<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Jana Hruba on Medium]]></title>
        <description><![CDATA[Stories by Jana Hruba on Medium]]></description>
        <link>https://medium.com/@jandulahruba?source=rss-404646592435------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*mLjVJ8djkH-_2deH</url>
            <title>Stories by Jana Hruba on Medium</title>
            <link>https://medium.com/@jandulahruba?source=rss-404646592435------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 20:34:36 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@jandulahruba/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[PLUS MÍNUS AUTOBUS]]></title>
            <link>https://medium.com/@jandulahruba/plus-m%C3%ADnus-autobus-e91de933cf76?source=rss-404646592435------2</link>
            <guid isPermaLink="false">https://medium.com/p/e91de933cf76</guid>
            <category><![CDATA[datová-analytika]]></category>
            <category><![CDATA[digitální-akademie]]></category>
            <category><![CDATA[czechitas]]></category>
            <dc:creator><![CDATA[Jana Hruba]]></dc:creator>
            <pubDate>Wed, 10 Jun 2020 15:29:56 GMT</pubDate>
            <atom:updated>2020-11-25T16:22:28.767Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NG_Jv_VQI1tano6gheP9PA.jpeg" /></figure><h3>ANALÝZA ZPOŽDĚNÍ PŘÍMĚSTSKÝCH AUTOBUSŮ</h3><blockquote>AUTORKY: Jana Hrubá, Martina Michlová<br>MENTOR: Jan Vlasatý (Golemio, Operátor ICT)</blockquote><h3><strong>JAK TO CELÉ ZAČALO…</strong></h3><p>🍻 S Marťou jsme si padly do oka hned po 1. hodině Pythonu v hospodě, našly jsme společná témata jako Work&amp;Travel či sólo cestování po Evropě.</p><h4><strong>MEET YOUR MENTOR &amp; TÉMA PROJEKTU</strong></h4><p>💭 První společný úkol, téma projektu… Přebraly jsme spoustu nápadů, které se nám ale nedařilo dotáhnout z hlediska získání datasetu a tak jsme se ,,vydaly“ na akci <em>Meet Your Mentor </em>víceméně s prázdnýma rukama. <br>💙 Na speeddatingu nám nejvíce padli do oka kluci z <a href="https://golemio.cz/"><em>Golemia</em></a>. Líbila se nám myšlenka zpracovávat pražská data a celá iniciativa udělat město chytřejším. Díky jejich široké škále otevřených dat by se také řešil náš problém s absencí datasetu…Kluci nám dali zelenou a začalo tak naše společné dobrodružství. <br>📲 Na prvním callu nám Honza ukázal jak jejich datová platforma funguje a dostali jsme se k sekci MHD, která mimo jiné obsahuje real-time data o polohách a zpožděních příměstských autobusů. Obě využíváme k přepravě MHD a koho nenaštve, když autobus nepřijede na čas… Téma bylo na světě.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FjqfRl5Mo3gmm0ts25P%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fmedia.giphy.com%2Fmedia%2FjqfRl5Mo3gmm0ts25P%2Fgiphy.mp4&amp;image=https%3A%2F%2Fi.giphy.com%2Fmedia%2FjqfRl5Mo3gmm0ts25P%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="244" frameborder="0" scrolling="no"><a href="https://medium.com/media/a4a317229408d983ae8980bb858c837e/href">https://medium.com/media/a4a317229408d983ae8980bb858c837e/href</a></iframe><h4><strong>VÝBĚR OBLASTI A CÍL PRÁCE</strong></h4><p>🚌 Výběr linek autobusu byl založen na osobní zkušenosti a všeobecně známých faktech o problematickém propojení jižního města s centrem, kde se již delší dobu plánuje vytvoření nové linky metra či tramvajového pásu, ale stále tam žádná jiná alternativa dopravy není.<br>❔ <strong>Naše hypotéza:</strong> Velká dopravní vytíženost úseku Písnice — Kačerov způsobující značné zpoždění nejvíce v blízkém okolí Thomayerovy nemocnice během pracovního týdne.<br>❗ ️<strong>Cíl práce:</strong> Potvrzení či zamítnutí naší hypotézy a vytvoření modelu predikujícího zpoždění na dané trase/zastávce v daný čas.<br>➕ <strong>Přínos práce:</strong> Informace pro cestující, s jakým zpožděním mohou na své trase/zastávce v daný čas počítat, což by mohlo zvednout jejich důvěru a využitelnost MHD.</p><h3>ZÍSKÁVÁNÍ DAT</h3><p><strong>První kroky</strong> vedly na stránky <em>Golemio API</em>, kde nás čekal první úkol — postahovat si seznam všech<strong> trip_id</strong> (=unikátní ID daného spoje dané linky), <br>o kterých chceme data sbírat.</p><blockquote><a href="https://golemioapi.docs.apiary.io/#">Golemio API</a> obsahuje různorodá městská open data, dokumentaci a k jejich stažení si stačí <a href="https://api.golemio.cz/api-keys">vygenerovat </a>vlastní api_key.</blockquote><p>Začalo to excelovkou tabulkou (!), kde jsme si vypsaly časy jednotlivých spojů a po pár absolvovaných hodinách pythonu se nám podařilo vytvořit náš <strong>první skript ve VS</strong>. Jelikož jsme ještě neoplývaly hlubší znalostí Kebooly, ke spouštění skriptu jsme dle jízdního řádu usedaly každé ráno a odpoledne a pouštěly skript ručně a data ukládaly do mnoho texťáků.</p><pre>import json<br>import requests</pre><pre>api_key = # api_key generated at <a href="https://api.golemio.cz/api-keys">https://api.golemio.cz/api-keys</a><br>headers = {<br>‘Content-Type’: ‘application/json; charset=utf-8’,<br>‘x-access-token’: api_key<br>}<br>response0 = requests.get(&quot;https://api.golemio.cz/v2/vehiclepositions?routeShortName=333&quot;, headers = headers)</pre><pre>buses_now = json.loads(response0.text)</pre><pre>json_file = open(“bus333_now.txt”, “w”, encoding=”utf-8&quot;)<br>json_file.write(json.dumps(buses_now))<br>json_file.close()</pre><pre>trip_id = [ tripid[‘properties’][‘trip’][‘gtfs’][‘trip_id’] for tripid in buses_now[‘features’] ]<br>trip_headsign = [ tripid[‘properties’][‘trip’][‘gtfs’][‘trip_headsign’] for tripid in buses_now[‘features’] <br>start_timestamp = [ start[‘properties’][‘trip’][‘start_timestamp’] for start in buses_now[‘features’] ]</pre><pre>vystup = open(“projekt/bus333_tripid.txt”, “w”, encoding=”utf-8&quot;)<br>[vystup.write(bus + ‘\n’) for bus in trip_id]<br>vystup.close()</pre><pre>file = open(‘projekt/bus333_tripid.txt’,encoding=’utf-8&#39;)<br>data = [row.strip().split(‘,’) for row in file]<br>file.close()</pre><pre>for i in range(0,len(data)):<br>data[i].append(start_timestamp[i])<br>data[i].append(trip_headsign[i])</pre><pre>file1 = open(‘projekt/bus333_datafull.txt’,’w’,encoding=’utf-8&#39;)<br>[file1.write(str(row) + ‘\n’) for row in data]<br>file1.close()</pre><p><strong>Druhým krokem</strong> bylo pro soubor všech nadefinovaných <strong>trip_id</strong> stahovat potřebná data (jednotlivé GPS pozice, aktuální zpoždění, pořadí zastávky, číslo linky apod.). Každý autobus (spoj) tyto jednotlivé informace v krátkém intervalu zasílá na server, vše je ve formátu JSON. <br>Zaslané pozice od jednoho autobusu v jeden den mohou v geojsonu vypadat třeba takto:</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/6efafd536723701afa20489e4b3c1ff1/href">https://medium.com/media/6efafd536723701afa20489e4b3c1ff1/href</a></iframe><blockquote>Háček…toužíme po real-time datech, která zůstávají na serveru pouze <strong>5 minut</strong> po dojetí autobusu na konečnou. Po další konzultaci jsme zjistily, že OICT tyto data uchovává na <strong>48 hodin</strong> na úložišti, uff…backup zajištěn. Data jsme si ale co nejdříve chtěly stahovat samy, challenge accepted!</blockquote><h4>KEBOOLA &amp; PYTHON &amp; API</h4><p>Začalo velmi intenzivní seznamování s Keboolou. <strong><br>Cíle:</strong> <br>👉 předělat původní skript na stahování všech pozic jednotlivých autobusů, <br>👉 překlopit skript do Kebooly do transformace ➡️ do Jupyter notebooku,<br>👉 z .JSON souborů vytvořit jednu velkou tabulku ve formátu .CSV.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/890/1*73qCuaRrAHMqKTnBMqo6sQ.png" /></figure><p><strong>Co se reálně dělo:</strong><br>👉 několikrát přepsaná data,<br>👉 nastudování všech errorů, <br>👉 zoufalé hledání chyby se závěrem, že nefunkčnost byla způsobena špatným nakopírováním všech trip_id 💣<br><strong>Poučení: <br></strong>👉 správné nastavení Output Mapingu (viz obrázek),<br>👉 kontrola vložených dat.</p><p>✔️ Transformace hotová ➡️ máme tabulku, do které se nám ukládají data. <br>✔️ Orchestrace hotová ➡️ data se stahují každý den, v čase ranní a odpolední špičky každých 5 minut, abychom zastihly autobus nejlépe v konečné zastávce a získaly tak celou trasu a všechny informace.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/95c9bdcb9bef8d28a7404d92d9308e90/href">https://medium.com/media/95c9bdcb9bef8d28a7404d92d9308e90/href</a></iframe><h3>ČIŠTĚNÍ DAT</h3><p>Následovalo vymyslet jak získaná data očistit. Vytvořily jsme novou tranformaci, kde inputem byla výsledná tabulka z předešlé transformace, tabulka vytvořená z úplně prvních dat z VS a data od Honzy z prvních dní. Kouzlení ve Snowflake v sandboxu mohlo začít.</p><h4><strong>SQL</strong></h4><p>❄️ propojení tabulek mezisebou,<br>❄️ sloupečky s milisekundami převést na čas pozemšťanů,<br>❄️ upravit časové zóny a kalendářní data,<br>❄️ upravit názvy sloupců a omezit jejich počet.</p><p>❄️Spojením údaje <em>trip_id</em> a <em>datum </em>(primární klíče) jsme vytvořily nový jedinečný identifikátor jednotlivých jízd a nazvaly ho velmi kreativně…sloupec UNICORN 🎠.</p><p>Vzhledem k tomu, že jsme data sbíraly průběžně, transformaci s čištěním jsme spouštěly několikrát během týdne, abychom pracovaly s aktuálními informacemi. Vznikala nám nová téměř dokonalá tabulka.</p><pre>CREATE TABLE nase_vec_clean AS SELECT <br>“trip_id” as trip_id<br>,SPLIT_PART(convert_timezone(‘UTC’,’Europe/Prague’,”start_timestamp”::timestamp_ntz), ‘ ‘,5) as start_time<br>,“headsign1” || ‘,’ || “headsign2” as headsign <br>FROM “nase_vec”;</pre><pre>UPDATE “all_positions” SET “properties_last_stop_arrival_time” = NULL WHERE “properties_last_stop_arrival_time” = ‘’;<br>UPDATE “all_positions” SET “properties_last_stop_departure_time” = NULL WHERE “properties_last_stop_departure_time” = ‘’;<br>UPDATE “all_positions” SET “properties_next_stop_arrival_time” = NULL WHERE “properties_next_stop_arrival_time” = ‘’;<br>UPDATE “all_positions” SET “properties_next_stop_departure_time” = NULL WHERE “properties_next_stop_departure_time” = ‘’;</pre><pre>CREATE TABLE all_positions_new AS<br>SELECT REPLACE(trip_id || ‘_’ || date,’ ‘,’_’) as unicorn<br> ,clean.*<br> ,al.date<br> ,al.”properties_bearing” as bearing<br> ,al.”properties_delay_actual” as delay<br> ,al.”properties_delay_last_stop_arrival” as delay_stop_arrival<br> ,al.”properties_delay_last_stop_departure” as delay_stop_departure<br> ,al.”properties_is_canceled” as is_canceled<br> ,al. last_stop_arrival_time<br> ,al. last_stop_departure_time<br> ,al.”properties_last_stop_id” as last_stop_id<br> ,al.”properties_last_stop_sequence” as last_stop_sequence<br> ,al. next_stop_arrival_time<br> ,al. next_stop_departure_time<br> ,al.”properties_next_stop_id” as next_stop_id<br> ,al.”properties_next_stop_sequence” as next_stop_sequence<br> ,al. origin_timestamp<br> ,al.”properties_shape_dist_traveled” as shape_dist_traveled<br> ,al.”properties_speed” as speed<br> ,al.”latitude” as latitude<br> ,al.”longitude” as longitude<br>FROM (SELECT *<br>,SPLIT_PART(convert_timezone(‘UTC’,’Europe/Prague’,”properties_origi n_timestamp”::timestamp_ntz), ‘ ‘,2) as day <br>,SPLIT_PART(convert_timezone(‘UTC’,’Europe/Prague’,”properties_origin_timestamp”::timestamp_ntz), ‘ ‘,3) as month<br>,day || ‘ ‘ || month as date<br>,convert_timezone(‘UTC’,’Europe/Prague’,”properties_last_stop_arrival_time”::timestamp_ntz) as last_stop_arrival_time<br>,convert_timezone(‘UTC’,’Europe/Prague’,”properties_last_stop_departure_time”::timestamp_ntz) as last_stop_departure_time<br>,convert_timezone(‘UTC’,’Europe/Prague’,”properties_next_stop_arrival_time”::timestamp_ntz) as next_stop_arrival_time <br>,convert_timezone(‘UTC’,’Europe/Prague’,”properties_next_stop_departure_time”::timestamp_ntz) as next_stop_departure_time<br>,convert_timezone(‘UTC’,’Europe/Prague’,”properties_origin_timestamp”::timestamp_ntz) as origin_timestamp<br>FROM “all_positions”) as al<br>JOIN nase_vec_clean as clean<br>ON al.”trip_id” = clean.trip_id;</pre><p><em>Všechny pracovní notebooky a data využívaná v dalších kapitolách na:</em></p><p><a href="https://github.com/hrubajan/da_projekt_gol">hrubajan/da_projekt_gol</a></p><h3>ZPRACOVÁNÍ A ANALÝZA DAT</h3><p>Na řadu přišlo analyzování. Všechny následující kouzla se již děly pouze v Jupyter Notebooku 😍</p><h4>V HLAVNÍ ROLI JACKSON POLLOCK</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/780/1*byjCZoIkoUASjHU9RWiCrQ.png" /></figure><p>První pokus o grafy připomínal abstraktní umění. Zkoumaly jsme závislost zpoždění <strong>na ujetých kilometrech </strong>v různých časových etapách.</p><p><em>I přes velké začátečnické nadšení a objevení lásky k Pythonu, vytvoření </em><a href="https://github.com/hrubajan/da_projekt_gol/blob/master/subplots_Pollock.ipynb"><em>matice grafů</em></a><em> s několika for cykly, funkcemi a matplotlib, bolelo…hodně. Díky Tome</em></p><h4>JEN PŘES KILOMETRÁŽ TO NEPŮJDE</h4><p>Po konzultaci s Honzou jsme usoudily, že analyzovat data jen přes ujeté kilometry je marné a je třeba pozice autobusů napárovat <strong>na jednotlivé zastávky</strong> ➡️ autobus se hlásí v intervalu 1-2 minut, za 1 jízdu tedy nahlásí kolem <strong>100–150 pozic</strong>, zastávek je na trase znatelně méně.</p><p>Než jsme se na tento úkol vrhly, čas neúprosně běžel a my se rozhodly mírně ustoupit od počátečních ambicí a zúžit rozsah dat následovně:<br>🚍 Linka <strong>331 </strong>a<strong> 333, ranní </strong>špička<strong>, </strong>směr <strong>centrum</strong>,<br>🚏 <a href="https://github.com/hrubajan/da_projekt_gol/blob/master/01_timetable_schedule.ipynb"><strong>jízdní řád</strong></a> pro naše tripid_id získaný dalším stahováním z Golemio API.</p><p>Zde jsme se bez pomoci neobešly. Aby skript začal dělat to, co chceme, a my na tom nestrávily zbytek svého bytí, Honza nám ho pomohl sestavit.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/c64c6a7ced136d86cad8ee847bc1a0fa/href">https://medium.com/media/c64c6a7ced136d86cad8ee847bc1a0fa/href</a></iframe><blockquote>Háček…spoje mají trasy různě dlouhé. Bylo třeba projít, od jaké zastávky jsou všechny trasy stejné a na tento počet zastávek je omezit. Konečný počet byl 15.</blockquote><p>V dalším kroku jsme ještě <a href="https://github.com/hrubajan/da_projekt_gol/blob/master/04_diff.ipynb">přidaly 3 sloupce</a>: <strong>rozdíl ve zpoždění</strong> na zastávce oproti té předešlé (kde zpoždění roste), <strong>zpoždění z předešlé</strong> zastávky (pro porovnání) a <strong>upravenou sekvenc</strong>i zastávek na pořadí 1–15 (konzistentnost dat) a finální DataFrame byl v kapse.</p><h4>SHRNUTÍ DAT</h4><p>📅 Rozsah: <strong>27.dubna </strong>— <strong>9.června</strong><br>❄️ Po čištění v Keboole: 641 960 řádků, 23 sloupců, 4 linky, 3401 spojů<br>👉 Pracovaly jsme nakonec s: <strong>7695</strong> řádky, <strong>17 </strong>sloupci, <strong>2 </strong>linkami a <strong>513</strong> spoji,<br>👉 1 řádek vyjadřuje 1 ohlášenou pozici konkrétního autobusu na 1 zastávce,<br> 🚏 Zastávky: Dolní Břežany, Náměstí; Dolní Břežany,Na kopečku; Písnice; Ke Březině; Lipovická; Sídliště Písnice; U Libušské sokolovny; Libuš; U Zvoničky; Jalodvorská; Tempo; Sídliště Krč; Zálesí; Nemocnice Krč; Kačerov, <br>⏰ Hlavními metrikami jsou <strong>aktuální zpoždění</strong> (kumulující se) a <strong>rozdíl ve zpoždění</strong> z předchozí zastávky (nárůst mezi zastávkami).</p><p><a href="https://github.com/hrubajan/da_projekt_gol/blob/master/02_geomap.ipynb">Zkoumanými linkami byly č. <strong>331 </strong>a č. <strong>333</strong>, trasa Dolní Břežany — Kačerov:</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/772/1*7jxoycO-z8rAwNB7994v2w.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/706/1*kCdjXrZR2kPrbae9NEW_4w.jpeg" /><figcaption>Trasa linky 331/333 v úseku Kačerov — Libuš (Obr. 1) — Písnice — Dolní Břežany, náměstí (Obr. 2)</figcaption></figure><h4>ANALÝZA DAT</h4><p>Velkým faktorem, který určoval povahu nejen celé Akademie, ale i našich dat byl <strong>koronavirus</strong>.<br>Jelikož jsme data začaly sbírat již během karantény, dopravní situace neodpovídala běžnému provozu a <a href="https://github.com/hrubajan/da_projekt_gol/blob/master/07_inside_covid.ipynb">autobusy byly zpožděné jen zřídka</a>. Bylo zřejmé, že pro vytváření modelu predikujícího ZPOŽDĚNÍ si budeme muset počkat na rozvolňování opatření.</p><p>Pro celý dataset jsme se podívaly na základní statistické údaje naší klíčové metriky — aktuálního zpoždění (DELAY)…74s průměrné zpoždění…hm, dataset je třeba <strong>znovu </strong>poupravit…<em>Never Ending Story </em>🎵</p><pre>count    7695.000000<br>mean       74.308642<br>std       100.242939<br>min      -180.000000<br>25%        10.000000<br>50%        50.000000<br>75%       112.000000<br>max       839.000000<br>Name: DELAY, dtype: float64</pre><p>Rozhodly jsme se, že dataset rozdělíme na období <em>během </em>a <em>po </em>karanténě a budeme pracovat pouze s daty po karanténě. <br>➡️ <em>inside_covid</em> do 17. května, <em>after_covid</em> od <strong>18. května</strong> dál,<br>➡️ dalším rozhodnutím bylo brát v úvahu pouze řádky se zpožděním větším než nula.</p><blockquote><a href="https://github.com/hrubajan/da_projekt_gol/blob/master/05_charts_hypothesis.ipynb">https://github.com/hrubajan/da_projekt_gol/blob/master/05_charts_hypothesis.ipynb</a></blockquote><p>Na grafu můžeme vidět, že<strong> největší zpoždění</strong> nastává <strong>v intervalu od 7:50 do</strong> <strong>9:20</strong>. Ověřily jsme to i formou boxplotu a metodou <em>.describe()</em>, která nám vrací statistický přehled dat v jednotlivých intervalech.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*W2WftFP_CKBglZB_MbXIRg.png" /><figcaption>Průběh zpoždění během ranních hodin</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/956/1*5I08OklmSbQXTxyiA6nCdQ.png" /><figcaption>Ukázka vývoje střední hodnoty zpoždění během jednotlivých časových intervalů</figcaption></figure><p>Dále pracujeme s daty v tomto intervalu, kdy je intenzita zpoždění nejvyšší.</p><h3>STATISTIKA NUDA… NENÍ</h3><p>Dataset jsme otestovaly na normální rozdělení (<em>Shapiro-Wilk test</em>), které se nám, dle našeho předpokladu, nepotvrdilo. Pro testování našich hypotéz jsme využily statistické neparametrické testy (<em>Kruskal-Wallis H-test, Man-Whitney U-test</em>).</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/0fde7f567d0bfbd38fc3ff8b5faf0bd1/href">https://medium.com/media/0fde7f567d0bfbd38fc3ff8b5faf0bd1/href</a></iframe><h4>ZPOŽDĚNÍ &amp; ZASTÁVKY</h4><p>🚏 Prvním parametrem, který nás zajímal byly autobusové zastávky. <br>Nejdříve jsme vizualizovaly vývoj zpoždění na celé trase. Největší zpoždění lze pozorovat na poslední zastávce a nárůst <em>přibližně </em>od zastávky 10.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/567/1*vSyB3SAt3JJVGr9_5GA6Qw.png" /><figcaption>Vývoj zpoždění na trase</figcaption></figure><blockquote>Nejvyšší zpoždění na poslední zastávce nebylo velkým překvapením, ale kde ho autobus nejvíce nachytá?</blockquote><p>V další vizualizaci vidíme zastávky jednotlivě. U některých zastávek se rozdělení dat tváří podobně, divočina začíná u zastávky 11. Kde je nárůst zpoždění největší, není stále příliš patrné.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/762/1*2f51OLiesk8OVTjmGjtorg.png" /><figcaption>Zpoždění z předchozí zastávky vůči rozdílu ve zpoždění</figcaption></figure><p>Poslední vizualizací je boxplot, kde je zřejmé, že autobus <strong>zpoždění nejvíce nabírá v úseku Sídliště Krč</strong> (12) ➡️ <strong>Zálesí </strong>(13). U zastávky 11 je vidět poměrně velké množství odlehlých hodnot.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/577/1*mcw7PK7I6SaE5nGsPoe_pA.png" /></figure><p>Statisticky jsme chování zastávek otestovaly pomocí <strong><em>Kruskal-Wallisova testu</em></strong>. Nulová hypotéza byla <strong>zamítnuta</strong>, alespoň jedna dvojice mediánů se liší, zastávky mají různé rozdělení dat.</p><h4>ZPOŽDĚNÍ &amp; DEN V TÝDNU</h4><p>📆 Dalším parametrem je den v týdnu. V prvním grafu jsme si pro představu pro každý pracovní den vyobrazily zpožděné vs. nezpožděné spoje.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/751/1*Wy6yf-ZwXErSzbfr0Z2NOQ.png" /></figure><p>V dalším grafu jsme vizualizovaly vývoj zpoždění skrze dny v týdnu na jednotlivých zastávkách. Nejhůře je na tom opět <strong>pondělí </strong>a<strong> středa</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/717/1*9aBQNRMTWhQHAwvnRmGwGQ.png" /><figcaption>Mediány zpoždění během jednotlivých dní na jednotlivých zastávkách</figcaption></figure><p>Statisticky jsme distribuci dat v jednotlivých dnech otestovaly pomocí <strong><em>Mann-Whitney testu</em></strong>. Vyselektovaly se nám 4 skupiny rozdělení dat (Pondělí+Středa, Úterý+Čtvrtek, Pátek, Sobota+Neděle).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/734/1*UgvEHJrcJyz5VDphSK8HvA.png" /><figcaption>Distribuce dat zpoždění</figcaption></figure><h4>PREDIKČNÍ MODEL</h4><p>💁 Pro predikci jsme si zvolily lineární regresi. Vstupními hodnotami X jsou parametry: čas, den v týdnu a zastávka. To jsou naše nezávislé proměnné, jejichž vztah vůči zpoždění bude vyjádřen koeficienty..</p><blockquote>Cílem lineární regrese je proložit naměřenými body přímku, která nejlépe vystihuje vztah mezi proměnnými. Jelikož přímka nemůže procházet všemi body zároveň, snahou je takové proložení, aby přímka byla bodům co nejblíže.</blockquote><p>Kategorické proměnné (den v týdnu, zastávka) bylo třeba převést na tzv. <em>dummy variable </em>(z textu na číslo). Při interpretaci pak jedna <em>dummy </em>proměnná slouží jako základna pro porovnání s ostatními.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/1c50ea25fa3624faf2037a288e71490c/href">https://medium.com/media/1c50ea25fa3624faf2037a288e71490c/href</a></iframe><p>👏 Přichází splnění <strong>cíle</strong> a na základě konkrétního <strong>času</strong>, <strong>zastávky </strong>a <strong>dne</strong>, zkusíme zjistit <strong>velikost zpoždění</strong>:</p><pre>data_for_prediction = pd.DataFrame({<br> “DAY_OF_WEEK”: [“Tuesday”],<br> “SEQUENCE”: [13],<br> “TIMESTAMP_SECONDS”: [28216],<br>})<br>model.predict(final)<br>&gt;&gt;&gt; array([<strong>244.24386355</strong>])</pre><p>🕔 Podle modelu bychom na zastávce <strong>Zálesí </strong>v <strong>úterý </strong>v <strong>8:50</strong> čekaly <strong>4 minuty</strong>.<br>🚌 Dle reálných datech je při těchto parametrech zpoždění <strong>3,3 minuty</strong>.</p><h4>PROVĚŘUJU, PROVĚŘUJEŠ</h4><p>🔎 Jak trend predikovaného zpoždění kopíruje reálná data? Vybraly jsme si vzorek náhodných 50 prvků.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/935/1*KBEEvPjgiD2PaaD5CoL-vg.png" /></figure><h3>ZÁVĚR</h3><h4>SOUHRN DAT</h4><p>Během našeho časového intervalu, kdy jsme data sbíraly, bylo největší zpoždění od 7:50 do 9:20, nejhoršími dny jsou pondělí a středa <br>a kritické zastávky, kde zpoždění nejvíce narůstá, jsou Sídliště Krč (12) <br>a Zálesí (13). V první části posledního úseku od zastávky Nemocnice Krč (14) směrem na Kačerov (15) je vyhrazen pruh pro autobusy, cyklisty a taxi. Zpoždění autobusu se v této fázi již radikálně nezvyšuje, ale rozhodně nemizí, autobus přijíždí na konečnou s nejvyšším zpožděním na trase. <br><strong>Naše hypotéza</strong> o vytíženosti úseku v okolí nemocnice byla <strong>potvrzena</strong>, i když číselné hodnoty zpoždění nejsou zničující. Tuto skutečnost přisuzujeme období po karanténě — velké množství práce z domova a menší množství školáků a studentů na cestě.</p><h4>PREDIKCE</h4><p>Jedním z ukazatelů kvality modelu je koeficient determinace<strong> R²</strong>. Naše nezávislé proměnné X vysvětlují <strong>34 %</strong> variability závisle proměnné Y.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PcZzbL4mFJf92u3RBY_dcQ.png" /><figcaption>V pondělí je v porovnání s pátkem zpoždění o 78 sekund vyšší. Pro zastávku 15 platí, že autobus se na ní oproti zastávce 1 zpožďuje o 215 sekund více.</figcaption></figure><p>Přesnost modelu by se mohla zvýšit větším rozsahem dat a rozdělením na trénovací a testovací množinu. Mimo to jsou i další možnosti, jak model ohodnotit a případně upravit, včetně analýzy splnění předpokladů na model kladených. Ale nejedná se pak už o datovou analýzu, ale statistiku a ekonometrii, a to by si zasloužilo podrobnější zkoumání.</p><p>Cílem bylo naznačit, že se s takto připravenými daty dají dělat i podobné věci jako predikční modely.</p><h4>PŘÍNOSY</h4><p>Jedním z hlavních přínosů projektu je informace pro <strong>cestujícího</strong>, <br>s jakým zpožděním může na své zastávce v daný čas a den počítat.</p><p><em>Co mi projekt a celá digitální akademie dala a vzala: </em><br><strong>DALA </strong>🎁 velké množství nových znalostí, vhled do světa dat a programování, vyprofilování, čím bych se chtěla zabývt a spoustu kontaktů a nových známých ❤️ <br><strong>VZALA </strong>😴 ,,<em>spánek se přeceňuje</em>” (citace lektorky Verči 😄)</p><p><em>V projektu jsem využila:</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hDSk6WZHHG4tSjww82fM-A.png" /></figure><h3><strong>PODĚKOVÁNÍ</strong></h3><p>🙏 Mé velké díky patří parťačce <a href="http://bit.ly/dadpj2020projekt11B">Martině</a> a mentorovi Honzovi a všem lektorům a koučům za nekonečnou trpělivost a předané zkušenosti, zejména pak Tomovi a Petrovi za rady ohledně pythonu a statistiky. Chtěla bych poděkovat i ostatním účastnicím, jak jsme tento alternativní antivirus běh bravůrně zvládly! ❤️</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e91de933cf76" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>