Allievo: ____________________ Corso di Studi in ____________________ Esercitazione Analisi e previsione di________: sperimentazione nell’area urbana di Roma Allievo: ____________________ Corso di Studi in ____________________

Indice Introduzione Obiettivo Caso di Studio Conclusioni Analisi Statistiche descrittive Decomposizione classica / STL Autocorrelazione Previsione Valutazione Conclusioni

Introduzione Descrivere anche con l’ausilio di immagini e diagrammi perché si è interessati a questo tipo di analisi. Perché analisi per serie storiche?

Obiettivo - Esempio Ottimizzazione del controllo di esercizio: riduzione dei costi per l’operatore garantendo un servizio migliore agli utenti, che possa rivelarsi competitivo nei confronti del trasporto privato. Analisi e previsione dei tempi di viaggio capolinea-capolinea degli autobus utilizzando i dati raccolti dai sistemi di Automatic Vehicle Monitoring e Automatic Vehicle Location Applicazione: una linea della rete di trasporto pubblico della città di Roma Capitale

Caso di Studio Descrizione sintetica di che cosa si sta studiando

Caso di Studio Analisi Descrivere i dati a disposizione ad esempio DATI AVL (Automatic Vehicle Location) Data e ora di acquisizione dell’informazione Codice associato alla vettura in analisi Tempo di percorrenza dalla fermata di partenza alla fermata di arrivo Numero della linea

Tempo medio di percorrenza (sec) Caso di Studio Analisi Si possono integrare le analisi sui dati con stima di indicatori quali media, varianza, seasonal plots, etc. Individuazione di periodi temporali non omogenei (ad esempio Pasqua) Tempo medio di percorrenza (sec) 3360,9 Deviazione standard 499,4 (15%)

Caso di Studio Analisi decomposizione Descrivere con immagini, screen shot ed altro l’indagine

Caso di Studio Validazione Indicatori di bontà MAE (Mean Absolut Error) = 1 𝑛 𝑖=1 𝑛 𝑒 𝑖 RMSE (Root Mean Squared Error) = 1 𝑛 𝑖=1 𝑛 𝑒 𝑖 2 MAPE (Mean Absolut Percentage Error) = 1 𝑛 𝑖=1 𝑛 𝑝 𝑖 R 2 (Coefficiente di determinazione) = 𝑖=1 𝑛 𝑦 𝑖 − 𝑦 2 𝑦 𝑖 − 𝑦

Previsione - esempio Decomposizione classica Travel time to be forecasted Travel time line 343 from Ponte Mammolo to Conca d’Oro

Previsione - esempio Decomposizione classica Travel time line 343 from Ponte Mammolo to Conca d’Oro

Previsione - esempio Decomposizione classica Travel time line 343 from Ponte Mammolo to Conca d’Oro time interval of the day of analysis forecasted trend component seasonal component forecasts data observed ei ABS(ei) e2i pi ABS(pi) 1171 2515,7 -49,6 2466,1 2802,0 335,9 112798,6 12% 1172 31,5 2547,2 2589,0 41,8 1747,5 2% 1173 62,6 2578,4 2446,0 -132,4 132,4 17518,6 -5% 5% 1174 271,2 2786,9 2549,0 -237,9 237,9 56611,4 -9% 9% 1175 482,9 2998,7 2643,0 -355,7 355,7 126514,3 -13% 13% 1176 550,4 3066,2 2612,0 -454,2 454,2 206283,4 -17% 17% 1177 592,6 3108,4 2572,0 -536,4 536,4 287686,3 -21% 21% 1178 725,0 3240,7 2551,0 -689,7 689,7 475732,2 -27% 27% 1179 532,0 3047,8 2433,0 -614,8 614,8 377953,0 -25% 25% 1180 415,1 2930,8 2552,0 -378,8 378,8 143493,7 -15% 15% 1181 281,8 2797,5 2453,0 -344,5 344,5 118703,0 -14% 14% 1182 -45,4 2470,4 2257,0 -213,4 213,4 45521,6 1183 -434,0 2081,7 1845,0 -236,7 236,7 56035,9 1184 -559,1 1956,6 1843,0 -113,6 113,6 12911,2 -6% 6% 1185 -656,5 1859,3 1730,0 -129,3 129,3 16709,1 -7% 7% 1186 -738,6 1777,2 1617,0 -160,2 160,2 25656,4 -10% 10% 1187 -797,7 1718,0 1575,0 -143,0 143,0 20455,1 1188 -858,8 1656,9 1531,0 -125,9 125,9 15859,7 -8% 8% 1189 -938,4 1577,3 1712,0 134,7 18143,7 1190 -846,3 1669,4 1696,0 26,6 706,6 1191 -483,5 2032,3 1905,0 -127,3 127,3 16200,8 1192 -183,8 2332,0 2272,0 -60,0 60,0 3598,0 -3% 3% MAE 234,4 RMSE 284,8 MAPE 10%

Previsione - esempio Decomposizione classica Example of error diagnostic for forecasting with class. decomp Average ei s -61,1 278,1 rk 1 2 3 4   0,80 0,55 0,23 0,15

Conclusioni