Details

Объект исследования: база данных, которая содержит информацию о транспортном пассажиропотоке города Москвы, включающая данные о количестве поездок, станциях и временных интервалах за 7 дней. Предмет исследования: поведенческий анализ пассажиропотоков в зависимости от внешних факторов. Цель дипломной работы – провести Интеллектуальный анализ данных городского пассажирского транспорта на основе информации билетных систем города Москвы, учитывая внешние факторы такие как массовые мероприятия, праздничные дни, будни, часы пик и выходные, для повышения эффективности транспортной системы При выполнении работы были выполнены следующие этапы: 1) загрузка данных из внешнего источника (файла формата .csv); 2) обработка и структуризация данных; 3) анализ полученных данных; 4) выбор метода анализа данных; 5) исследование временных рядов; 6) интерпретация полученных результатов. В результате выполнения работы была рассмотрена среда разработки Python, произведена работа с библиотекой pandas, так же проведена обработка данных о пассажиропотоках городского транспорта. Помимо этого, был проведен анализ временных рядов.

The subject of the graduate qualification work is a database containing information on the passenger flow of Moscows transport system, including data on the number of trips, stations, and time intervals over a 7-day period. The subject of the study is the behavioral analysis of passenger flows depending on external factors. The aim of the thesis is to conduct an intelligent analysis of urban passenger transport data based on Moscows ticketing information, considering external factors such as weather, mass events, and holidays, to improve the efficiency of the transport system. The following stages were completed during the work: 1) loading data from an external source (a .csv file); 2) data processing and structuring; 3) analysis of the obtained data; 4) selection of a data analysis method; 5) time series analysis; 6) interpretation of the obtained results. As a result of the work, the Python development environment was utilized, and operations were performed using the pandas library. Additionally, the processing of urban transport passenger flow data was carried out, along with an analysis of time series.