Allievo: ____________________ Corso di Studi in ____________________

Presentazione sul tema: "Allievo: ____________________ Corso di Studi in ____________________"— Transcript della presentazione:

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

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

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

4 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

5 Caso di Studio Descrizione sintetica di che cosa si sta studiando

6 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

7 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%)

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

9

10 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 𝑦 𝑖 − 𝑦

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

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

13 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%

14 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

15

16 Conclusioni