|
스피커
|
성적 증명서
|
| 종, 린리 _ |
좋아요, 시작해 봅시다. 안녕하세요 여러분. 이것은 2020년 1월부터 2020년 6월까지 미국 공항의 항공편 지연에 대한 시계열 데이터 분석 포스터입니다. 저희는 싱가포르 경영 대학의 학생들입니다. 저는 린리입니다. |
| 얀 루이윤 |
저는 루이윈이에요. |
| 아이쉬와라 크리슈나 프라사드 |
그리고 저는 Aishwarya Krishna Prasad입니다. 이제 우리 프로젝트 소개로 빠르게 들어가보죠. Linli, 당신 차례입니다. |
| 종, 린리 _ |
고맙습니다, 애쉬. |
| |
왼쪽에는 선형 차트가 있습니다. 여기에는 미국에서 가장 바쁜 공항 10곳의 연간 승객 교통량이 표시되어 있습니다. |
| |
...그래프에서 볼 수 있듯이 각 공항의 승객 수가 급격히 감소했습니다. 이는 공항의 승객이 2020년 COVID-19 확산에 대한 대응을 보여주었기 때문입니다. |
| |
그리고 우리의 분석을 위해, 미국의 상위 15% 공항의 지연 유사성을 지연 및 지리적 위치의 특징을 통해 알아보고 싶습니다. |
| |
시계열, 동적 시간 래핑, 탐색적 데이터 분석. |
| |
시계열과 DTW는 출발 지연을 기반으로 클러스터 간의 유사점을 찾아내는 데 사용됩니다. EDA는 지리적 지도를 그리는 데 사용됩니다. 좋아요, 데이터 세트로 돌아가 봅시다. |
| |
감사합니다. 이것이 데이터 세트입니다. |
| |
실제로 우리의 데이터 세트는 미국 교통부와 |
| |
왼쪽에 있는 데이터 준비, 이것은 우리의 데이터 준비 과정입니다. 우리는 먼저 csv 파일을 JMP Pro 16.0으로 가져왔습니다. |
| |
그리고 분석에 실제로 유용하지 않은 열과 값을 제거합니다. |
| |
그리고 그 후 데이터 변환을 위해 각 도시의 공항 데이터를 요약한 후 필터링을 진행합니다. |
| |
상위 54개 공항은 각 공항의 총 항공편 수를 기준으로 지연율을 계산합니다. |
| |
그리고 데이터 준비 후, 우리는 이 파일을 SAS 포맷으로 저장하고 추가 분석을 위해 SAS Enterprise Miner 40.1로 SAS 포맷을 가져옵니다. |
| |
즉, DTW 분석과 시계열 분석입니다. DTW 프로세스 후 JMP Pro 16.0을 다시 사용하여 다른 클러스터의 특이점을 찾아내고 지리적 지도를 그렸습니다. |
| |
그리고 이것은 데이터 세트에 대한 소개입니다. 파트너가 우리의 분석에 대해 더 자세히 소개해 주길 바랍니다. |
| 아이쉬와라 크리슈나 프라사드 |
고맙습니다, 린리. 이제 시계열과 클러스터 분석에 대해 알아보겠습니다. 그래서 우리는 SAS Enterprise Miner를 사용하여 시계열과 클러스터 분석을 했습니다. |
| |
그래서 이 그래프는 SAS Enterprise Miner의 DTW 노드를 사용하여 얻은 출력 중 하나입니다. X축에서 2020년 1월부터 6월까지... 2020년 7월까지의 달이 포함되어 있음을 알 수 있습니다. |
| |
y축에서는 데이터 세트에 포함된 항공편에 지연 비율이 있다는 것을 확인할 수 있습니다. |
| |
이제 우리는 2월 초와 6월 말에 급격한 급증이 있는 것을 볼 수 있는데, 이는 미국 휴일 기간과 밀접한 관련이 있는 것으로 보입니다. |
| |
하지만 일반적으로 이 두 가지 급증을 제외하면... 주요 급증 외에는 전반적으로 항공편 지연 건수가 꾸준히 감소하는 것을 볼 수 있습니다. |
| |
그런 다음 계층적 클러스터링에 기반한 시계열 클러스터링을 수행했고, SAS를 사용하여 동일한 별자리 플롯을 여기에서 관찰할 수 있습니다. 그리고 우리는 그것을 선택했습니다... 우리는 클러스터 수(7)가 우리 분석에 가장 적합한 클러스터 수라고 생각했습니다. |
| |
이제 SAS Enterprise Miner의 TS 유사성 노드를 사용하여 형성된 클러스터가 있습니다. 간단히 살펴보겠습니다. |
| |
Cluster1의 인스턴스입니다. 따라서 이 Cluster1에는 대부분 미국 국제 공항이 포함됩니다. |
| |
그래서 이 공항들 중 일부는 덴버 국제공항, 캔자스시티 국제공항, 워싱턴 국제공항입니다. |
| |
몇 가지 예를 들자면, 이 공항들의 지연은 꽤 큽니다. 보시다시피, 이것은 관광객이 자주 찾는 도시에 위치하기 때문일 수 있습니다. |
| |
마찬가지로 나머지 클러스터도 항공편에서 발생하는 지연과 유사한 행동에 의해 형성됩니다. |
| |
이제 이전 단계에서 생성된 클러스터가 JMP Pro에 공급되고 Graph Builder 기능을 사용하여 |
| |
우리는 이 그래프를 만들 수 있었습니다. 그래서 이 그래프는 각 클러스터의 지연 원인을 포함합니다. 그래서 여기에서 우리는 분명히 볼 수 있습니다. |
| |
각 클러스터에서 지연의 어떤 원인이 더 두드러지는가. 예를 들어, Cluster1의 경우 볼 수 있듯이, |
| |
늦은 항공기 지연, 즉 이전 항공편에서 현재 항공편으로 인한 지연은 나머지에 비해 더 두드러집니다. 그리고 나머지 클러스터에도 동일한 대기열이 따릅니다. |
| |
하지만 이 클러스터를 보면, 그렇죠. SAS에서 이 시각화가 꽤 직관적이기는 하지만, |
| |
우리는 많은 수의 포인트가 있는 데이터 세트, 또는 우리의 경우 더 많은 수의 공항이 있는 데이터 세트의 경우 분석하기가 매우 어려울 것이라고 생각했습니다. 그래서 저는 동료인 Ruiyun에게 클러스터를 분석하는 또 다른 접근 방식을 제시해 달라고 요청합니다. Ruiyun에게 넘기겠습니다. |
| 얀 루이윤 |
알겠습니다. 지리적 위치는 우리가 집중한 또 다른 부분입니다. 클러스터는 SAS에서 형성되었고, 그런 다음 JMP Pro 16.0의 Graph Builder 기능을 사용하여 이 지도를 생성했습니다. |
| |
클러스터별로 다른 공항이 어디에 있는지 보여줍니다. 분명히 서부와 중부 미국의 공항은 클러스터 1과 클러스터 3에만 포함됩니다. |
| |
그리고 이 두 클러스터는 클러스터가 특정 지역에 분포되어 있지 않다는 것을 보여줍니다. |
| |
클러스터 2, 클러스터 4, 클러스터 5, 클러스터 6은 특정 지역의 공항이 모여 있는 것을 보여줍니다. |
| |
클러스터 2의 공항은 주로 미국 동부에 집중되어 있는 반면 클러스터 5와 6에는 일부 공항이 포함되어 있을 가능성이 더 높습니다. |
| |
텍사스, 애리조나, 메릴랜드, 하와이의 가장 큰 도시인 휴스턴, 피닉스, 볼티모어, 호놀룰루와 같은 관광 명소가 있습니다. |
| |
더욱 중요한 점은 피닉스 스카이 하버 국제공항이 국내 항공사와 사우스웨스트 항공사의 중추라는 것입니다. |
| |
남서부 아메리카의 주요 교통 허브 중 하나입니다. 또한 클러스터 7은 푸에르토리코의 산 후안 공항이라는 단 하나의 공항만 있기 때문에 특별한 경우입니다. |
| |
우리는 특별한 지리적 위치 때문에 산후안 공항에서 출발하는 모든 항공편은 이동 거리가 길 것이라고 추측했습니다. |
| |
지리적 분석은 여기까지이고 이제 제 파트너인 아이슈와라가 결론을 말씀드리겠습니다. |
| 아이쉬와라 크리슈나 프라사드 |
따라서 결론적으로, 우리는 SAS Enterprise Miner의 DTW 노드의 사용 편의성과 JMP Pro 16.0의 정교한 시각화 및 사전 처리 기술을 활용하여 비행 데이터의 시계열 분석을 시도했습니다. |
| |
그래서 우리는 54개 공항에 대한 동적 시간 클러스터링을 수행했습니다. 그리고 이 공항들은 2020년 1월과 6월의 지연 패턴을 기반으로 7개 클러스터로 형성되었습니다. |
| |
각 클러스터에서 지연의 주된 원인은 운송업체 지연이고, 대부분의 클러스터에서 항공기 지연도 지연의 주요 원인이라는 것을 확인했습니다. |
| |
향후 작업의 일환으로 COVID 데이터 포인트를 포함하여 분석을 더욱 개선하고 항공편 지연과 취소율 간의 상관관계도 논의할 수 있습니다. |
| |
저희의 말씀을 들어주셔서 정말 감사합니다. 저희의 프레젠테이션이 마음에 드셨으면 좋겠습니다. |
