• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
17
Апрель

Научно-исследовательский семинар "Количественные методы анализа транспортных данных"

2020/2021
Учебный год
RUS
Обучение ведется на русском языке
4
Кредиты
Статус:
Курс обязательный
Когда читается:
1-й курс, 1, 2 модуль

Преподаватель

Программа 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

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

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

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

Элементы контроля

  • неблокирующий домашняя работа 1
  • неблокирующий домашняя работа 2
  • неблокирующий домашняя работа 3
  • неблокирующий самостоятельная работа 1
  • неблокирующий Работа на семинарах
  • неблокирующий самостоятельная работа 2
  • неблокирующий самостоятельная работа 3
Промежуточная аттестация

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
Список литературы

Список литературы

Рекомендуемая основная литература

  • Institut für Mobilitätsforschung. (2013). Megacity Mobility Culture : How Cities Move on in a Diverse World. Berlin: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=565374
  • Molugaram, K., & Rao, G. S. (2017). Statistical Techniques for Transportation Engineering. Oxford: Butterworth-Heinemann. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1433141
  • Washington, S., Karlaftis, M. G., & Mannering, F. L. (2011). Statistical and Econometric Methods for Transportation Data Analysis (Vol. Second edition). Boca Raton, FL: Chapman and Hall/CRC. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1763415
  • Введение в эконометрику : учебник для вузов, Доугерти, К., Замкова, О. О., 2007

Рекомендуемая дополнительная литература

  • Эконометрика. Начальный курс, Магнус, Я. Р., Катышев, П. К., 1997