Estudi Espai-Temporal de l’ús del Bicing a Barcelona mitjançant una plataforma interactiva de Shiny

Tí ol: Es udi Espai-Tempo al de l’ús del Bicing a Ba celona mi jançan una pla a o ma in e ac i a de Shiny. Au o : A nau Nuala Sanz Di ec o : Josep An on Sànchez Espiga es Depa amen : Depa amen d’Es adís ica i In es igació Ope a i a Con oca ò ia: Se emb e 2023 : G au en Es adís ica Resum Aques eball de ece ca ep esen a una opo uni a pe ap o undi en l'anàlisi espai- empo al de l'ús del Bicing a Ba celona, u ili zan me odologies es adís iques a ançades i eines com el Shiny del llengua ge de p og amació R. Mi jançan l'es udi d'aques es dades, s'aspi a a comp end e millo els pa ons d'ús de les bicicle es i iden i ica à ees d'op imi zació de les es acions en el sis ema del Bicing. Aques en ocamen po con ibui a la millo a del anspo u bà sos enible i p omou e una mobili a més saludable i ecològica a la ciu a . Pa aules clau: Shiny, Bicing, lea le , En e-Dia i, Componen s P incipals, Clus e ing, PCA, P o iling Classi icació AMS (MSC 2010) • 62H25 Fac o analysis and p incipal componen s; co espondence analysis • 62H30 Classi ica ion and disc imina ion; clus e analysis • 65D18 Compu e g aphics, image analysis, and compu a ional geome y • 68T10 Pa e n ecogni ion, speech ecogni ion Ag aïmen s M'ag ada ia dona les g àcies al di ec o del meu eball Josep An on Sànchez Espiga es, pe dona -me supo amb la idea d'aques a eina, p opo ciona -me l'assis ència necessà ia du an o el p océs d'elabo ació i ajuda amb qualse ol dub e que pogués so gi . TAULA DE CONTINGUT 1. INTRODUCCIÓ................................................................................................................................. 1 2. DESCRIPCIÓ DEL DATASET ............................................................................................................... 4 2.1. PREPROCESSAT DE LES DADES .................................................................................................... 6 3. METODOLOGIA ............................................................................................................................... 8 3.1. CLUSTERING................................................................................................................................ 8 3.1.1. CLUSTERING PER DADES NUMÈRIQUES .................................................................................. 8 3.1.2. CLUSTERING PER DADES CATEGÒRIQUES ............................................................................. 10 3.2. PCA (P incipal Componen Analysis) ......................................................................................... 10 3.2.1. PASSOS PER AL PCA .............................................................................................................. 10 4. GUIA APLICACIÓ SHINY ................................................................................................................. 12 4.1. GUIA APLICACIÓ ....................................................................................................................... 12 5. RESULTATS .................................................................................................................................... 21 5.1. CREACIÓ DATAFRAMES DEL TREBALL ........................................................................................ 21 5.2. NIVELL ENTRE-DIARI ................................................................................................................. 22 5.2.1. PCA (P incipal Componen Analysis) ..................................................................................... 22 5.2.2. CLUSTERING .......................................................................................................................... 27 5.2.3. PROFILING ............................................................................................................................ 28 5.3. NIVELL DIARI ............................................................................................................................. 36 5.3.1. PCA (P incipal Componen Analysis) ..................................................................................... 36 5.3.2. CLUSTERING .......................................................................................................................... 39 5.3.3. PROFILING ............................................................................................................................ 40 6. CONCLUSIONS .............................................................................................................................. 46 BIBLIOGRAFIA ....................................................................................................................................... 49 ANNEX .................................................................................................................................................. 50 - SHINY UI ....................................................................................................................................... 50 - SHINY SERVER ............................................................................................................................... 58 - PCA, CLUSTERING I PROFILING ..................................................................................................... 63 ÍNDEX DE FIGURES Figu a 1.1: Es ació de Bicing ................................................................................................................... 1 Figu a 3.1: P océs de DBSCAN ................................................................................................................ 9 Figu a 3.2: Exemple de Dendog ama ...................................................................................................... 9 Figu a 4.1: Apa a Guia Aplicació ........................................................................................................ 12 Figu a 4.2: Apa a Flux segons Dia i Es ació ........................................................................................ 13 Figu a 4.3: Apa a Flux segons Es ació ................................................................................................ 14 Figu a 4.4: Apa a Di e ències Es acions Bici ....................................................................................... 15 Figu a 4.5: Apa a A ibades/So ides es acions ................................................................................. 15 Figu a 4.6: Subpa a Clús e s segons la Pa del Dia ............................................................................ 16 Figu a 4.7: Subpa a Clús e s segons Dia............................................................................................. 17 Figu a 4.8: Subapa a Addicional ........................................................................................................ 17 Figu a 4.9: Subapa a la Segons Pa del Dia ....................................................................................... 18 Figu a 4.10: Subapa a de Segons el Dia ............................................................................................. 18 Figu a 4.11: Glossa i No desplega ....................................................................................................... 19 Figu a 4.12: Glossa i desplega ............................................................................................................. 19 Figu a 5.1: Llis a esul a s componen s p incipals 1 ............................................................................. 22 Figu a 5.2: Pe cen a ge Va iabili a Acumulada pe Dimensions En e-Dia i ........................................ 23 Figu a 5.3: Sca e Plo es acions pe Componen s 1 i 2 En e-Dia i..................................................... 24 Figu a 5.4: Sca e Plo es acions pe Componen s 1 i 3 En e-Dia i..................................................... 24 Figu a 5.5: Sca e Plo es acions pe Componen s 2 i 3 En e-Dia i..................................................... 24 Figu a 5.6: P ojecció a iables Componen 1 i 2 En e-Dia i ................................................................. 25 Figu a 5.7: P ojecció a iables Componen 1 i 2 En e-Dia i ................................................................. 26 Figu a 5.8: P ojecció a iables Componen 2 i 3 En e-Dia i ................................................................. 26 Figu a 5.9: Pe cen a ge Va iabili a Dimensions Pa s Dies .................................................................. 27 Figu a 5.10: Dendog ama classi icació je à quica segons Pa s dels dies. ............................................ 28 Figu a 5.11: Sca e Plo Clús e s Componen 1-2 Pa s Dies................................................................ 28 Figu a 5.12: Sca e Plo Clús e s Componen s 1-3 Pa s Dies .............................................................. 29 Figu a 5.13: Sca e Plo Clús e s Componen 2-3 Pa Dies ................................................................. 30 Figu a 5.14: Box plo Clús e Pa s Dies 1ª Componen ........................................................................ 31 Figu a 5.15: Box plo Clús e Pa s Dies 2ª Componen ........................................................................ 32 Figu a 5.16: Box plo Clús e s Pa s Dies 3º Componen ...................................................................... 32 Figu a 5.17: Mapa conjun clus e s En e-Dia i .................................................................................... 33 Figu a 5.18: Mapa Clus e 1 En e-Dia i ............................................................................................... 34 Figu a 5.19: Mapa Clus e 3 En e-Dia i ............................................................................................... 34 Figu a 5.20: Mapa Clus e 4 En e-Dia i ............................................................................................... 35 Figu a 5.21: Mapa Clus e 2 En e-Dia i ............................................................................................... 35 Figu a 5.22: Llis a esul a s componen s p incipals 2 ........................................................................... 36 Figu a 5.23: Pe cen a ge Va iabili a Acumulada pe Dimensions Dia i................................................ 37 Figu a 5.24: Sca e Plo es acions pe Componen s 1 i 2 Dia i ............................................................ 37 Figu a 5.25: P ojecció a iables Componen 1 i 2 Dia i ........................................................................ 38 Figu a 5.26: Ampliació Figu a 5.20 ....................................................................................................... 38 Figu a 5.27: Pe cen a ge Va iabili a Dimensions Dies ......................................................................... 39 Figu a 5.28: Dendog ama classi icació je à quica segons Dies. ............................................................ 40 Figu a 5.29: Sca e Plo Clús e s Componen 1-2 Dies ........................................................................ 40 Figu a 5.30: Box plo Clús e Dies 1ª Componen ................................................................................. 41 Figu a 5.31: Box plo Clús e Dies 2ª Componen ................................................................................. 42 Figu a 5.32: Mapa conjun clus e s Dia i .............................................................................................. 43 Figu a 5.33: Mapa Clus e 1 Dia i ......................................................................................................... 43 Figu a 5.34: Mapa Clus e 2 Dia i ......................................................................................................... 44 Figu a 5.35: Mapa Clus e 4 Dia i ......................................................................................................... 44 Figu a 5.36: Mapa Clus e 3 Dia i ......................................................................................................... 45 ÍNDEX DE TAULES Taula 1.1: Desc ipció a iables ............................................................................................................... 5 Taula 5.1: Obse acions segons Clús e Pa Dia .................................................................................. 28 Taula 5.2: Medianes Clus e s segons Componen s En e-Dia i ............................................................. 33 Taula 5.3: Obse acions segons Clús e Dies ........................................................................................ 40 Taula 5.4: Medianes Clus e s segons Componen s Dies ....................................................................... 42 1 1. INTRODUCCIÓ La educció de la con aminació i la sos enibili a són dues de les coses més buscades en les g ans ciu a s d'a ui en dia. A mesu a que les ciu a s c eixen i es desen olupen, ambé ho an aspec es com a a la con aminació de l'ai e, el à ic conges iona i la al a d'espai e ds, en e d'al es. En aques con ex , el Bicing a so gi com una al e na i a ecològica i saludable pe a la mobili a u bana que ajuda ia p incipalmen als locals a mou e's pe Ba celona. Si ius a Ba celona, i e mous pe ana a la eina o ana a l'escola/uni e si a , el se ei de Bicing és de les p ime es i millo s opcions que e enen al cap. Bicing ha es a un exemple de com la inno ació en el anspo u bà po eni un impac e posi iu en la quali a de ida de les pe sones. A més, a di e ència del que passa a mol es ciu a s eu opees els u is es no poden e se i el Bicing, ja que el lobby d'emp eses de llogue de bicis a p essiona el consis o i pe què el sis ema e és els o as e s. En qualse ol cas, es à pensa pe als locals, pe a ajec es en e es i se quilòme es. Figu a 1.1: Es ació de Bicing El p ojec e de bicicle es públiques de Ba celona a se llança el 2007, g àcies a la inspi ació de ciu a s eu opees que ja enien un sis ema simila i la isió del seu c eado , Sal ado Rueda. G àcies a això i a les ans o macions dels ca e s i espais públics, el Bicing ha es a un èxi a Ba celona, ja que ha e possible que les pe sones es puguin mou e pe la ciu a de mane a e icien així com millo a la se a salu amb l'exe cici ísic. El sis ema de bicicle es públiques ha es a un ac o clau en la educció de la con aminació a mos è ica i sono a a la ciu a , i ha p omogu una cul u a de anspo més sos enible en e els seus usua is. L'emp esa ambé o e eix esde enimen s als seus abona s i abonades com la 8 3. METODOLOGIA En aques apa a es pa la à de les ó mules i els mè odes que s’han e se i du an aques es udi. 3.1. CLUSTERING Aques a me odologia és una de les més conegudes pels es adís ics ja que és de les més eballades g àcies a la u ili a que apo a. El p ocedimen del clus e ing és una ècnica d’anàlisi de dades que é com a objec iu ag upa obse acions simila s en conjun s o clús e s. Aques a eina pe any a l'àmbi de l'ap enen a ge no supe isa , ja que no eque eix e ique es o ca ego ies p ede inides pe a les dades. Pe du - ho a e me s'u ili zen mè iques de simili ud o dissimili ud pe mesu a la p oximi a en e les obse acions, pe me en iden i ica ag upacions na u als sense coneixemen p e i de la se a es uc u a. La me odologia del clus e ing o e eix una pe spec i a única pe es udia conjun s de dades complexos, iden i ican pa ons i ca ac e ís iques compa ides en e les obse acions. A a és d'aques p océs, les dades es dis ibueixen en clús e s que desp és poden se u ili za s pe p end e decisions, segmen a poblacions, de ec a anomalies o comp end e millo el compo amen de les dades en di e en s con ex os. Dins del que és el clus e ing exis eixen di e en s mane es d’aconsegui la clus e i zació de les dades, siguin amb a iables numè iques o ca egò iques. To i que a con inuació es a à un b eu esum de les di e ses ècniques que hi ha pe el clus e ing an pe dades numè iques com pe ca egò iques, cal ecalca que en el nos e cas s’ha u ili za el clus e ing je à quic que pe any a l’apa a de dades numè iques. 3.1.1. CLUSTERING PER DADES NUMÈRIQUES En aques ipus de clus e ing, les dades d'en ada són alo s numè ics, i l'objec iu és ag upa les obse acions simila s en clús e s basa s en les se es ca ac e ís iques quan i a i es. En el nos e cas s’ha u ili za el mè ode de clus e ing je à quic pe ò la eali a és que hi ha di e sos mè odes pe dades numè iques, alguns dels quals són: • K-means: És un mè ode popula de clus e ing que busca di idi les dades en "k" clús e s, on "k" és un nomb e p ede e mina . Cada clús e é un cen oide que ep esen a el cen e del clús e . Les obse acions s'assignen als clús e s en unció de la dis ància euclidiana al cen oide més p ope . 9 • K-medoids: Simila al K-Means, pe ò en aques cas, cada clús e é un pun eal de les dades com a medoid 1 . Això el a menys sensible a alo s a ípics o a dades no numè iques. • DBSCAN (Densi y-Based Spa ial Clus e ing o Applica ions wi h Noise): Aques mè ode es basa en la densi a de les obse acions. En aques cas els clús e s són egions de densi a al a, sepa ades pe egions amb baixa densi a . És especialmen bo pe a dades amb di e en s densi a s o clús e s de o mes i egula s. • Clus e ing Je à quic: El clus e ing je à quic és una ècnica de clus e ing que o gani za les obse acions en un a b e je à quic de clús e s. Aques a b e é una es uc u a de b anques que pe me iden i ica clús e s en di e en s ni ells de de all. Aques mè ode no eque eix ixa p è iamen el nomb e de clús e s, ja que p opo ciona una ep esen ació isual amb un dend og ama que mos a com les obse acions es usionen p og essi amen en g ups més g ans. Figu a 3.2: Exemple de Dendog ama 1 Medoid: Un medoid po se de ini com l'objec e d'un g up la dissimila i a mi jana del qual a o s els objec es en el g up és mínima. És el pun ubica més cap al cen e de o el g up. Figu a 3.1: P océs de DBSCAN 10 3.1.2. CLUSTERING PER DADES CATEGÒRIQUES En aques ipus de clus e ing, les dades d'en ada consis eixen en ca ego ies o e ique es, i l'objec iu és ag upa les obse acions que compa eixen les ma eixes ca ac e ís iques o p opie a s. Alguns mè odes de clus e ing pe a dades ca egò iques són: • K-Modes: Aques mè ode és simila al K-Means, pe ò s'u ili za pe a dades ca egò iques. U ili za una mè ica de dissimili ud especí ica pe calcula la dis ància en e les obse acions ca egò iques. • Fuzzy C-Means (FCM): Aques és un mè ode de clus e ing suau que pe me que les obse acions pe anyin pa cialmen a di e sos clús e s, amb g aus d'a ini a en lloc d'assignacions binà ies. • Clus e ing Aglome a iu Je à quic (HAC): Aques és un mè ode de clus e ing que comença ac an cada pun com a clús e indi idual, seguidamen de o ma i e a i a ag upa els pun s més simila s ins a o ma un dend og ama. La p oximi a en e clús e s es mesu a segons di e ses mè iques i al alla el dend og ama, s'ob enen els clús e s inals segons el ni ell de semblança desi jada. • La en Class Analysis (LCA): Aques a és una ècnica es adís ica que pe me iden i ica clús e s de a iables ca egò iques elacionades, conside an elacions de dependència en e elles. 3.2. PCA (P incipal Componen Analysis) El PCA (P incipal Componen Analysis) és una ècnica d'anàlisi de dades que s'u ili za an en dades numè iques com en dades ca egò iques pe edui la dimensionali a i iden i ica pa ons signi ica ius. Aques mè ode ans o ma les a iables o iginals en no es a iables, anomenades componen s p incipals, que són combinacions lineals dels a ibu s o iginals. 3.2.1. PASSOS PER AL PCA En aques apa a , explo a em els passos onamen als pe a du a e me el PCA, des de la p epa ació de les dades ins a la selecció dels componen s p incipals. • No mali zació de les dades: Abans de eali za el PCA, és impo an no mali za les dades numè iques pe assegu a que les a iables es iguin a la ma eixa escala. Aques 11 pas és c ucial pe ga an i que les di e en s a iables con ibueixin de mane a equi a i a al PCA. • Càlcul de la ma iu de co a iància o co elació: El PCA u ili za la ma iu de co a iància (o co elació) pe a alua les elacions en e les a iables. Aques a ma iu quan i ica elació en e o es les pa elles de a iables i és u ili zada pe oba els ec o s p opis (eigen ec o s) i els alo s p opis (eigen alues) associa s. • Càlcul dels componen s p incipals: Els componen s p incipals són les no es a iables que cap u en la majo a iància de les dades o iginals. Es calculen com una combinació lineal de les a iables o iginals, p io i zan les di eccions amb majo a iabili a . • Selecció dels componen s p incipals: A con inuació, s'ha de de e mina quan s componen s p incipals s'han de man eni . Aques a decisió po basa -se en la suma acumulada dels alo s p opis o en la a iància explicada pe cada componen . • T ans o mació de les dades: Un cop selecciona s els componen s p incipals, les dades són ans o mades u ili zan aques es no es a iables. Això edueix la dimensió de les dades o iginals, pe me en isuali za -les i anali za -les més àcilmen . Amb l’en ocamen en la educció de dimensions i iden i icació de componen s p incipals, aques mè ode p opo ciona una mane a e icien de ep esen a les dades i iden i ica pa ons impo an s que condueixen a una millo comp ensió i in e p e ació dels clús e s. 12 4. GUIA APLICACIÓ SHINY En aques apa a oba às una guia d’u ili zació de l’aplicació Shiny de Flux Bicing BCN. Aques a pla a o ma, com diu el í ol, s’ha c ea mi jançan RS udio amb les eines in e ac i es que o e eixen les llib e ies de ‘shiny’, ‘shinydashboa d’ i ‘shinyjs’. Aquí oba às una desc ipció de com in e ac ua amb les seccions, el qual o e i à una isió gene al sob e les uncions disponibles i com u ili za -les. Aques a guia p opo ciona ins uccions pas a pas pe què es pugui isuali za d’una o ma luida i e icien pe a qualse ol ipus de públic. Com eu às a con inuació, pe in odui la pla a o ma hi ha una secció al p incipi pe explica el que es eu à i acla i alguns dub es que puguin so gi al lla g de la isuali zació. 4.1. GUIA APLICACIÓ Només en a a la pla a o ma, e oba às amb l’apa a in oduc o i anomena “Guia Aplicació”, el qual co espon a la Figu a 4.1. Aques a secció explica di e ses coses impo an s a eni en comp e du an la isuali zació. Pe comença in odueix les dades, explica b eumen el que eu à l’espec ado i exposa els objec ius de la pla a o ma Shiny. Figu a 4.1: Apa a Guia Aplicació 13 A con inuació, dona peu a una explicació del menú que hi ha a la pa esque a i acla eix alguns concep es an de les dades com d’algunes seccions in e ac i es. També es à inclosa una pe i a explicació de l’apa a del glossa i que es oba al inal de l’aplicació i comen a b eumen els pun s d’in o mació que l’espec ado es oba à a cada apa a . Això acili a à la comp ensió i p esen a à l’opo uni a d’explica i dona llum a concep es més complexos. Al lla g de l’aplicació es oben di e en s icones an en el menú, com el glossa i o els pun s d’in o mació que ajuda an a una millo o ien ació mol més e icaç. Pe comença la isuali zació dels esul a s, cliques sob e l’apa a de “Flux segons Dia i Es ació”, el qual co espon a la Figu a 4.2. Aquí oba às un apa a senzill i in oduc o i pe dona peu a la es a de dades i esul a s. Com es eu a con inuació, obes un g à ic de línies senzill en el qual po s escolli el dia i l’es ació que desi ges. Figu a 4.2: Apa a Flux segons Dia i Es ació El equad e pe i de la pa supe io pe me escolli el dia i l’es ació que ols isuali za . Com ja diu en el pun d’in o mació, l’eix d’abscisses ep esen a les ho es del dia escolli men e que l’eix d’o denades ep esen a les bicis disponibles. Pe an en el cas que hi hagin da allades old à di que en aquell momen es a an aga an les bicis. El cas de que es egin mol s can is b uscs en les línies del g à ic, és degu a la cons an ac uali zació de l’es a de l’es ació. Ap oximadamen cada cinc minu s hi ha un nou egis e en el sis ema de qualse ol es ació, cosa que a que el núme o de egis es al lla g del emps sigui immens. 14 Seguidamen a la Figu a 4.3 hi ha l’apa a de “Flux segons Es ació”. Aques és mol simila a l’an e io degu a que la idea és la ma eixa, pe ò en aques cas l’objec iu és e la compa ació al lla g dels dies. Si e ixes, en la majo ia de les es acions hi ha una educció no able de bicis disponibles du an el cap de se mana (els úl ims dos dies). Figu a 4.3: Apa a Flux segons Es ació Pe assis i a la ce ca d’es acions del equad e supe io si no oba la que busca, els desplegables de les es acions ambé con enen la opció d’esc iu e-la. A con inuació obes l’apa a de “Di e ències Es acions Bici” en la Figu a 4.4. Aquí es eu un mapa on mos a la di e ència en e a ibades i so ides de les es acions que es oben a la ciu a de Ba celona. Sen cada ce cle una es ació di e en , si cliques a la que desi ges po s eu e-hi in o mació com la se a ad eça o la di e ència en e les a ibades i so ides du an l'ho a escollida. Aques s s'escullen al equad e que po s oba en la pa supe io a la d e a, on ambé es à la llegenda pe dona con ex als colo s del mapa. Els colo s de les es acions ajuden a di e encia si una es ació ha ebu o ha deixa ana més bicis. Una es ació e da ha ebu més bicis de les que ha deixa ana men e que una e mella és el con a i. Una neg a ens dona a en end e que no hi ha hagu ac i i a o que han a iba el ma eix nomb e de bicis que han ma xa . Si e ixes, du an ho a is noc u ns p edominen més els ce cle neg es, sob e o de 1:00am - 6:00am. 15 Figu a 4.4: Apa a Di e ències Es acions Bici Seguidamen , a la Figu a 4.5, hi ha l’apa a de “A ibades/So ides Es acions”. Aquí es po eu e un his og ama de les a ibades o so ides segons la pa del dia amb l’opció d’escolli el dia o l’es ació que desi gis. Això es a al equad e de dal a la d e a, en can i pe can ia en e la isuali zació d’a ibades o so ides has de clica a la pa supe io esque a on es oben els noms amb unes le xes. Figu a 4.5: Apa a A ibades/So ides es acions 16 L’his og ama de la Figu a 4.5, sepa a les pa s del dia en colo s di idin cada g up de o ma equi a i a. El ma í de 4:00am – 9:00am, el migdia de 10:00am – 15:00pm, la a da de 16:00pm – 21:00pm i la ni de 22:00pm – 3:00am. Al igual que abans, en el cas de que no obis l'es ació que desi ges desplegan la pes anya de selecció, ambé po s busca -la esc i in el seu nom. A con inuació en em a l’apa a del Clus e ing anomenada “Pe ils Es acions”. Pe isuali za els di e en s clús e s, s’u ili za les la i uds i longi uds pe locali za les es acions al mapa de Ba celona. Pe comença , com es eu a la Figu a 4.6, el subapa a del Clus e ing anomena “Clús e s segons Pa del Dia” é en comp e les di e en s pa s del dia. El següen subapa a anomena “Clús e s segons Dia”, la Figu a 4.7, é en comp e l’anàlisi que s’ha e enin en comp e els dies de la se mana, que an de dilluns a diumenge del 07/01/2019 al 13/01/2019 espec i amen . Figu a 4.6: Subpa a Clús e s segons la Pa del Dia En els dos apa a s obes dos caixes de mapes. En el mapa de l'esque a es an o s els clús e s ag upa s pe una compa ació conjun a men e que el mapa de la d e a es à ocali za a la isuali zació indi idual de cada pe il d'es ació. El mapa indi idual é l’opció a la pa supe io d’escolli les es acions del clús e que ulguis. 17 Figu a 4.7: Subpa a Clús e s segons Dia Al e ce subapa a de la secció de Clus e ing anomena “Addicional” que co espon a la Figu a 4.8, é com a objec iu mos a els pun s cèn ics de cada clús e de les es acions mi jançan la mi jana. El mapa de l'esque a pe any a la ècnica u ili zada pe les es acions segons di e en s pa s del dia men e que el de la d e a és dels di e en s dies de la se mana. Si es clica sob e els pun s es eu a quin clús e pe any. Figu a 4.8: Subapa a Addicional Seguidamen , com es eu a la Figu a 4.9, hi ha l’apa a anomena “Explo ació a ançada”. Aques a secció e l’objec iu de mos a g à iques més complexes pe una comp ensió més p o unda sob e els clús e s i els di e en s pe ils que o men les es acions. Al igual que abans, 24 Figu a 5.3: Sca e Plo es acions pe Componen s 1 i 2 En e-Dia i Figu a 5.4: Sca e Plo es acions pe Componen s 1 i 3 En e-Dia i Figu a 5.5: Sca e Plo es acions pe Componen s 2 i 3 En e-Dia i 25 Si en ens ixem en la Figu a 5.3 i Figu a 5.4 hi ha una acumulació de dades on la componen 1 és més posi i a i al ol an del 0 de l’eix Y, men e que a la pa nega i a es oba mol a més dispe sió. Cada pun en els g à ics co espon a una es ació, iden i icada pe l'e ique a. Les coo denades ho i zon als i e icals dels pun s indiquen els alo s de les componen s espec i es. Mi jançan aques s g à ics, és possible obse a com les es acions es dis ibueixen a les no es dimensions. L'ús de di e en s pa ells de componen s ens ajuda a iden i ica pa ons i ag upacions en unció de les combinacions de componen s. Un cop ob ingudes les componen s, s'han p ocedi a plasma -les en un pla ac o ial amb le xes: Figu a 5.6: P ojecció a iables Componen 1 i 2 En e-Dia i En la Figu a 5.6, o es les a iables es an co elacionades nega i amen amb la p ime a componen , o i que les que apo en més son “Migdia_a ibades”, “Migdia_so ides”, “Ni _so ides”, “Ni _a ibades” i “Ta da_so ides”. D’aques es, hi ha que es an elacionades en e elles, “Migdia_a ibades”, “Migdia_so ides” i “Ta da_so ides” són les més impo an s pe a PC1. Les a iables “Ta da_a ibades”, “Ma i_so ides” i “Ma i_a ibades” són les que es an més co elacionades amb la Segona componen , les a ibades del ma í elacionades nega i amen i les al es dos de o ma posi i a. De la PC2 podem ex eu e que es à elacionada amb els cops que s’u ili zen les bicis pe ana a eballa o es udia ja que les anges ho à ies encaixen. Si os així ind ia sen i que les so ides del ma í i les a ibades de la a da amb una p ope a co elació posi i a es iguin elacionades amb zones esidencials men e que les a ibades del ma í amb una endència nega i a siguin es acions de zones amb més o icines. 26 Figu a 5.7: P ojecció a iables Componen 1 i 2 En e-Dia i En la Figu a 5.7, o es les a iables con inuen es an co elacionades nega i amen amb la p ime a componen , pe ò en aques cas les que apo en més in luencia són les a ibades i so ides de la ni i el migdia. Fixan -se en la componen 3, “Ta da_a ibades” i “Ta da_so ides” es an co elacionades posi i amen men e que les so ides del ma í enen una in luència nega i a. Hi han poques a iables que siguin impo an s o i que les que apo en més son “Migdia_a ibades”, “Migdia_so ides”, “Ni _so ides”, “Ni _a ibades” i “Ta da_so ides”. D’aques es, hi ha que es an elacionades en e elles, “Migdia_a ibades”, “Migdia_so ides” i “Ta da_so ides” són les més impo an s pe a PC1. Les a iables “Ta da_a ibades”, “Ma i_so ides” i “Ma i_a ibades” son les que es an més co elacionades amb la Segona componen , les a ibades del ma í elacionades nega i amen i les al es dos de o ma posi i a. Figu a 5.8: P ojecció a iables Componen 2 i 3 En e-Dia i 27 En la Figu a 5.8, com hem is abans podem dis ingi que les a iables més impo an s pe la componen dos són les a ibades i so ides del ma í jun amen amb les a ibades de la a da. En aques cas, aques g à ic ens mos a la impo ància de les so ides de la a da de les es acions espec e a la Componen 3. Això no es podia di e encia an bé en la Figu a 5.6 a causa del so oll o la molès ia de les al es a iables. Resumin , es pod ia di que la PC1 é a eu e amb l’ús que es a de les es acions, com més nega iu sigui el alo més s’u ili za l’es ació. To es enen co elació nega i a el qual indica que hi ha una combinació lineal de les a iables que esul a en alo nega iu. La PC2 es à elacionada amb les es acions que s’usen més pe ana a la eina o o na de la eina, i la PC3 amb les es acions que p incipalmen es an se i pe aga a bicis du an la a da o du an el ma í. A con inuació es eu un g à ic més de alla sob e el epa imen dels pe cen a ges segons les dimensions de la sepa ació en e dies de la se mana: Figu a 5.9: Pe cen a ge Va iabili a Dimensions Pa s Dies 5.2.2. CLUSTERING El mè ode que he u ili za pe e els clús e s és el mè ode de Wa d, ja que és un mè ode que unciona bé quan la base de dades é poques obse acions, en el meu cas inc només 456 obse acions (o es acions), i una de les se es ca ac e ís iques és que minimi za la a iància dins de cada clús e . El dend og ama esul an es eu ep esen a en la Figu a 5.10 següen : 28 Figu a 5.10: Dendog ama classi icació je à quica segons Pa s dels dies. Al dend og ama eiem cla amen que el nomb e de g ups en que es po di idi la base de dades és 4 i que o s els clús e s al con a i del segon son mol simila s en e ells. El nomb e d'obse acions que ind à cada clús e és: CLÚSTER 1 2 3 4 Nº obse acions 96 157 100 103 Taula 5.1: Obse acions segons Clús e Pa Dia 5.2.3. PROFILING A con inuació anali za em en de enció els ma eixos Sca e Plo s is s an e io men pe ò aques cop di e encian segons els di e en s Clús e s, p ime comença em obse an el que plasma en dos dimensions la p ime a componen i la segona componen : Figu a 5.11: Sca e Plo Clús e s Componen 1-2 Pa s Dies 29 Si mi em la Figu a 5.11 i anali zem el g à ic bidimensional de la p ime a i segona componen segons clús e s, eiem que el més des aca del g à ic és la di e encia en e el clús e 1 (neg e) i el clús e 3 ( e d). Aques es dades són les que es an més dispe ses si les compa em pe exemple amb el clús e 4. Aques es es an excessi amen ag upades i en el sec o més posi iu de la p ime a componen . Això ens explica que aques es es acions se ien les que s’u ili zen menys. El ma eix passa amb la Figu a 5.12. Segons la p ojecció de a iables que hem is an e io men , aques a dis ibució ens explica que les es acions e des són les que s’u ili zen més com a des í inal d’un ia ge du an el ma í. Això és sabu ja que si ens ixem en la p ime a componen , les que enen una endència més nega i a són les es acions que s’u ili zen més. També s’ha de eni en comp e que les es acions que es an pe so a de l’eix 0 de la Y son les que es an més elacionades amb les es acions d’a ibades du an el ma í. El ma eix passa amb les es acions del clús e 1 (neg e). Al con a i d’abans pe ò amb la ma eix a gumen ació, les es acions en colo neg e ep esen en les que s’u ili zen més pe a so ides del ma í o a ibades de la a da. Pe an , si em se i el aonamen de la secció inal de p ojecció de a iables, les es acions neg es de la Figu a 5.11 ep esen a ien es acions locali zades en zones més esidencials men e que les es acions en colo e d es a ien en zones amb més o icines. Figu a 5.12: Sca e Plo Clús e s Componen s 1-3 Pa s Dies Si ens ixem en la Figu a 5.12, la que ep esen a les es acions en un g à ic bidimensional on es di e encien els clús e s segons colo s, eiem que é una o ma simila a la Figu a 5.11. Això és degu al pes que é la p ime a componen i la quan i a de a iabili a que apo a. 30 Al con a i d’abans, a a eiem les es acions ag upades en el clús e 1 i 3 in e can ia -se el pape . Si ens cen em en les es acions del clús e 1 (neg es), eiem que es à majo i à iamen si ua al e ce pla ca esià. Com eiem en el Figu a 5.8, la p ojecció de a iables ens indica que les es acions amb una endència nega i a de la e ce a componen són majo i à iamen d’on s’aga en més bicis du an el ma í. Tenin en comp e la p ime a componen , les es acions del clús e 1 segons la Figu a 5.12 son les més usades al ma í com a pun de so ida. En can i, si ens ixem en la pa posi i a de la Te ce a componen en la Figu a 5.8, podem ex eu e que les es acions si uades en el segon quad an del pla ca esià en el g à ic bidimensional de la Figu a 5.12 són les més u ili zades com a pun de des í du an la a da. En aques sec o es euen ep esen ades majo i à iamen es acions del clús e 3 ( e d), o i que aques clús e ealmen es à si ua al segon i e ce pla ca esià. Figu a 5.13: Sca e Plo Clús e s Componen 2-3 Pa Dies De la úl ima Figu a 5.13 podem dis ingi poques coses. El que més essal a són les es acions en el qua quad an del pla ca esià que co esponen al clús e 1 i les es acions del clús e 4 ag upades en el cen e. Segons el aonamen is an e io men amb l’ajuda de la Figu a 5.8, el nega iu de la e ce a componen es e e eix a les es acions on hi ha més so ides du an el ma í. A més a més, el posi iu de la segona componen ambé es e e eix a les es acions més u ili zades com a pun de so ida del ma í, el qual a que les es acions neg es es si uïn en el ma eix lloc en la Figu a 5.13. El clús e 4 segueix es an mol ag upa al igual que les Figu es an e io s. A pa d’això, de la es a de componen s no podem ex eu e es més ja que no o men cap al e pa ó que sigui mol cla . 31 Pe con inua amb la in e p e ació dels g ups c ea s pel Clus e ing, seguidamen eu em uns boxplo s associa s a cada componen signi ica i a. Començan amb la Figu a 5.14 que es eu a con inuació, eiem dos g ups que es di e encien dels al es pe eni una endència nega i a, aques s son el clús e 1 i el clús e 3. Una de les coses que c ida l’a enció és lo compac es que es an les dades dins dels di e en s g ups, sob e o en el clús e 4. Això dona peu a les obse acions an e io s espec e el e que la p ime a componen es e e eix a la mida, o sigui l’ús que es a de les es acions. Veien aques Box Plo podem con i ma que les es acions din e del clús e 1 i el clús e 3 son les més u ili zades men e que les del clús e 4 son les que menys. Figu a 5.14: Box plo Clús e Pa s Dies 1ª Componen Si ens ixem en els clús e s es an s de la componen 2 i componen 3 podem ex eu e poca cosa. Com ens podem ixa en la Figu a 5.15, el clús e 1 és el més di e en dels demés amb endència posi i a i el clús e 3 és el que ag upa més es acions amb un alo de la segona componen nega iu. On hi ha menys dispe sió en la segona i e ce a componen de o ma cla a és en el clús e 4. Aquí o es les dades es an mol al ol an del 0. 32 Figu a 5.15: Box plo Clús e Pa s Dies 2ª Componen In e p e an els esul a s del clús e 1 i el clús e 3 de la Figu a 5.15, podem di que el clús e 3 amb una decan ació nega i a co espon majo i à iamen a les es acions amb més a ibades al ma í men e que el clús e 1 amb la endència més posi i a co espon a les es acions que s’u ili zen més com a pun de so ida du an el ma í o pun d’a ibada du an la a da. Figu a 5.16: Box plo Clús e s Pa s Dies 3º Componen En la Figu a 5.16 poques di e ències signi ica i es podem eu e. L’únic a des aca és del clús e 3 el qual des aca més de o ma posi i a, el qual pod ia se elaciona amb les es acions que an de pun de so ida du an la a da. Els al es clús e s són mol p ope s a 0. En esum la Figu a 5.14 ens ep esen a àcilmen la dis ibució dels di e en s clús e s, di e encian els que enen es acions amb més ús com el clús e 1 o el clús e 3, men e que la 33 Figu a 5.15 i Figu a 5.16 no apo en gai e in o mació menys la que dona el clús e 1 i el 3 en la p ime a i el clús e 3 en la segona, espec i amen . Pe inali za s’obse a una pe i a aula que mos a les medianes de cada clús e segons les componen s pe eni p esen les di e ències d’una o ma més cla a: PC1 PC2 PC3 CLUSTER 1 -2.0320090 1.067588918 -0.38978557 CLUSTER 2 0.4943134 -0.197496642 -0.05076775 CLUSTER 3 -2.1729968 -0.655586044 0.36805328 CLUSTER 4 3.3865781 -0.001394995 0.04928122 Taula 5.2: Medianes Clus e s segons Componen s En e-Dia i Finalmen , pe acaba amb el p o iling, eu em la dis ibució geog à ica dels di e en s clús e s en un mapa de Ba celona pe eu e si hi ha di e ències signi ica i es. Els mapes que es euen a con inuació s’han c ea amb la llib e ia “lea le ” de R. Comencem eien una ep esen ació conjun a dels di e en s clús e s en la Figu a 5.17: Figu a 5.17: Mapa conjun clus e s En e-Dia i Si ens ixem en els di e en s g ups de la Figu a 5.17, podem eu e una di e enciació de la pa cèn ica amb la pa ex e io . El clús e 2 i el 4 ( e d i a onja espec i amen ) en ol en els al es d’una mane a p edominan pe la pa ex e io . Men e que el clús e 1 i 3 ( e mell i blau espec i amen ) s’ag upen més en la pa cèn ica. Si eco dem la Figu a 5.14, el clús e 1 i 3 ep esen a en les es acions més u ili zades, a més a més amb una di e enciació g àcies a la segona componen . 40 El dend og ama esul an es eu ep esen a en la Figu a 5.9 següen : Figu a 5.28: Dendog ama classi icació je à quica segons Dies. Al dend og ama eiem cla amen que el nomb e de g ups en què pod em di idi la base de dades se à 4. To s els g ups son ela i amen semblan s, pe an el nomb e d'obse acions que ind à cada clús e és: CLÚSTER 1 2 3 4 Nº obse acions 109 129 120 98 Taula 5.3: Obse acions segons Clús e Dies 5.3.3. PROFILING A con inuació anali za em en de enció el Sca e Plo is an e io men pe ò aques cop di e encian segons els di e en s Clús e s. Obse em en dos dimensions la p ime a componen i la segona componen : Figu a 5.29: Sca e Plo Clús e s Componen 1-2 Dies 41 Si mi em la Figu a 5.24, lamen ablemen no podem di e encia amb els clús e s cap di e ència cla a espec e a la segona componen . Ja que la p ime a componen ag upa gai ebé la o ali a de la a iabili a no es po eu e es signi ica iu de la segona componen . El que a aques g à ic bidimensional és sepa a els clús e s segons la g aduació de la p ime a componen . Com més nega i a la p ime a componen més dispe sió obes. Igual que amb l’anàlisi En e-Dia i, aquí obem una ag upació compac a d’es acions en l’ex em posi iu de la PC1, les quals es an associades al clús e 4. Segons la p ojecció de a iables que hem is an e io men , aques a dis ibució ens explica que les es acions bla es són les que s’u ili zen al cap de se mana a causa de eni un cúmul de pun s pe so a de 0 de l’eix Y. Si això ho connec em amb la poca u ili zació de l’ex em posi iu de la p ime a componen , podem ex eu e que en la majo ia de les es acions del clús e 4 són les que menys es an se i du an el cap de se mana. Pe con inua amb la in e p e ació dels g ups c ea s pel Clus e ing, seguidamen eu em uns boxplo s associa s a les dues componen s signi ica i es. Començan amb la Figu a 5.25, eiem un inc emen cons an en e els di e en s clús e s. Una de les coses que c ida l’a enció és lo ag upades que es an les dades dins dels di e en s g ups. Realmen hi ha mol poca dispe sió obse an les caixes in e qua íliques i quan s’acaba un g up espec e a l’eix Y comença un al e. Figu a 5.30: Box plo Clús e Dies 1ª Componen Això dona peu a les obse acions an e io s espec e al e que la p ime a componen es e e eix a la mida, o sigui l’ús que es a de les es acions. Veien aques Box Plo podem con i ma que les es acions din e del clús e 1 son les més u ili zades men e que les del clús e 4 són les que menys. 42 Si ens ixem en el clús e es an de la componen 2, podem ex eu e poca cosa. Com ens podem ixa en la Figu a 5.26 o s els clús e s enen alo s mol semblan s al ol an del 0. L’únic a des aca se ia la poca dispe sió en el clús e 4 de les se es dades i la lleuge a decan ació posi i a del clús e 2. Figu a 5.31: Box plo Clús e Dies 2ª Componen En esum la Figu a 5.25 ens ep esen a àcilmen la dis ibució dels di e en s clús e s, la qual a pensa en els di e en s g aus d’ús de les es acions, men e que la Figu a 5.26 ens o e eix una in o mació nul·la la qual no pe me de ec a pa ons ni dis ibucions dels clús e s d’una o ma cla a. Pe inali za s’obse a una pe i a aula que mos a les medianes de cada clús e segons les componen s pe eni p esen les di e ències d’una o ma més cla a: PC1 PC2 CLUSTER 1 -4.414090 -0.23195486 CLUSTER 2 -1.455794 0.28159838 CLUSTER 3 1.520170 -0.05742438 CLUSTER 4 4.964416 -0.04236924 Taula 5.4: Medianes Clus e s segons Componen s Dies Pe acaba amb el p o iling, eu em la dis ibució geog à ica dels di e en s clús e s en un mapa de Ba celona pe eu e si hi ha di e ències signi ica i es. Els mapes que es euen a con inuació s’han c ea amb la llib e ia “lea le ” de R. 43 Comencem eien una ep esen ació conjun a dels di e en s clús e s en la Figu a 5.32: Figu a 5.32: Mapa conjun clus e s Dia i Si ens ixem en els di e en s g ups de la Figu a 5.32, podem eu e una di e enciació de la pa cèn ica amb la pa ex e io . El clús e 3 i el 4 (blau i a onja espec i amen ) en ol en els al es d’una mane a p edominan pe la pa ex e io . Men e que el clús e 1 i 2 ( e mell i e d espec i amen ) s’ag upen més en la pa cèn ica, sob e o el clús e 1. Si eco dem la Figu a 5.30, el clús e 1 ep esen a a les es acions més u ili zades. Figu a 5.33: Mapa Clus e 1 Dia i Segons els diag ames de caixes is s an e io men , el clús e 1 (el e mell en el mapa), es compon majo i à iamen de les es acions que es an se i més compa a amb els al es clús e s. Aques es es acions es an p incipalmen si uades en zones més cèn iques de Ba celona. El següen clús e més u ili za , el 2 (el e d en el mapa) es compon d’es acions lleuge amen menys cèn iques que el clús e 44 1 amb més dispe sió pel mapa de Ba celona. Aques es es acions es poden eu e a con inuació en la Figu a 5.34: Figu a 5.34: Mapa Clus e 2 Dia i En el diag ama de caixes de la p ime a componen de la Figu a 5.30, ambé des aca a el clús e 4 pe la se a poca u ili zació. Com es eu a la Figu a 5.35, aques co espond ia a les es acions de a onja que es euen en el mapa, les quals es an bas an dispe ses, pe ò es concen en a la pa ex e io de Ba celona com pe exemple l’ag upació que es eu al ol an del ba i de San And eu. El cu iós d’aques clús e és que les es acions són gai ebé les ma eixes que en l’apa a d’En e-Dies que es eu a la Figu a 5.20. Això signi ica que s’es udiï segons els dies de la se mana o les pa s dels dies, les es acions que menys es an se i són les ma eixes. Figu a 5.35: Mapa Clus e 4 Dia i Finalmen , eiem la dis ibució del clús e 3 en la Figu a 5.36. Aques g up segons els diag ames de caixes o els diag ames de pun s és el que apo a menys in o mació elle an . En e mes geog à ics 45 podem eu e un pa ó cu iós que ag upa o es les es acions que són menys cèn iques d’una o ma cla a. Aques es deixen un bui el mig on se si ua l’Eixample, i es locali zen en zones ex e io s. Les zones on més es concen en són: la zona ma í ima, el sec o al ol an de la sag e a i la zona de les Co s jun amen amb la zona de Sa ià. Figu a 5.36: Mapa Clus e 3 Dia i 46 6. CONCLUSIONS Finali zan aques eball eiem que els objec ius plan eja s a l’inici s’han comple . A pa i de l'anàlisi exhaus i a eali zada en aques eball sob e l'ús del Bicing a Ba celona des d'una pe spec i a espai- empo al, s'han ob ingu conclusions que poden con ibui de mane a signi ica i a a la millo a del sis ema de anspo u bà sos enible i a la educció de la con aminació a la ciu a . Les oballes d'aques es udi o e eixen una isió de allada dels pa ons de compo amen dels usua is del Bicing i pe me en iden i ica millo es ope a i es en el sis ema. En elació amb els objec ius p incipals d'aques a in es igació, s'ha assoli l'objec iu de comp end e els pa ons d'ús dia i i en e-dia i del Bicing a a és de l'anàlisi de allada de di e en s dimensions empo als. En la dimensió dià ia, s'ha obse a que hi ha a iacions signi ica i es en l'ús de les bicicle es en e els di e en s dies de la se mana, sepa an els dies labo ables dels es ius. Aques a di e enciació és ú il pe dissenya es a ègies especí iques de p omoció i ges ió de l'ús del Bicing en unció dels di e en s dies. Això es pod ia aconsegui a a és d’una majo eposició de bicis segons el pe íode de la se mana en les zones més eqüen ades. Pel que a a la dimensió en e-dià ia, l'anàlisi pe segmen s de emps (ma í, migdia, a da i ni ) ha p opo ciona in o mació aluosa sob e les p e e ències d'ús de les bicicle es en di e en s momen s del dia. Aques a comp ensió po se i de base pe a la millo a de la ges ió de l'o e a de bicicle es i la dis ibució de les ma eixes segons la demanda especí ica de cada ho a. S'han iden i ica ho es pun a d'ús, les quals pod ien es a elacionades amb els desplaçamen s labo als o al es ac i i a s especí iques. En e mes de la pla a o ma c eada, l'elabo ació del p ojec e Shiny pe a la isuali zació i anàlisi dels esul a s de l'es udi espai- empo al de l'ús del Bicing a Ba celona ha es a una expe iència g a i ican , i amb esul a s de o a mena. La c eació de l’eina a a és de R amb la llib e ia ‘Shiny’ i ‘Shinydashboa d’ ha supe a les expec a i es i s'ha desen olupa d'una mane a luida i en e inguda. En cap momen aques a asca s'ha con e i en una cà ega, sinó que ha sigu una pa en iquido a del p océs de ece ca. La implemen ació de la aplicació Shiny ha es a més e ec i a del que m’imagina a. To s els apa a s conside a s al començamen han p es o ma jun amen amb al es uncionali a s p è iamen pensades d’una mane a es uc u ada i in uï i a. L’eina esul a ú il pe als usua is que olen explo a i en end e millo les dades del Bicing, i la se a in e ície, jun amen amb les ca ac e ís iques de isuali zació a ançada, o e eixen una expe iència sa is ac ò ia pe als 47 usua is que olen comp end e els pa ons d'ús de les es acions en di e en s dimensions empo als. La se a u ili a pe me als usua is, amb acili a , explo a i anali za la g an quan i a de dades gene ades pel sis ema de Bicing a Ba celona. Aques a eina no només con ibueix al ma eix eball, sinó que ambé é el po encial de se una eina aluosa pe als p o essionals i in es igado s in e essa s en la mobili a u bana sos enible i la se a millo a con inua. La pla a o ma es à comple amen adap ada amb caixes d’in o mació de o ma con ínua o amb un glossa i a la pa inal pe si l’usua i necessi a ajuda amb alguns e mes o qües ions. Es à o c ea pe què l’expe iència de l’usua i sigui in uï i a i hi hagi les mínimes con usions. De p incipi a inal es à do a de g à ics o mapes in e ac ius que pe me en can ia els alo s de les a iables desi jades o isuali za els esul a s d’una al a mane a. L’in o me con é una explicació de allada amb cada pas a segui pe en end e la in e ície i amb ima ges que ep esen en cada apa a . En e mes de l’anàlisi geog à ica dels esul a s segons els di e en s ac o s de Dies o En e-Dies hem oba conclusions di e ses. Es des aca la clus e i zació en qua e g ups de les es acions de l'à ea de Ba celona. Aques s clús e s e elen di e ències signi ica i es en els pa ons d'ús. El clús e 1 i 3 es ca ac e i zen pe se à ees cèn iques de concen ació d'es acions més u ili zades, especialmen com a pun s de so ida del ma í o pun s d'a ibada de la a da. A més, es des aca la pa icula i a del clús e 1, amb una zona buida a la pa del mig de Ba celona que a de ma a mun anya. D'al a banda, el clús e 2 i 4 abas en p incipalmen les zones ex e io s. El clús e 2 no p esen a un pa ó geog à ic disce nible, men e que el clús e 4 mos a es acions dispe ses, concen ades a l'ex e io de Ba celona i amb una ela i a poca u ili zació. Respec e a l'es udi del ac o dia i, ambé s’ha clus e i za les dades en qua e g ups, alguns amb ca ac e ís iques semblan s a les del componen an e io de pa s del dia (En e-Dia i). El clús e 1 ep esen a es acions mol usades i es à si ua p incipalmen en zones cèn iques de la ciu a men e que el clús e 2 mos a es acions menys cèn iques que el clús e 1, amb una dis ibució més dispe sa pel mapa de Ba celona. D'al a banda, el clús e 3 i 4 són g ups de poca u ili zació que en ol en les al es zones, p edominan men pe la pa ex e io de la ciu a . El clús e 4, amb es acions escasses i amb una u ili zació baixa, es concen a a l'ex e io , especialmen al ol an del ba i de San And eu. Cu iosamen , es des aca que les es acions menys u ili zades són les ma eixes en els clús e s an del ac o dia i com de l'en e-dia i. Això sugge eix una cons an manca d'ús d'aques es es acions. 48 Obse an les di e ències i les ca ac e ís iques de cada clús e o ma pe di e en s es acions, es poden o gani za eposicions de bicis d’una o ma més e icaç geog à icamen pe què semp e hi hagi bicis disponibles o la c eació d’es acions en zones més ansi ades. D’aques a o ma es millo a ia el sis ema de Bicing, p omocionan una millo a en el anspo d’una o ma saludable i sos enible pels usua is. En de ini i a, mi jançan la clus e i zació i l'anàlisi geog à ic de les dades, es posa de mani es la di e si a de compo amen s d'ús de les es acions de Bicing. Cada clús e o e eix una pe spec i a única de la u ili zació de les es acions en unció de la se a ubicació i les bicis disponibles, el qual pe me una comp ensió més p o unda dels di e en s pa ons d'ús a la ciu a de Ba celona. Com a possibles ex ensions u u es, aques es udi po es end e el seu impac e més enllà de Ba celona i aplica -se a al es ciu a s eu opees o mundials amb sis emes de bicicle es simila s. La me odologia emp ada en aques eball o e eix una es uc u a adap able pe explo a pa ons d'ús especí ics en di e ses ciu a s. A més, se ia in e essan conside a can is en la selecció dels dies de la se mana, com pe exemple explo a una al a se mana alea ò ia o exclusi a de dies es ius, pe d’aques a o ma cap a pa ons d'ús especials. També es pod ia conside a ac o s addicionals com l'al i ud i els ing essos pe zones geog à iques, com a a ba is. Aques a ampliació pod ia condui a la iden i icació de elacions en e l'ús de les bicicle es i les ca ac e ís iques socioeconòmiques de di e en s à ees de la ciu a , con ibuin a una millo comp ensió dels pa ons d'ús en unció de múl iples ac o s. Pe acaba , el p océs d'aques eball ha es a mol en iquido , ja que m'ha pe mès e o ça els meus coneixemen s es adís ics i ap o undi en el món de les dades geog à iques. L'ús de l'eina Shiny a se una no e a g a i ican , i a a és d'aques p ojec e, he descobe di e ses llib e ies de R amb po encial pe a u u es explo acions. Aques a expe iència no només ha sigu ú il pe l'es udi sob e el Bicing a Ba celona, sinó que ambé ha amplia les me es habili a s en l'anàlisi de dades i p og amació, p epa an -me pe ep es u u s. 49 BIBLIOGRAFIA CHENG, J; KARAMBELKAR, B; XIE, Y; WICKHAM, H. (2021). lea le : C ea e In e ac i e Web Maps wi h he Ja aSc ip 'Lea le ' Lib a y. R package e sion 2.0.4. URL: h ps://c an. p ojec .o g/web/packages/lea le /index.h ml CHANG, Wins on; BORGES, Ba ba a. (2021). shinydashboa d: C ea e Dashboa ds wi h 'Shiny'. R package e sion 0.7.2. URL: h ps:// s udio.gi hub.io/shinydashboa d/ RS udio Team (2021). Shiny: Web Applica ion F amewo k o R. R package e sion 1.7.4. URL: h ps://shiny. s udio.com/ WICKHAM, Hadley, (2009). ggplo 2: elegan g aphics o da a analysis. Sp inge New Yo k. ISBN 978-0- 387-98140-6. URL: h p://had.co.nz/ggplo 2/book. WICKHAM, Hadley; FRANÇOIS, Romain; HENRY, Lionel; Mülle , Ki ill. (2021). dply : A G amma o Da a Manipula ion. R package e sion 1.1.2. URL: h ps://c an. - p ojec .o g/web/packages/dply /index.h ml ATTALI, Dean; (2021). shinyjs: Easily Imp o e he Use Expe ience o You Shiny Apps in Seconds. R package e sion 2.1.0. URL: h ps://c an. -p ojec .o g/web/packages/shinyjs/index.h ml MAECHLER, M; ROUSSEEUW, P; STRUYF, A; HUBERT, M; HORNIK, K. (2021). clus e : Clus e Analysis Basics and Ex ensions. R package e sion 2.1.4. URL: h ps://c an. p ojec .o g/web/packages/clus e /index.h ml. KASSAMBARA, A; MUNDT, F. (2020). ac oex a: Ex ac and Visualize he Resul s o Mul i a ia e Da a Analyses. R package e sion 1.0.7. URL: h ps://c an. - ojec .o g/web/packages/ ac oex a/index.h ml SIEVERT, C. (2021). plo ly o R. URL: h ps://plo ly.com/ / GROLEMUND, G; WICKHAM, H. (2021). lub ida e: Make Dealing wi h Da es a Li le Easie . R package e sion 1.9.2. URL: h ps://c an. -p ojec .o g/web/packages/lub ida e/index.h ml. PEBESMA, E. (2021). sp: Classes and Me hods o Spa ial Da a. R package e sion 1.6.0. URL: h ps://c an. -p ojec .o g/web/packages/sp/index.h ml FOX, J; WEISBERG, S. (2019). ca : Companion o Applied Reg ession. R package e sion 3.1-1. URL: h ps://c an. -p ojec .o g/web/packages/ca /index.h ml GIBERT, Ka ina, (2022) Apun s de l’assigna u a Mine ia de Dades impa ida pe la Ka ina Gibe , Se gí Ramí ez i Dan e Con i. URL: h ps://www-eio.upc.edu/ eaching/DocenciaMul i a ian /DMGEST/ 57 dispe sió. Pun s o a dels bigo is poden se conside a s alo s a ípics. El box plo és u ili za pe eu e la sime ia, dispe sió i alo s ex ems d'una a iable. ") ) )), luidRow( #Eix Abscisses, Eix O denades, His og ama, Dimensió box( s a us = "p ima y", solidHeade = TRUE, ac ionBu on("Abscisses", "Eix Abscisses"), di (id = "In oAbs", s yle = "display: none;", p("L'eix d'abscisses, ambé conegu com a eix ho i zon al, és la línia ho i zon al en un g à ic que ep esen a una a iable. En un sca e plo , l'eix d'abscisses mos a una de les dues a iables que es compa en. En un boxplo , l'eix d'abscisses no és an elle an com en al es ipus de g à ics, ja que p incipalmen es concen a en mos a les dis ibucions i es adís iques de les dades e icalmen .") ) ), box( s a us = "p ima y", solidHeade = TRUE, ac ionBu on("O denades", "Eix O denades"), di (id = "In oO d", s yle = "display: none;", p("L'eix d'o denades, ambé conegu com a eix e ical, és la línia e ical en un g à ic que ep esen a una a iable. En un sca e plo , l'eix d'o denades mos a l'al a a iable que es compa a. En un box plo , l'eix d'o denades és essencial pe mos a les dis ibucions de les dades i les es adís iques com la mediana i el ang in e qua il. És clau pe en end e la a iabili a i el compo amen e ical de les dades") ) )), luidRow( box( s a us = "p ima y", solidHeade = TRUE, ac ionBu on("His og ama", "His og ama"), di (id = "In oHis ", s yle = "display: none;", p("L'his og ama és una ep esen ació g à ica de la dis ibució de les dades en un conjun . L'eix d'abscisses, o eix ho i zon al, mos a els in e als o ca ego ies de alo s, men e que l'eix d'o denades, o eix e ical, indica la eqüència o p opo ció d'obse acions dins de cada in e al. L'his og ama pe me eu e com les dades es an dis ibuïdes i iden i ica pa ons comuns o inusuals. És ú il pe explo a la o ma i la endència de les dades i és ampliamen u ili za en es adís ica i l'anàlisi de dades.") ) ), box( s a us = "p ima y", solidHeade = TRUE, ac ionBu on("Dimensio", "Dimensió"), di (id = "In oDim", s yle = "display: none;", p("Les dimensions que so geixen en mè odes com PCA són no es pe spec i es c eades a pa i de les a iables o iginals. En PCA, aques es dimensions s'anomenen 'componen s p incipals'. Les dimensions c eades cap u en di e en s ni ells de a iabili a o pa ons en les dades o iginals. Són u ili zades pe edui complexi a , des aca ca ac e ís iques clau i acili a la isuali zació i l'anàlisi de dades en una o ma més comp ensible.") ) )), luidRow(box( s a us = "p ima y", solidHeade = TRUE, ac ionBu on("PCA", "PCA"), di (id = "In oPCA", s yle = "display: none;", p("L'Anàlisi de Componen s P incipals (PCA) és una eina que p en mol es dades complexes i les simpli ica en no es o mes pe al que puguem eu e els pa ons impo an s i en end e millo les elacions en e elles. Iden i ica pa ons i a ie a en un conjun de dades, con e in -les en no es dimensions anomenades 'Componen s P incipals'. Aques es no es 58 dimensions són combinacions lineals de les a iables o iginals i cap u en la majo pa de la a iabili a . Les componen s p incipals són ú ils pe isuali za dades en menys dimensions, edui el so oll (elimina dis accions) i des aca pa ons ocul s.") ) ))))) ) - SHINY SERVER se e <- unc ion(inpu , ou pu ) { selec ed_da a1 <- eac i e({ i xe _cha %>% il e (dia == inpu $dia, nom_nume o == inpu $es acio1) %>% selec ( imes amp, bikes) }) ou pu $bike_plo <- ende Plo ({ ggplo (selec ed_da a1(), aes(x = imes amp, y = bikes)) + geom_line() + labs(x = "HORES", y = "BICIS DISPONIBLES") + gg i le(pas e0("Flux de Bicis pe l'es ació de ", inpu $es acio1, " del dia ", inpu $dia)) + scale_x_da e ime(da e_labels = "%H:%M") }) #ARRIBADES dades_es acio1 <- eac i e({ cleanda a_ho es %>% il e (dia == inpu $day, nom_nume o == inpu $es acio3) %>% selec (ho es, dia, a ibades, pa _dia) }) dades_es acio2 <- eac i e({ cleanda a_ho es %>% il e (dia == inpu $day, nom_nume o == inpu $es acio3) %>% selec (ho es, dia, so ides, pa _dia) }) maxim <- eac i e({ max(c(dades_es acio1()$a ibades,dades_es acio2()$so ides)) }) ou pu $bike_plo 3<- ende Plo ({ ggplo (dades_es acio1(), aes(x = ho es, y = a ibades, ill = pa _dia)) + geom_ba (s a = "iden i y", posi ion = "dodge") + labs( i le =pas e("A ibades a l'es ació",inpu $es acio3,"del dia",inpu $day, "segons pa del dia "),x = "HORA DEL DIA", y = "ARRIBADES") + scale_ ill_manual( alues = c(" ed", "g een", "blue", "pu ple"), labels = c("MATI", "MIGDIA", "NIT", "TARDA")) + scale_y_con inuous(limi s=c(0,maxim())) + scale_x_con inuous(b eaks = 0:23) + heme_bw()+ heme(legend. ex = elemen _ ex (size = 12))+ guides( ill = guide_legend( i le = NULL)) }) #SORTIDES ou pu $bike_plo 4<- ende Plo ({ 59 ggplo (dades_es acio2(), aes(x = ho es, y = -(so ides), ill = pa _dia)) + geom_ba (s a = "iden i y", posi ion = "dodge") + labs( i le =pas e("So ides de l'es ació",inpu $es acio3,"del dia",inpu $day, "segons pa del dia "),x = "HORA DEL DIA", y = "SORTIDES") + scale_ ill_manual( alues = c(" ed", "g een", "blue", "pu ple"), labels = c("MATI", "MIGDIA", "NIT", "TARDA")) + scale_y_con inuous(limi s=c(0,maxim())) + scale_x_con inuous(b eaks = 0:23) + heme_bw() + heme(legend. ex = elemen _ ex (size = 12))+ guides( ill = guide_legend( i le = NULL)) }) selec ed_da a2 <- eac i e({ i xe _cha %>% il e (nom_nume o == inpu $es acio2) %>% selec (dia, imes amp, bikes) %>% a ange(dia, imes amp) }) ou pu $bike_plo 2 <- ende Plo ({ ggplo (selec ed_da a2(), aes(x = imes amp, y = bikes, colo = dia)) + geom_line() + labs(x = "DIES", y = "BICIS DISPONIBLES") + gg i le(pas e0("Flux de Bicis pe l'es ació de ", inpu $es acio2))+ scale_x_da e ime(da e_labels = "%d %b", da e_b eaks = "1 day")+ heme( axis. i le = elemen _ ex (size = 14), axis. ex = elemen _ ex (size = 12) ) }) colo _pale e <- colo Fac o (c(" ed", "black", "g een"), le els = c(" ed", "black", "g een")) #MAPA DIFERENCIES ARRIBADES I SORTIDES ou pu $mapadi <- ende Lea le ({ lea le () %>% addTiles()%>% addCi cleMa ke s(da a=cleanda a_ho es[cleanda a_ho es$dia==inpu $DIA & cleanda a_ho es$ho es==inpu $HORA,], lng= ~longi ude, la = ~la i ude, colo = ~colo _pale e(i else(di > 0, "g een", i else(di == 0, "black", " ed"))), popup= ~pas e("<h3> Es ació Bicing </h3>","<b> Ad eça: </b>", nom_nume o, "<b >", "<b> Di e ència: </b>", di )) }) # MAPA DIFERENTS PERFILS D'ESTACIO <PART DIA> clus e _colo s <- c("# 0000", "#00 00", "#0000 ", "# a500") ou pu $mapape 1 <- ende Lea le ({ lea le (pa dia) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1, label = ~id ) %>% addLegend( posi ion = " op igh ", colo s = clus e _colo s, labels = pas e("Clus e ", 1:leng h(clus e _colo s)), i le = "Clus e s" ) 60 }) #PERFILS DIFERENCIATS <PART DIA> ou pu $Pe 1<- ende Lea le ({ lea le (pa dia[pa dia$Clus ==1,]) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1 ) }) ou pu $Pe 2<- ende Lea le ({ lea le (da a=pa dia[pa dia$Clus ==2,]) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1 ) }) ou pu $Pe 3<- ende Lea le ({ lea le (da a=pa dia[pa dia$Clus ==3,]) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1 ) }) ou pu $Pe 4<- ende Lea le ({ lea le (da a=pa dia[pa dia$Clus ==4,]) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1 ) }) # MAPA DIFERENTS PERFILS D'ESTACIO <DIARI> ou pu $mapape 2 <- ende Lea le ({ lea le (d _Dia) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1, label = ~id ) %>% addLegend( posi ion = " op igh ", colo s = clus e _colo s, labels = pas e("Clus e ", 1:leng h(clus e _colo s)), i le = "Clus e s" 61 ) }) #PERFILS DIFERENCIATS <DIARI> ou pu $Pe 5<- ende Lea le ({ lea le (d _Dia[d _Dia$Clus ==1,]) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1 ) }) ou pu $Pe 6<- ende Lea le ({ lea le (da a=d _Dia[d _Dia$Clus ==2,]) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1 ) }) ou pu $Pe 7<- ende Lea le ({ lea le (da a=d _Dia[d _Dia$Clus ==3,]) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1 ) }) ou pu $Pe 8<- ende Lea le ({ lea le (da a=d _Dia[d _Dia$Clus ==4,]) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1 ) }) #MAPAS PUNTS MITJS DIA d a<- d _Dia %>% g oup_by(Clus ) %>% summa ize(n_obs = n(), mean_long= mean(longi ude), mean_la = mean(la i ude)) ou pu $Mi jDia<- ende Lea le ({ lea le () %>% addTiles() %>% addCi cleMa ke s(da a=d a, lng= ~mean_long, la = ~mean_la , popup= ~pas e("<b> Clus e : </b>", Clus )) }) #MAPAS PUNTS MITJS PARTDIA d apa <- pa dia %>% 62 g oup_by(Clus ) %>% summa ize(n_obs = n(), mean_long= mean(longi ude), mean_la = mean(la i ude)) ou pu $Mi jPa <- ende Lea le ({ lea le () %>% addTiles() %>% addCi cleMa ke s(da a=d apa , lng= ~mean_long, la = ~mean_la , popup= ~pas e("<b> Clus e : </b>", Clus )) }) #CLUSTERS AVANÇATS DIA ou pu $Clus 1<- ende Plo ({ plo (PSI_Dia[,1],PSI_Dia[,2],col=cdia$x,main="Visuali zació pe colo s dels Clus e s de P ime a i Segona Componen ",pch =16,xlab="PRIMERA COMPONENT",ylab="SEGONA COMPONENT") abline(h = 0, col = "black") abline( = 0, col = "black") legend(" op igh ",c("CLUSTER 1", "CLUSTER 2", "CLUSTER 3", "CLUSTER 4"),pch=16,col=c(1:4)) }) ou pu $Clus 2<- ende Plo ({ #P ime a Componen boxplo (PSI_Dia[,1]~cdia$x,main="Box plo P ime a Componen segons Dies", ylab="PRIMERA COMPONENT", xlab="CLUSTERS") }) ou pu $Clus 3<- ende Plo ({ #Segona Componen boxplo (PSI_Dia[,2]~cdia$x,main="Box plo Segona Componen segons Dies",ylab="SEGONA COMPONENT", xlab="CLUSTERS") }) #CLUSTERS AVANÇATS PART DIA ou pu $Clus 4<- ende Plo ({ plo (PSI_Pa [,1],PSI_Pa [,2],col=cpa $x,main="Visuali zació pe colo s dels Clus e s de P ime a i Segona Componen ",pch =16, xlab="PRIMERA COMPONENT",ylab="SEGONA COMPONENT") abline(h = 0, col = "black") abline( = 0, col = "black") legend(" op igh ",c("CLUSTER 1", "CLUSTER 2", "CLUSTER 3", "CLUSTER 4"),pch=16,col=c(1:4)) }) ou pu $Clus 5<- ende Plo ({ plo (PSI_Pa [,1],PSI_Pa [,3],col=cpa $x,main="Visuali zació pe colo s dels Clus e s de P ime a i Te ce a Componen ",pch =16,xlab="PRIMERA COMPONENT",ylab="TERCERA COMPONENT") abline(h = 0, col = "black") abline( = 0, col = "black") legend(" op igh ",c("CLUSTER 1", "CLUSTER 2", "CLUSTER 3", "CLUSTER 4"),pch=16,col=c(1:4)) }) ou pu $Clus 6<- ende Plo ({ plo (PSI_Pa [,2],PSI_Pa [,3],col=cpa $x,main="Visuali zació pe colo s dels Clus e s de Segona i Te ce a Componen ",pch =16,xlab="SEGONA COMPONENT",ylab="TERCERA COMPONENT") abline(h = 0, col = "black") abline( = 0, col = "black") legend(" op igh ",c("CLUSTER 1", "CLUSTER 2", "CLUSTER 3", "CLUSTER 4"),pch=16,col=c(1:4)) }) ou pu $Clus 7<- ende Plo ({ #P ime a Componen boxplo (PSI_Pa [,1]~cpa $x,main="Box plo Clus e s P ime a Componen segons Pa s dels Dies", ylab= "PRIMERA COMPONENT", xlab="CLUSTERS") }) ou pu $Clus 8<- ende Plo ({ #Segona Componen 63 boxplo (PSI_Pa [,2]~cpa $x,main="Box plo Clus e s Segona Componen segons Pa s dels Dies", ylab= "SEGONA COMPONENT", xlab="CLUSTERS") }) ou pu $Clus 9<- ende Plo ({ #Te ce a Componen boxplo (PSI_Pa [,3]~cpa $x,main="Box plo Clus e s Te ce a Componen segons Pa s dels Dies", ylab= "TERCERA COMPONENT", xlab="CLUSTERS") }) obse eE en (inpu $PCA, { shinyjs:: oggle("In oPCA") }) obse eE en (inpu $Clus e , { shinyjs:: oggle("In oClus e ") }) obse eE en (inpu $Sca e Plo , { shinyjs:: oggle("In oSca e ") }) obse eE en (inpu $BoxPlo , { shinyjs:: oggle("In oBox") }) obse eE en (inpu $Dimensio, { shinyjs:: oggle("In oDim") }) obse eE en (inpu $O denades, { shinyjs:: oggle("In oO d") }) obse eE en (inpu $Abscisses, { shinyjs:: oggle("In oAbs") }) obse eE en (inpu $His og ama, { shinyjs:: oggle("In oHis ") }) obse eE en (inpu $Clus e ING, { shinyjs:: oggle("In oClus e ing") }) } unApp(lis (ui=ui, se e =se e )) - PCA, CLUSTERING I PROFILING lib a y(shinydashboa d) lib a y(shiny) lib a y(ggplo 2) lib a y(dply ) lib a y(lea le ) lib a y(sp) lib a y(lub ida e) lib a y(ca ) lib a y(clus e ) lib a y( ac oex a) lib a y(plo ly) i xe <- ead.cs ("D:/Uni e si a /Qua de ca e a/TFG/Impo an / i xe .cs ") da a <- ead.cs ("D:/Uni e si a /Qua de ca e a/TFG/Impo an /p o a2. x ") da a <- da a[comple e.cases(da a),] da a$la i ude<- as.nume ic(da a$la i ude) da a$longi ude<- as.nume ic(da a$longi ude) # Combinacio dades bicing amb dades es ació pe ob eni noms i núme os de #ca e s de es ació 64 i xe <- i xe %>% le _join(da a %>% selec (id, s ee Name, s ee Numbe ), by = "id") nomnume o<- pas e( i xe $s ee Name, i xe $s ee Numbe , sep=", ") i xe $nom_nume o<- nomnume o i xe <- i xe [,c(-13,-14)] #Combinacio dades de bicing amb les dades de l'es ació pe ob eni la i ud #i longi ud i xe <- i xe %>% le _join(da a %>% selec (id, la i ude, longi ude), by = "id") #Busquem si enim NA's i on es an # Ce quem quines iles enen NA a la columna "x". ows_wi h_nas <- is.na( i xe $longi ude) # Fem un subse al ma c de dades pe inclou e només les iles amb NA a la #columna "x". p in ( i xe [ ows_wi h_nas, ]) #T eiem NA's cleanda a<- na.omi ( i xe ) ## Ex accio i Anàlisis A ibades/So ides #CREACIO DATAFRAME ORDENAT SEGONS ID cleanda a_o de <- cleanda a %>% a ange(id) lib a y(dply ) lib a y(lub ida e) cleanda a_o de <- cleanda a_o de %>% g oup_by(id) %>% mu a e(di _col = c(0, di (bikes))) %>% ung oup() #Ex accio nomb e a ibades i so ides cada ho a: #Ag upem les dades pe es ació i ho a, i sumem les a ibades (di e ències #posi i es) i les so ides (di e ències nega i es) pe a cada ho a. cleanda a_ho es <- cleanda a_o de %>% g oup_by(id, dia, ho es) %>% summa ise(a ibades = sum(di _col[di _col > 0]), so ides = sum(di _col[di _col < 0]), .g oups= "d op") cleanda a_ho es$di <- cleanda a_ho es$a ibades + cleanda a_ho es$so ides #A egim longi ud i la i ud a Cleanda a_ho es cleanda a_ho es <- cleanda a_ho es %>% le _join(selec (da a, id, la i ude, longi ude), by = "id") # C eacio Di isió ho a ia # Di isió ho à ia en in e als de 6 ho es in e als <- cu (cleanda a$ho es, b eaks = c(0, 4, 10, 16, 22, 24), igh = FALSE, labels = c("Ni ", "Ma i", "Migdia", "Ta da", "Ni ")) in e als2<- cu (cleanda a_ho es$ho es, b eaks = c(0, 4, 10, 16, 22, 24), igh = FALSE, labels = c( "Ni ","Ma i", "Migdia", "Ta da", "Ni ")) in e als3<- cu (cleanda a_o de $ho es, b eaks = c(0, 4, 10, 16, 22, 24), igh = FALSE, 65 labels = c( "Ni ","Ma i", "Migdia", "Ta da", "Ni ")) # A egim no a columna amb la di isió ho à ia cleanda a$pe iode_dia <- as.cha ac e (in e als) cleanda a_ho es$pa _dia <- as.cha ac e (in e als2) cleanda a_o de $pe iode_dia<- as.cha ac e (in e als3) able(cleanda a$pe iode_dia) ## Analisis Pe iodes Dia is # C eem el g à ic de ba es pe a ibades i so ides segons el dia G a 1<- unc ion(es acio, da a){ dades_es acio <- cleanda a_ho es %>% il e (id == es acio) %>% selec (ho es, dia, a ibades, pa _dia) (ggplo (dades_es acio[dades_es acio$dia==da a,], aes(x = ho es, y = a ibades, ill = pa _dia)) + geom_ba (s a = "iden i y", posi ion = "dodge") + anno a e(geom = " ex ", x = 23, y = max(dades_es acio$a ibades), label = pas e0("Max: ", (max(dades_es acio$a ibades))-1), jus = 1) + labs( i le =pas e("A ibades a l'es acio",es acio,"del dia",da a, "segons pa del dia "),x = "Ho a del dia", y = "Di e ència mi jana d'a ibades i so ides") + scale_ ill_manual( alues = c(" ed", "g een", "blue", "pu ple"), labels = c("Ma í", "Migdia", "Ni ", "Ta da")) + scale_x_con inuous(b eaks = 0:23) + heme_bw()) } G a 2<- unc ion(es acio, da a){ dades_es acio <- cleanda a_ho es %>% il e (id == es acio) %>% selec (ho es, dia, so ides, pa _dia) (ggplo (dades_es acio[dades_es acio$dia==da a,], aes(x = ho es, y = - (so ides), ill = pa _dia)) + geom_ba (s a = "iden i y", posi ion = "dodge") + anno a e(geom = " ex ", x = 23, y = -(min(dades_es acio$so ides)), label = pas e0("Max: ", (-(min(dades_es acio$so ides)))-1 ,), jus = 1) + labs( i le =pas e("So ides de l'es acio",es acio,"del dia",da a, "segons pa del dia "), x = "Ho a del dia", y = "Di e ència mi jana d'a ibades i so ides") + scale_ ill_manual( alues = c(" ed", "g een", "blue", "pu ple"), labels = c("Ma í", "Migdia", "Ni ", "Ta da")) + scale_x_con inuous(b eaks = 0:23) + heme_bw()) } G a 1(1,7) G a 2(1,7) cleanda a_ho es<- ead.cs ("D:/Uni e si a /Qua de ca e a/TFG/Cleanda a_ho es1.cs ", sep=";") #PART DEL DIA sumes <- agg ega e(cbind(a ibades, -(so ides)) ~ id + pa _dia, da a = cleanda a_ho es, sum) d _pa dia <- eshape(sumes, id a = "id", ime a = "pa _dia", di ec ion = "wide") names(d _pa dia) <- sub("^.* .", "", names(d _pa dia)) 66 colnames(d _pa dia)= c("id", "Ma i_a ibades", "Ma i_so ides", "Migdia_a ibades", "Migdia_So ides", "Ta da_a ibades", "Ta da_so ides", "Ni _a ibades", "Ni _so ides") #DIA sumes <- agg ega e(cbind(a ibades, -(so ides)) ~ id + dia, da a = cleanda a_ho es, sum) d _Dia <- eshape(sumes, id a = "id", ime a = "dia", di ec ion = "wide") names(d _Dia) <- sub("^.* .", "", names(d _Dia)) colnames(d _Dia)= c("id", "Dilluns_A ibades", "Dilluns_So ides", "Dima s_A ibades", "Dima s_So ides", "Dimec es_A ibades", "Dimec es_So ides", "Dijous_A ibades", "Dijous_So ides", "Di end es_A ibades", "Di end es_So ides", "Dissab e_A ibades", "Dissab e_So ides", "Diumenge_A ibades", "Diumenge_So ides") # Analisis segons En e-Dia dP<- d _pa dia[,-c(1)] #objec s() #a ibu es(dP) ## Visuali zació de les dades a ach(dP) #R es à en enen co ec amen les me es a iables sapply(dP,class) #Fem una llis a de les a iables numè iques nume iques<-which(sapply(dP,is.nume ic)) nume iques dP<-dP[,nume iques] ## ANALISIS COMPONENTS PRINCIPALS DE DP pc1 <- p comp(dP, scale=TRUE) # ma iu de co elacions p in (pc1) #QUIN PERCENTATGE DE LA INERCIA TOTAL ESTÀ REPRESENTAT EN SUBESPAIS? ine P oj<- pc1$sde ^2 o alIne <- sum(ine P oj) pine Eix<- 100*ine P oj/ o alIne ba plo (pine Eix, main="Pe cen a ges de la Inè cia o al de les Componen s") abline(h = 90, col = " ed", l y = 2) ### Ine cia Acumulada en Subespais #De la p ime a compnen ins la ui ena dimensió ba plo (100*cumsum(pc1$sde [1:dim(dP)[2]]^2)/dim(dP)[2], main="Pe cen a ge Va iabili a Acumulada pe Dimensions") abline(h = 90, col = " ed", l y = 2) pe cIne Accum<-100*cumsum(pc1$sde [1:dim(dP)[2]]^2)/dim(dP)[2] #SELECCIÓ DIMENSIONS SIGNIFICATIVES nd = 3 p in (pc1) a ibu es(pc1) 73 lib a y(dply ) d _Dia$longi ude<- da a$longi ude d _Dia$la i ude<- da a$la i ude d a<- d _Dia %>% g oup_by(Clus ) %>% summa ize(n_obs = n(), mean_long= mean(longi ude), mean_la = mean(la i ude)) ## MAPAS DIA #Mapa mi jana di e en s clus e s m ap<- lea le () %>% addTiles() %>% addCi cleMa ke s(da a=d a, lng= ~mean_long, la = ~mean_la , popup= ~pas e("<b> Clus e : </b>", Clus )) m ap lib a y(lea le ) lib a y(dply ) clus e _colo s <- c("# 0000", "#00 00", "#0000 ", "# a500") d _Dia <- d _Dia %>% mu a e(colo = clus e _colo s[Clus ]) map <- lea le (d _Dia) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1, label = ~id ) %>% addLegend( posi ion = " op igh ", colo s = clus e _colo s, labels = pas e("Clus e ", 1:leng h(clus e _colo s)), i le = "Clus e s" ) map mape <- unc ion(a){ il e ed_d <- d _Dia %>% il e (Clus == a) map <- lea le ( il e ed_d ) %>% addTiles() %>% addCi cleMa ke s( lng = ~longi ude, la = ~la i ude, colo = ~colo , adius = 5, opaci y = 1, illOpaci y = 1 ) map } mape (1) 74 mape (2) mape (3) mape (4)