|
スピーカー
|
トランスクリプト
|
| ゾン・リンリ_ |
では、始めましょう。皆さん、こんにちは。これは、2020年1月から2020年6月までの米国の空港でのフライト遅延の時系列データ分析のポスターです。私たちはシンガポール経営大学の学生です。私はリンリです。 |
| ヤン・ルイユン |
私は瑞雲です。 |
| アイシュワリヤー・クリシュナ・プラサド |
私はアイシュワリヤ・クリシュナ・プラサドです。それでは、私たちのプロジェクトの紹介に取り掛かりましょう。リンリさん、お願いします。 |
| ゾン・リンリ_ |
ありがとう、アッシュ。 |
| |
左側には折れ線グラフがあります。これは、米国の最も混雑する空港トップ 10 の年間乗客数を示しています。 |
| |
グラフを見ると、各空港の利用者数が急激に減少していることがわかります。これは、2020年の新型コロナウイルス感染拡大に対する空港利用者の反応が示されたためです。 |
| |
そして、私たちの分析では、遅延と地理的位置の特徴から、アメリカの空港の上位 15% の遅延の類似性を明らかにしたいと思います。 |
| |
時系列、動的時間ラッピング、探索的データ分析。 |
| |
時系列と DTW は、出発遅延に基づいてクラスター間の類似性を調べるために使用されます。EDA は地理マップを描くために使用されます。では、データ セットに戻りましょう。 |
| |
ありがとうございます。これがデータセットです。 |
| |
実際、私たちのデータセットは米国運輸省と |
| |
左側のデータ準備は、データ準備のプロセスです。まず、csv ファイルを JMP Pro 16.0 にインポートしました。 |
| |
そして、分析にあまり役に立たない列と値を削除します。 |
| |
その後、データ変換のために、各都市の空港のデータをまとめ、 |
| |
上位 54 空港を対象に、各空港のフライト総数に基づいて遅延率を計算します。 |
| |
データの準備が終わったら、このファイルをSAS形式で保存し、SAS形式をSAS Enterprise Miner 40.1にインポートしてさらに分析します。 |
| |
具体的には、DTW 分析と時系列分析です。DTW プロセスの後、JMP Pro 16.0 を再度使用して、さまざまなクラスターの特異点を見つけ、地理マップを描画しました。 |
| |
以上がデータセットの紹介です。パートナーに分析についてさらに詳しく紹介してもらいましょう。 |
| アイシュワリヤー・クリシュナ・プラサド |
ありがとう、リンリ。それでは、時系列とクラスター分析について見ていきましょう。私たちは、SAS Enterprise Miner を使用して時系列とクラスター分析を行いました。 |
| |
このグラフは、SAS Enterprise Miner の DTW ノードを使用して取得した出力の 1 つです。X 軸には、2020 年 1 月から 2020 年 6 月、そして 2020 年 7 月までの月が含まれていることがわかります。 |
| |
Y 軸では、データ セットに含まれているフライトの遅延の割合を確認できます。 |
| |
2 月上旬と 6 月下旬に急激な増加が見られ、これは米国の休暇期間と強く相関しているようです。 |
| |
しかし、一般的には、これら 2 つの急増、つまり大きな急増を除けば、フライトの遅延数は全体的に着実に減少していることもわかります。 |
| |
次に、階層的クラスタリングに基づく時系列クラスタリングを実行し、SAS を使用して、同じクラスタリングの星座プロットをここで確認できます。そして、クラスターの数 (7) が分析に最適なクラスターの数であると感じました。 |
| |
さて、これらはSAS Enterprise MinerのTS類似度ノードを使用して形成されたクラスターです。それでは、ちょっと見てみましょう。 |
| |
Cluster1 のインスタンスです。この Cluster1 には、主に米国の国際空港が含まれています。 |
| |
これらの空港には、デンバー国際空港、カンザスシティ国際空港、ワシントン国際空港などがあります。 |
| |
これらはほんの一例です。ご覧のとおり、これらの空港での遅延はかなり大きく、これは観光客が頻繁に訪れる都市に位置していることに起因していると考えられます。 |
| |
同様に、残りのクラスターも、フライトで発生する遅延の同様の動作によって形成されます。 |
| |
前のステップで生成されたクラスターはJMP Proに入力され、グラフビルダー機能を使用して、 |
| |
グラフを作成することができました。このグラフには各クラスターの遅延の原因が含まれています。ここでは、 |
| |
どの遅延原因が各クラスターでより顕著であるかがわかります。たとえば、クラスター1では、 |
| |
航空機の遅延、つまり、前のフライトから現在のフライトまでの間に発生した遅延は、他のものと比べて顕著です。そして、残りのクラスターについても同じキューが続きます。 |
| |
しかし、このクラスターを見ると、SASのこの視覚化は非常に直感的ですが、 |
| |
多数のポイント、または私たちの場合のように空港の数が多いデータ セットの場合、分析が非常に困難になると感じました。そこで、同僚の Ruiyun に、クラスターを分析する別のアプローチを提案してもらいます。Ruiyun、お願いします。 |
| ヤン・ルイユン |
さて、地理的位置は私たちが注目したもう一つの部分です。クラスターはSASで形成され、JMP Pro 16.0のグラフビルダー機能を使用してこのマップを生成しました。 |
| |
さまざまな空港がクラスターごとにどこに位置しているかを示します。明らかに、米国西部と中部の空港はクラスター 1 とクラスター 3 にのみ含まれています。 |
| |
そして、これら 2 つのクラスターは、クラスターが特定の領域に分散されていないことを示しています。 |
| |
クラスター 2、クラスター 4、クラスター 5、クラスター 6 は、特定の地域の空港の集約を示しています。 |
| |
クラスター2の空港は主に米国東部に集中しているが、クラスター5と6にはいくつかの空港が含まれている可能性が高い。 |
| |
テキサス州、アリゾナ州、メリーランド州、ハワイ州の最大都市であるヒューストン、フェニックス、ボルチモア、ホノルルなどの観光名所。 |
| |
さらに重要なのは、フェニックス・スカイハーバー国際空港は国内航空会社とサウスウエスト航空の拠点であるということです。 |
| |
アメリカ南西部の主要な交通ハブの 1 つです。さらに、クラスター 7 は特殊なケースで、プエルトリコのサン ファン空港が 1 つしかありません。 |
| |
特殊な地理的条件のため、サンファン空港から出発するフライトは長距離を移動することになるだろうと推測しました。 |
| |
地理的分析については以上です。次は私のパートナーであるアイシュワリヤが結論を述べます。 |
| アイシュワリヤー・クリシュナ・プラサド |
結論として、SAS Enterprise Miner の DTW ノードの使いやすさと、JMP Pro 16.0 の洗練された視覚化および前処理技術を活用して、フライト データの時系列分析を実行してみました。 |
| |
そこで、54 の空港に対して動的時間クラスタリングを実行しました。そして、これらの空港は、2020 年 1 月から 6 月までの遅延パターンに基づいて 7 つのクラスターに形成されました。 |
| |
各クラスターにおける遅延の主な原因は航空会社の遅延である一方、航空機の遅延もほとんどのクラスターにおける遅延の主原因であることに変わりはないことがわかりました。 |
| |
今後の作業の一環として、COVID データ ポイントを含めてこの分析をさらに改善し、フライトの遅延とキャンセル率の相関関係についても議論することができます。 |
| |
ご清聴ありがとうございました。私たちのプレゼンテーションを気に入っていただければ幸いです。 |
