Inhaltsübersicht
Datenaufbereitung, Geo-Klassifikation und Methodik
1Daten und Bereinigung
2Routen-Klassifikation
3Geo-Bounds und Methodik
4Grenzen
| Schritt | Umfang | Anmerkung |
|---|---|---|
| Rohdaten | 300.000 Zeilen × 12 Spalten | eine Zeile je Fahrt, NYC 2016 |
| Bereinigt | 293.369 Zeilen | 6.631 Zeilen über Fehler- und Scope-Masken entfernt |
| Klassifiziert | 293.369 × +3 Spalten | Abfahrtsgebiet, Ankunftsgebiet und Routentyp je Fahrt |
Keine Fahrzeug-IDs, keine Flottengröße. Jede Empfehlung ist ein relativer Faktor auf den Wochenschnitt, keine Stückzahl.
Messfehler — unmögliche Werte
Koordinaten außerhalb NYC, negative oder Null-Fahrpreise, lange Distanz bei Near-Zero-Fahrpreis (Sensordefekt), unplausible Passagierzahl. Technisch falsch, deshalb raus.
Koordinaten außerhalb NYC, negative oder Null-Fahrpreise, lange Distanz bei Near-Zero-Fahrpreis (Sensordefekt), unplausible Passagierzahl. Technisch falsch, deshalb raus.
Geschäfts-Scope — plausibel, aber außerhalb
Fahrpreise über 250 $, Extremdistanzen. Echte Fahrten, aber nicht Teil des Alltagsgeschäfts, um das es hier geht.
Fahrpreise über 250 $, Extremdistanzen. Echte Fahrten, aber nicht Teil des Alltagsgeschäfts, um das es hier geht.
24 exakte Duplikate
Vollständig identische Zeilen, ersatzlos entfernt.
Vollständig identische Zeilen, ersatzlos entfernt.
6.631 Zeilen entfernt, 2,2 % der Rohdaten. Klein genug, um die Verteilungen nicht zu verzerren, groß genug, um die Extremwerte aus den Kennzahlen zu halten.
| Gruppe | Spalten | Zweck |
|---|---|---|
| Geo-Route | departure · arrival · route | Bounding-Box-Klassifikation je Fahrt |
| Ökonomie | total_yield · price_per_mile | Ertrag je Fahrt und je Meile |
| Zeit | time_slot · is_weekend | Tagesabschnitt und Wochenende |
| Verteilung | log-Transformierte der schiefen Numerik | robustere Vergleiche |
Die Klassifikations- und Ökonomie-Spalten tragen die gesamte spätere Analyse. Sie entstehen einmal in der Preparation und werden exportiert.
Jede Fahrt wird über zwei Bounding-Boxes klassifiziert: liegt der Punkt in der JFK-Box, in der NYC-Box oder außerhalb.
Die Fahrtenzahl ist logarithmisch aufgetragen, weil NYC→NYC alle anderen Routentypen um Größenordnungen übersteigt.
Die Masse der Punkte liegt in Manhattan und den inneren Boroughs. Der JFK bildet einen kompakten, klar abgesetzten Cluster im Südosten.
Diese räumliche Trennung ist der Grund, warum ein einfaches Rechteck für die Klassifikation ausreicht.
| Gebiet | Breitengrad | Längengrad | Zweck |
|---|---|---|---|
| JFK | 40,627 – 40,660 | −73,808 – −73,766 | Flughafen-Rechteck, rund 3,7 km Kantenlänge |
| NYC | 40,577 – 40,918 | −74,150 – −73,700 | Metropolregion |
| Other | außerhalb beider Boxen | — | alles Übrige |
Ein Rechteck ist eine grobe Näherung an das Flughafengelände. Es fasst die Terminal-Vorfahrten sicher, greift am Rand aber auch angrenzende Straßen mit — bewusst in Kauf genommen für eine reproduzierbare, an einer Stelle nachlesbare Regel.
Annahme: Ergebnisform
Eine konkrete Taxi-Stückzahl für den JFK.
→
Befund: Ergebnisform
Gewichtungsfaktoren auf den Wochenschnitt — der Datensatz enthält keine Flottengröße.
Annahme: Methode
Ein Vorhersagemodell mit Train/Test-Split.
→
Befund: Methode
Eine Bestandsaufnahme von Anteilen und Zeitmustern in den 2016er Daten.
Annahme: Klassifikation
Ein exaktes Flughafen-Polygon.
→
Befund: Klassifikation
Eine Bounding-Box — grob, aber zentral definiert und reproduzierbar.
Die Frage ist eine Anteils- und Verteilungsfrage, keine Prognose. Jede Vereinfachung ist dokumentiert und im Code an einer Stelle nachlesbar.
Keine Stückzahl
Der Datensatz enthält keine Flottengröße. Alle Empfehlungen sind relative Faktoren auf den Wochenschnitt, keine Taxi-Zahlen.
Der Datensatz enthält keine Flottengröße. Alle Empfehlungen sind relative Faktoren auf den Wochenschnitt, keine Taxi-Zahlen.
Ein Jahr, eine Stadt
2016er Yellow-Taxi-Daten für NYC. Kein Trend über die Zeit, keine Übertragung auf andere Jahre oder Anbieter — Uber und Lyft fehlen.
2016er Yellow-Taxi-Daten für NYC. Kein Trend über die Zeit, keine Übertragung auf andere Jahre oder Anbieter — Uber und Lyft fehlen.
Bounding-Box statt Polygon
Das JFK-Rechteck greift am Rand angrenzende Straßen mit. Die JFK-Zahlen sind dadurch eher eine leichte Obergrenze.
Das JFK-Rechteck greift am Rand angrenzende Straßen mit. Die JFK-Zahlen sind dadurch eher eine leichte Obergrenze.
Deskriptiv, nicht prognostisch
Anteile und Muster im Bestand, kein Vorhersagemodell. Ob die Muster über 2016 hinaus gelten, zeigt erst neue Datenlage.
Anteile und Muster im Bestand, kein Vorhersagemodell. Ob die Muster über 2016 hinaus gelten, zeigt erst neue Datenlage.
Eine Nische richtig einordnen
1,93 % der Fahrten, rund das Vierfache an Wert, mit klarem Wochen- und Tagesrhythmus. Der Beitrag war nicht ein Modell, sondern die saubere Klassifikation und die Übersetzung der Muster in eine gewichtete Bereitstellung.