Научно-исследовательский семинар "Количественные методы анализа транспортных данных"

Магистратура 2020/2021

Статус: Курс обязательный (Управление пространственным развитием городов)

Направление: 07.04.04. Градостроительство

Кто читает: Высшая школа урбанистики имени А.А. Высоковского

Где читается: Факультет городского и регионального развития

Когда читается: 1-й курс, 1, 2 модуль

Формат изучения: без онлайн-курса

Преподаватели: Моисеева Мария Александровна

Прогр. обучения: Транспортное планирование

Язык: русский

Кредиты: 4

Контактные часы: 60

Полная версия программы учебной дисциплины

Аннотация

В результате освоения дисциплины студент должен: Знать:  Специфику работы с количественными данными в транспортном планировании и исследованиях городского транспорта  Основные понятия теории вероятностей, математической статистики  Основные статистические методы анализа данных и их применение в транспортном планировании и исследованиях городского транспорта Уметь:  Выбирать статистические методы анализа транспортных данных в соответствии с поставленными целями и задачами исследования  Применять статистические методы анализа транспортных данных в зависимости от целей и задач исследования  Анализировать результаты расчетов и обосновывать полученные результаты Владеть навыками:  Постановки и проверки гипотез исследования по транспортной тематике  Самостоятельного анализа данных с помощью статистического пакета R  Интерпретации полученных результатов статистического анализа данных

Цель освоения дисциплины

Формирование у студентов навыков применения статистических методов анализа данных для решения задач транспортного планирования и исследования транспортных систем городов

Планируемые результаты обучения

 Рассчитывает описательные статистики для наборов данных  Умеет визуализировать данные и проводить графический анализ числовых данных
 Знает основные методы кластерного анализа: иерархическая кластеризация, метод k-средних  Умеет объединять объекты в однородные группы со схожими признаками
 Строит модели линейной регрессии в R  Проводит диагностику регрессионных моделей и интерпретирует результаты  Применяет методы регрессионного анализа для исследования транспортных проблем
 Знает подходы к построению прогнозов временных рядов  Умеет применять методы анализа временных рядов для прогнозирования динамики транспортных показателей

Содержание учебной дисциплины

Дескриптивный анализ данных
Введение в статистический анализ. Изучение дескриптивных статистик: Средняя арифметическая. Мода. Медиана. Размах вариации. Дисперсия. Среднее квадратическое отклонение. Коэффициент вариации. Куртозис и эксцесс. Квартили. Графическое представление данных: гистограмма, график плотности распределения вероятностей, boxplot («ящик с усами»). Разбор примера: скорость движения машин на дорогах.
Основы регрессионного анализа
Основные понятия. Простая и множественная линейная регрессия. Метод наименьших квадратов. Мультиколлинеарность и гетероскедастичность. Регрессия с фиктивными переменными. Разбор примера: анализ факторов, определяющих среднегодовой суточный трафик на автодорогах.
Кластерный анализ
Определение пространства признаков. Стандартизация данных. Методы определения оптимального числа кластеров. Иерархическая кластеризация. Меры расстояния. Метод k-средних. Визуализация кластеров и интерпретация результатов. Разбор примера: кластеризация крупнейших городов мира по характеристикам их транспортных систем.
Введение в анализ временных рядов и прогнозирование
Модели временных рядов. Компоненты временного ряда: тренд, сезонность, белый шум. Сглаживание временных рядов. Метод скользящих средних экспоненциальное сглаживание. Стационарные и нестационарные процессы. Автокорреляционная функция и частная автокорреляционная функция стационарного процесса. Тест Дикки-Фуллера на наличие единичного корня. Разбор примеров: динамика загрузки автодорог в центре Афин, динамика продаж билетов на автобусы в Афинах. Интегрированная модель авторегрессии – скользящего среднего ARIMA(p, d, q). Идентификация модели. Оценивание и проверка адекватности модели. Качество подгонки моделей временных рядов. Прогнозирование в модели Бокса-Дженкинса. Информационные критерии Акаике (AIC) и Шварца (BIC). Разбор примера: Спрос на автобусные пассажирские перевозки в Афинах (продолжение).

Элементы контроля

домашняя работа 1
домашняя работа 2
домашняя работа 3
самостоятельная работа 1
Работа на семинарах
самостоятельная работа 2
самостоятельная работа 3

Промежуточная аттестация

Промежуточная аттестация (2 модуль)
0.2 * Работа на семинарах + 0.2 * самостоятельная работа 1 + 0.3 * самостоятельная работа 2 + 0.3 * самостоятельная работа 3

Программа дисциплины