Измерение времени каждого процесса в аэропорту Нарита на основе данных GPS — Япония.
Батран: Привет, Омар, мой рейс прибывает в аэропорт Нарита в 17:30, ты можешь забрать меня?
Омар:Конечно, с удовольствием! Когда мне тебя забрать?
Батран: Подожди! Существует множество мер по борьбе с COVID-19, и я слышал, что нам нужно пройти тестирование по прибытии, а это может занять время.
Омар: Правильно, но вы знаете, что ждать в аэропорту довольно сложно, поэтому мы хотим оценить, приземлитесь ли вы в 17:30 — когда вы ожидаете добраться до зоны выдачи багажа.
Бэтран:Не можете найти много в Интернете? Если бы кто-то измерил это время.
Covid-19 внес много изменений в индустрию туризма. Это также усложнило уже существующие процессы в аэропорту от посадки до получения багажа. Вот некоторые из этих изменений:
- Отображение отрицательного сертификата ПЦР
- Проверка температуры
- Сдать анализ слюны и дождаться результата
- Заполнение множества документов и согласований
- Установка и настройка приложения для мониторинга работоспособности
При такой сложности планирование службы вывоза или создание любого обязательства, зависящего от времени, является сложной задачей. В этой статье мы показываем визуальный анализ на основе данных потока операций и времени, которое требуется от приземления рейса до получения багажа в аэропорту Нарита.
Данные
Данные мобильного телефона — один из лучших способов понять и измерить время процессов в разных местах. Большинство мобильных телефонов собирают данные о местоположении пользователя, чтобы предоставлять пользователям более качественные услуги, и они часто позволяют пользователям получать доступ к своим данным или запрашивать копию.
Как только мы приземлились в аэропорту Нарита, нас подключили к Интернету, и GPS-местоположение начало записываться. В среднем один балл набирался каждые 5 секунд. Глядя на последовательность точек во времени, довольно легко визуально увидеть, где я был в какое время, и сделать быстрый вывод об общем расстоянии или общем пройденном времени.
Нам потребовалось2 часа 20 минут с момента приземления рейса, чтобы подать форму таможенной декларации и покинуть аэропорт в августе 2021 года.
Понижение выборки точек данных
Чтобы уменьшить сложность и более четко увидеть тенденции данных, например остановки, на которых накапливаются точки. Давайте уменьшим количество точек до одной точки каждые 10 секунд вместо одной точки каждые 5 секунд. Этот процесс называется подвыборкой и широко используется в аналитике временных рядов.
Теперь, когда данные были уменьшены, мы хотим извлечь только точки остановки. Точки остановки указывают на действие, например, когда вы стоите в очереди, чтобы сдать анализ слюны, или когда вы ждете, чтобы забрать багаж. Когда кто-то останавливается в одном и том же месте, точки данных GPS продолжают накапливаться в одной и той же точке, где легко обнаружить тенденцию.
Обнаружение точек ходьбы по скорости
Чтобы зафиксировать эти остановки, нам сначала нужно удалить точки, в которых мы шли или бежали. Для этого мы можем рассчитать скорость каждой точки, сравнив ее с предыдущей точкой. Средняя скорость человека при ходьбе составляет около 1,4 метра в секунду. Что касается меня, то я шел со своей 2-летней дочерью, поэтому скорость едва ли составляла 1 метр в секунду, это скорость_мпс, которая относится к метру в секунду.
Далее все, что нам нужно сделать, это отбросить точки данных со скоростью, равной или превышающей среднюю скорость ходьбы. Поскольку моя скорость ходьбы была изначально довольно низкой, то были удалены точки высокой скорости и точки, когда самолет приземлялся и двигался. Однако с обычной скоростью ходьбы. Ожидайте лучших результатов.
Поиск остановок путем кластеризации
Кластеризация — это метод поиска общих точек данных, кластеризация на основе пространственно-временной плотности или STDBSCAN — это неконтролируемый алгоритм машинного обучения для кластеризации точек, близких в пространстве и времени, которые могут представлять потенциальную остановку. После того, как мы запустим модель на точке данных и настроим параметры. Мы можем извлечь соответствующие точки, представляющие остановки, в которых движение было относительно спокойным, как показано ниже.
Каждая остановка представляет собой действие или что-то, что описывает, почему мы остановились в первую очередь. В большинстве случаев мы можем сопоставить остановку с ближайшим магазином или рестораном и так далее. Но в этом случае это зависит от операции, поэтому мы можем пометить эти точки вручную. Ведь их всего несколько кластеров.
Измерение времени, которое требуется для каждой остановки
Сколько времени занимает каждый процесс?
Если мы посмотрим на каждую точку кластера GPS, мы можем просто найти точку с минимальным временем и точку с максимальным временем в каждом кластере. Это будет представлять начало остановки и конец остановки. Разница между ними заключается в продолжительности остановки. В таблице ниже продолжительность каждого кластера показывает, сколько времени нам потребовалось для завершения каждого процесса. Мы были вполне расслаблены и нам некуда было торопиться, да и дети у нас тоже были. Таким образом, время для одного человека в беге может быть меньше.
Расчет времени ходьбы в аэропорту
Время ходьбы — это время между различными остановками, это важная часть характеристики мобильности. Сколько времени нужно, чтобы пройти с одного места на другое? Чтобы рассчитать это по данным, время ходьбы может быть временем между последней точкой остановки и первой точкой следующей остановки. В приведенной ниже таблице указано время, проведенное без остановок, включая время, проведенное без пересадок, включая время, проведенное взад и вперед в поисках следующей остановки, или время, когда дети выглядывают из-за стекла, чтобы посмотреть на самолеты. Что было довольно часто. Однако время ходьбы может быть преувеличено, если некоторые точки ошибочно не рассчитываются как часть кластера или когда игнорируется небольшая остановка. Например, зайти в туалет.
Определение приблизительного местоположения остановки
Определение приблизительного местоположения остановки иногда может быть важным. Когда происходит остановка, местоположения GPS разбросаны вокруг одной точки. Это связано с тем, что точность GPS обычно составляет около 4 метров в мобильных телефонах. Чтобы найти аппроксимацию точки остановки, мы можем посмотреть на каждый кластер точек GPS и оценить положение центроида кластера.
Окончательные результаты
Выводы
- С момента приземления самолета до получения багажа и таможенного оформления проходит около 2 часов 30 минут.
- Ожидание результатов анализа слюны занимает большую часть времени ожидания, за которым следует загрузка приложения и подтверждение установки персоналом аэропорта.
- Прогулка от самолета до места проведения анализа слюны заняла большую часть времени.
- Выдача багажа прошла довольно быстро, так как на данный момент аэропортом Нарита пользуется очень мало людей.
Бизнес-возможности для этого / аналогичного анализа
Разработка успешного опыта работы с объектами начинается с мониторинга существующей ситуации. Измерение времени процессов и картирование путей клиента могут отражать эффективность этих процессов для внедрения улучшений на основе данных и постоянного улучшения операций в итеративном процессе (Кайдзен). Повсеместное распространение и доступность данных мобильных телефонов предоставили множество возможностей для понимания пути пользователей в офлайн-мире и эффективности операций, предоставляемых этим клиентам. Существует несколько аспектов внедрения продуктов для мониторинга производительности на основе данных:
Сбор данных
Сбор данных представляет собой проблему, поскольку для сбора их данных требуется согласие пользователя. Одним из способов сбора таких данных является предложение такой услуги, как приложение, предназначенное для объекта, или бесплатный Wi-Fi, когда клиент соглашается предоставить свои данные с обещанием сохранить их анонимными и безопасными. Другой способ — использовать компании-агрегаторы данных или компании, которые используют приложения для мобильных телефонов в больших масштабах и имеют деловое партнерство или соглашения об обмене данными.
Репрезентативность данных
Собранные данные всегда будут представлять собой выборку. В конце концов, не все люди будут устанавливать приложение или пользоваться бесплатным Wi-Fi. Даже партнерство с компаниями, производящими приложения для мобильных телефонов, также предложит лишь часть всех посетителей. Обычно это допустимо в стандартах обработки данных при расчете агрегированных инсайтов. Кроме того, можно рассчитать подходящий коэффициент масштабирования, чтобы получить репрезентативную информацию.
Конфиденциальность
Мне удобно показывать вам, где я был на карте. Но большинство людей не будут счастливы, зная, что так много информации об их мобильности извлекается и привязывается к их личности. Кроме того, правила со временем ужесточаются. Чтобы поддерживать высокий стандарт конфиденциальности, необходимо выполнить множество шагов, таких как:
Анонимизация
Данные, поступающие от пользователей, не должны быть отслежены до их личности. Это требует соответствующего хеширования частной информации необратимыми способами, такими как SHA-2 или другое более сложное хеширование, которое не может быть реконструировано.
Агрегация
Расчетные данные на индивидуальном уровне должны быть объединены, чтобы показать общую тенденцию или панель бизнес-аналитики из агрегированного продукта. Например, сказать, что пользователи с именами Кайл, Марк и Омар остались в этом процессе на 15 минут, не является хорошей стратегией. вместо этого мы можем извлечь, что среднее время пребывания в этом учреждении составляет 15 минут +- 3 минуты после агрегации.
Контроль доступа
Сведение к минимуму числа администраторов или пользователей данных является наилучшей практикой, обеспечивающей доступ к этой информации только соответствующим людям.
Заключительные заметки
Улучшение работы на основе данных больше не является просто доказательством концептуальной работы. Он уже широко используется во многих компаниях и во многих приложениях. Возможность начать сбор данных таким образом, чтобы сохранить стандарты конфиденциальности данных, будет иметь ключевое значение для будущего внедрения технологий, основанных на данных, которые может принять организация.
Сказав это, приложения для понимания времени обслуживания и пути клиента могут быть применены ко многим объектам и многим отраслям. Например,
Торговые центры
- Динамическое ценообразование в различных зонах торгового центра в зависимости от спроса
- Извлекать информацию о разнице в поведении между будними и выходными и праздничными днями для лучшего распределения персонала службы безопасности.
Фабрики
- Поймите время, необходимое для каждого процесса для улучшения работы
- Узнайте неиспользуемые помещения или объекты, нарисовав тепловую карту использования
- Управляйте безопасностью персонала при возникновении чрезвычайной ситуации, зная, где находится каждый человек
Аэропорты
- Лучше понять часы пик и изменение времени обслуживания в разные дни и выходные
- Распределяйте больше или меньше человеческих ресурсов, прогнозируя спрос в разные дни и в разных областях.
Умный город и жилые комплексы
- Поймите схему перемещения по месту жительства, чтобы лучше разработать индивидуальный сервис.
- Понимание плотности использования дорог и факторов, влияющих на ранжирование дорог на основе важности, для выбора лучшей стратегии обслуживания.
и более …
Обо мне
Мохамед Батран — эксперт по искусственному интеллекту и специалист по монетизации данных, работающий в Японии. На протяжении всей своей карьеры он работал с данными из таких отраслей, как финансы, электронная коммерция, логистика, телекоммуникации, транспорт, при проектировании использования данных для увеличения доходов, сокращения затрат или повышения удовлетворенности клиентов.
Вы можете прочитать эту же статью или связаться со мной здесь, я буду очень рад любому комментарию, отзыву или звонку для обсуждения сотрудничества:
