DTW-Knoten im SAS Enterprise Miner und auch die ausgefeilten Visualisierungs- und Vorverarbeitungstechniken in JMP Pro 16.0 auszunutzen, um unsere Zeitreihenanalyse für unsere Flugdaten durchzuführen. |
| |
Wir haben also die dynamische Zeitclusterung für 54 Flughäfen durchgeführt. Und diese Flughäfen wurden basierend auf den Verspätungsmustern im Januar und Juni 2020 in sieben Cluster unterteilt. |
| |
Wir haben festgestellt, dass die Verspätung des Trägers in den meisten Clustern der Hauptgrund für die Verzögerung ist, während die Verspätung des Flugzeugs in den meisten Clustern nicht weit dahinter liegt und eine der Hauptursachen für die Verzögerung darstellt. |
| |
Im Rahmen zukünftiger Arbeiten können die COVID-Datenpunkte einbezogen werden, um diese Analyse weiter zu verbessern und auch den Zusammenhang zwischen der Verspätung und der Stornierungsrate von Flügen zu diskutieren. |
| |
Vielen Dank, dass Sie uns zugehört haben. Ich hoffe, Ihnen hat unsere Präsentation gefallen. |
