that the different train stations d

that the different train stations do exhibit different time-series
patterns. For example, while there are some train stations
showing a morning and evening peak in its weekday
time-series data plot, the same travel pattern cannot be
observed in other stations. Thus, clustering and further
analysis will need to be done to identify and classify these
different travel patterns among the train stations.
C. Time-Series Data Cluster Analysis
The TSS node performs the clustering and similarity
analysis on the train station time-series data.
Fig. 8 shows the dendrogram of the time-series data plots
generated in the Result panel of the TSS node. The default
number of clusters for TSS node similarity analysis is 5.
However, upon examining the 5 clusters, the results were not
satisfactory as there were still different distinct travel patterns
within each cluster that could be further refined and classified.
As such, a trial and error process was initiated to explore the
optimal number of clusters need to be generated such as each
cluster exhibit unique and interesting passenger travel
patterns.
After much trial and error on the hierarchical clustering, 11
different clusters (labeled A – k) were identified to be the
optimal number of clusters for our analysis. Each of the
clusters has exhibit unique and interesting passenger travel
patterns based on their time-series data plots. Fig. 9 shows the
one-week time-series plot for the 11 clusters.
1) Cluster A – strong morning peak/ moderate evening
peak
The time-series data plots in cluster A have displayed a
strong morning peak and a relatively weaker evening peak on
weekdays, suggesting that the train stations in cluster A were
experiencing high passenger volume entering the stations in
the morning and relatively lesser passenger volume in the
evening. However, the morning and evening peak patterns
were not observed on weekends, where the stations received
relatively constant passenger volume throughout the day.
Examining into the composition of cluster A, we found that it
is made up of train stations situated in residential areas. This
could give us a preliminary explanation for the weekday
morning peak where the passengers living in residential areas
were traveling to work on weekday morning. As for the
relatively lower weekday evening peak, a possible
explanation could be that the passengers, whom had travelled
to the schools or small offices located in the residential areas,
were returning home from work.
2) Cluster B – strong morning peak
The time-series data plots in cluster B have displayed a
strong morning peak on weekdays. However, the morning
peak pattern was not observed on weekends. Examining into
the composition of cluster B, we found that it is made up of
LRT stations situated in residential areas. A possible
preliminary explanation for the weekday morning peak could
be the passengers living in residential areas were traveling to
work on weekday morning. Another interesting observation is
that the morning passenger volume of cluster B was lower
than the morning passenger volume of cluster A. This might
be due to the limited capacity of LRT as it has smaller
carriages compared to MRT.

ผลลัพธ์ (ไทย) 1:

ที่สถานีรถไฟต่าง ๆ จัดแสดงชุดเวลาแตกต่างกันรูปแบบการ ตัวอย่าง ในขณะที่มีมีบางสถานีรถไฟแสดงช่วงเช้าและช่วงเย็นของวันทำงานพล็อตข้อมูลอนุกรมเวลา รูปแบบเดินทางเดียวกันไม่ได้สังเกตในสถานีอื่น ๆ ดังนั้น คลัสเตอร์ และเพิ่มเติมการวิเคราะห์จะต้องทำการระบุ และจัดประเภทเหล่านี้รูปแบบการเดินทางที่แตกต่างกันระหว่างสถานีรถไฟC. เวลาชุดข้อมูลคลัสเตอร์การวิเคราะห์โหน TSS ทำคลัสเตอร์และความคล้ายคลึงกันการวิเคราะห์ข้อมูลชุดเวลาสถานีรถไฟFig. 8 แสดง dendrogram ของที่ดินข้อมูลอนุกรมเวลาสร้างขึ้นในแผงผลของโหน TSS ค่าเริ่มต้นจำนวนคลัสเตอร์สำหรับการวิเคราะห์ความคล้ายคลึงกันของโหน TSS คือ 5อย่างไรก็ตาม เมื่อการตรวจสอบคลัสเตอร์ 5 ผลไม่ได้พอใจมีรูปแบบการเดินทางมายังแตกต่างกันภายในแต่ละคลัสเตอร์ที่สามารถเพิ่มเติมกลั่น และจัดเช่น เริ่มกระบวนการลองผิดลองถูกได้รับการออกแบบจำนวนสูงสุดของคลัสเตอร์ต้องสร้างเช่นแต่ละคลัสเตอร์แสดง ความสนใจผู้โดยสารเดินทางรูปแบบการหลังจากผิดมากทดลอง 11 ระบบคลัสเตอร์ ลำดับชั้นคลัสเตอร์ที่แตกต่างกัน (ชื่อ A – k) ได้ระบุให้การจำนวนสูงสุดของคลัสเตอร์สำหรับการวิเคราะห์ของเรา แต่ละคลัสเตอร์ได้แสดง ความสนใจผู้โดยสารเดินทางรูปแบบขึ้นอยู่กับข้อมูลชุดเวลาผืน Fig. 9 แสดงลงจุดชุดข้อมูลเวลาหนึ่งสัปดาห์สำหรับคลัสเตอร์ 111) คลัสเตอร์ A-ช่วงเช้าแข็งแรง / เย็นบรรเทาพีคโครงการข้อมูลอนุกรมเวลาในคลัสเตอร์ A ให้แสดงเป็นตอนเช้าแข็งแรงสูงสุดและสูงสุดเย็นค่อนข้างแข็งแกร่งในวันธรรมดา แนะนำที่ สถานีรถไฟในคลัสเตอร์ A ได้พบปริมาณผู้โดยสารสูงป้อนสถานีในตอนเช้าและปริมาณผู้โดยสารค่อนข้างน้อยในการตอนเย็น อย่างไรก็ตาม peak รูปแบบของช่วงเช้าและเย็นไม่ได้สังเกตในวันหยุดสุดสัปดาห์ ที่สถานีรับปริมาณผู้โดยสารค่อนข้างคงตลอดทั้งวันเราตรวจสอบเป็นส่วนประกอบของคลัสเตอร์ A พบขึ้นเป็นสถานีรถไฟที่ตั้งอยู่ในพื้นที่อยู่อาศัย นี้เราสามารถให้คำอธิบายเบื้องต้นสำหรับวันทำงานช่วงเช้าที่ผู้โดยสารที่อาศัยอยู่ในพื้นที่อยู่อาศัยได้เดินทางไปทำงานในเช้าวันทำงาน เป็นสำหรับการค่อนข้างต่ำกว่าช่วงเย็นวันธรรมดา เป็นไปได้คำอธิบายที่อาจเป็นผู้โดยสาร ที่มีการเดินทางโรงเรียนหรือสำนักงานขนาดเล็กที่ตั้งอยู่ในพื้นที่ที่อยู่อาศัยได้กลับบ้านจากการทำงาน2) คลัสเตอร์ B – ช่วงเช้าแข็งแรงโครงการข้อมูลอนุกรมเวลาในคลัสเตอร์ B ให้แสดงเป็นช่วงเช้าแข็งแรงในวันธรรมดา อย่างไรก็ตาม ตอนเช้ารูปพีคไม่ได้ถูกตรวจสอบในวันหยุดสุดสัปดาห์ ตรวจสอบเป็นองค์ประกอบของคลัสเตอร์ B เราพบว่า มันถูกสร้างขึ้นสถานี LRT ที่ตั้งอยู่ในพื้นที่อยู่อาศัย เป็นไปได้สามารถอธิบายเบื้องต้นในช่วงเช้าวันทำงานมีผู้โดยสารที่อาศัยอยู่ในพื้นที่อยู่อาศัยได้เดินทางไปทำงานในเช้าวันทำงาน สังเกตที่น่าสนใจอีกคือว่า ปริมาณผู้โดยสารช่วงเช้าของคลัสเตอร์ B คือต่ำกว่ากว่าผู้โดยสารเช้าของคลัสเตอร์อ. นี้อาจมีสาเหตุมาจากกำลังการผลิตจำกัดของ LRT มีขนาดเล็กนับเมื่อเทียบกับรถไฟฟ้าใต้ดิน

ผลลัพธ์ (ไทย) 2:

ที่สถานีรถไฟที่แตกต่างกันทำแสดงที่แตกต่างกันเวลาชุด
รูปแบบ ยกตัวอย่างเช่นในขณะที่มีบางสถานีรถไฟ
แสดงในตอนเช้าและตอนเย็นสูงสุดในวันทำงานของ
อนุกรมเวลาแปลงข้อมูลรูปแบบการเดินทางเดียวกันไม่สามารถ
สังเกตได้ในสถานีอื่น ๆ ดังนั้นการจัดกลุ่มและต่อ
การวิเคราะห์จะต้องมีการดำเนินการเพื่อระบุและจำแนกเหล่านี้
รูปแบบการเดินทางที่แตกต่างกันระหว่างสถานีรถไฟ.
C. เวลา-Series วิเคราะห์การจัดกลุ่มข้อมูล
โหนด TSS ดำเนินการจัดกลุ่มและความคล้ายคลึงกัน
การวิเคราะห์ในสถานีรถไฟข้อมูลอนุกรมเวลา.
รูป 8 แสดง dendrogram แปลงข้อมูลอนุกรมเวลา
นี้สร้างขึ้นในแผงผลของโหนด TSS เริ่มต้น
จำนวนของกลุ่มสำหรับการวิเคราะห์ TSS คล้ายคลึงกันโหนดคือ 5.
แต่เมื่อตรวจสอบ 5 กลุ่มทำผลงานได้ไม่
น่าพอใจเท่าที่มีอยู่ยังคงแตกต่างกันรูปแบบการเดินทางที่แตกต่างกัน
ภายในแต่ละกลุ่มที่อาจจะมีต่อการกลั่นและจัด.
เช่นการพิจารณาคดี และขั้นตอนความผิดพลาดเป็นจุดเริ่มต้นในการสำรวจ
จำนวนที่เหมาะสมของกลุ่มจะต้องมีการสร้างขึ้นเช่นแต่ละ
คลัสเตอร์ที่แสดงเอกลักษณ์และน่าสนใจผู้โดยสารที่เดินทาง
รูปแบบ.
หลังจากการทดลองมากและข้อผิดพลาดในการจัดกลุ่มตามลำดับชั้น, 11
กลุ่มที่แตกต่างกัน (ติดป้าย - k) ได้รับการระบุ เป็น
จำนวนที่เหมาะสมของกลุ่มสำหรับการวิเคราะห์ของเรา แต่ละ
กลุ่มมีการแสดงที่เป็นเอกลักษณ์และการเดินทางของผู้โดยสารที่น่าสนใจ
รูปแบบขึ้นอยู่กับการแปลงข้อมูลอนุกรมเวลาของพวกเขา มะเดื่อ 9 แสดงให้เห็นว่า
พล็อตอนุกรมเวลาหนึ่งสัปดาห์สำหรับ 11 กลุ่ม.
1) คลัสเตอร์ - เช้ายอดแข็งแกร่ง / ตอนเย็นปานกลาง
สูงสุด
แปลงข้อมูลอนุกรมเวลาในคลัสเตอร์มีการแสดง
จุดสูงสุดในช่วงเช้าที่แข็งแกร่งและจุดสูงสุดในช่วงเย็นที่ค่อนข้างอ่อนแอใน
วันธรรมดา ชี้ให้เห็นว่าสถานีรถไฟในคลัสเตอร์ถูก
ประสบปริมาณผู้โดยสารสูงเข้าสถานีใน
ตอนเช้าและปริมาณผู้โดยสารค่อนข้างน้อยใน
ตอนเย็น อย่างไรก็ตามช่วงเช้าและเย็นรูปแบบสูงสุด
ไม่ได้ถูกตั้งข้อสังเกตในช่วงวันหยุดที่สถานีได้รับ
ปริมาณผู้โดยสารที่ค่อนข้างคงที่ตลอดทั้งวัน.
การตรวจสอบเป็นองค์ประกอบของกลุ่มเราพบว่ามัน
ถูกสร้างขึ้นจากสถานีรถไฟที่ตั้งอยู่ในพื้นที่ที่อยู่อาศัย นี้
จะทำให้เรามีคำอธิบายเบื้องต้นสำหรับวันทำงาน
เช้ายอดผู้โดยสารที่อาศัยอยู่ในพื้นที่ที่อยู่อาศัย
กำลังเดินทางไปทำงานในเช้าของวันธรรมดา ในฐานะที่เป็น
จุดสูงสุดที่ค่อนข้างเย็นวันธรรมดาที่ต่ำกว่าที่เป็นไปได้
อาจจะเป็นคำอธิบายว่าผู้โดยสารซึ่งได้เดินทาง
ไปยังโรงเรียนหรือสำนักงานขนาดเล็กตั้งอยู่ในพื้นที่ที่อยู่อาศัย
กำลังจะกลับบ้านจากที่ทำงาน.
2) กลุ่ม B - เช้ายอดแข็งแกร่ง
เวลา แปลงข้อมูลอนุกรมในคลัสเตอร์ B มีการแสดง
จุดสูงสุดในช่วงเช้าที่แข็งแกร่งในวันธรรมดา แต่เช้า
แบบสูงสุดก็ไม่ได้สังเกตวันหยุดสุดสัปดาห์ การตรวจสอบเป็น
องค์ประกอบของกลุ่ม B เราพบว่ามันถูกสร้างขึ้นจาก
สถานี LRT ตั้งอยู่ในพื้นที่ที่อยู่อาศัย เป็นไปได้ที่
คำอธิบายเบื้องต้นสำหรับยอดเช้าวันอาจ
จะเป็นผู้โดยสารที่อาศัยอยู่ในพื้นที่ที่อยู่อาศัยที่ได้เดินทางไป
ทำงานในเช้าของวันธรรมดา อีกประการหนึ่งที่น่าสนใจคือการสังเกต
ว่าปริมาณผู้โดยสารในช่วงเช้าของกลุ่ม B ที่ต่ำ
กว่าปริมาณผู้โดยสารในช่วงเช้าของกลุ่มเอซึ่งอาจ
จะเป็นเพราะความจุที่ จำกัด ของ LRT ที่มันมีขนาดเล็ก
เมื่อเทียบกับรถม้า MRT

ผลลัพธ์ (ไทย) 3:

ที่สถานีรถไฟที่ต่างกัน จะจัดแสดงที่แตกต่างกันเวลา
ลวดลาย ตัวอย่างเช่น ในขณะที่มีบางสถานีรถไฟ
แสดงเช้าและเย็นในวันธรรมดาสูงสุด
ข้อมูลอนุกรมเวลาพล็อตเดียวกันเดินทางรูปแบบไม่สามารถ
จากสถานีอื่น ๆ ดังนั้น การจัดกลุ่มและวิเคราะห์เพิ่มเติม
จะต้องทำเพื่อระบุและแยกประเภทเหล่านี้
รูปแบบการเดินทางที่แตกต่างกันระหว่างสถานีรถไฟ
C . ข้อมูลอนุกรมเวลาการวิเคราะห์กลุ่ม
โหนดการแบ่งกลุ่ม TSS และการวิเคราะห์ความเหมือน
บนรถไฟสถานีข้อมูลอนุกรมเวลา .
รูปที่ 8 แสดงพันธุกรรมของข้อมูลอนุกรมเวลาแปลง
สร้างขึ้นในผลแผงของ TSS โหนด เริ่มต้น
จำนวนกลุ่มสำหรับ TSS ความเหมือนการวิเคราะห์โหนด 5 .
อย่างไรก็ตามเมื่อศึกษา 5 กลุ่ม ผลยังไม่น่าพอใจ เช่น ยัง มี ที่แตกต่างกัน

รูปแบบการเดินทางที่แตกต่างกันในแต่ละกลุ่มที่สามารถเพิ่มเติมการกลั่นและจำแนก .
เช่น การทดลองและข้อผิดพลาดในกระบวนการริเริ่มเพื่อสำรวจ
จำนวนที่เหมาะสมของกลุ่มจะถูกสร้างขึ้น เช่น แต่ละกลุ่มมีเอกลักษณ์และน่าสนใจ
รูปแบบการเดินทาง

ผู้โดยสารหลังจากการทดลองและความผิดพลาดมากในการจัดกลุ่มลำดับชั้น 11
กลุ่มที่แตกต่างกัน ( ป้าย ) K ) ที่ถูกระบุว่าเป็นหมายเลขของกลุ่มการวิเคราะห์
ที่ดีที่สุดของเรา ของแต่ละกลุ่มมีงานแสดงที่โดดเด่นและน่าสนใจ

นั่งตามรูปแบบการเดินทางของข้อมูลอนุกรมเวลาแปลง รูปที่ 9 แสดง
1 สัปดาห์เวลาแปลงสำหรับกลุ่ม
11 .1 ) กลุ่มหนึ่งซึ่งอยู่สูงสุดยอดแข็งแรง เช้า / เย็น

ข้อมูลอนุกรมเวลาแปลงในกลุ่มหนึ่งมีการแสดง
ยอดตอนเช้าแข็งแรงและค่อนข้างแข็งแกร่งเย็นขึ้น
วันธรรมดา แนะนำว่า สถานีรถไฟในกลุ่ม 1
พบปริมาณผู้โดยสารสูงเข้าสู่สถานี
ตอนเช้าและค่อนข้างน้อย ปริมาณผู้โดยสาร ใน
ตอนเย็น อย่างไรก็ตามตอนเช้าและเย็นสูงสุดรูปแบบ
ไม่ได้สังเกตในวันหยุดสุดสัปดาห์ที่สถานีรับ
ปริมาณผู้โดยสารค่อนข้างคงที่ตลอดทั้งวัน
ตรวจสอบเป็นองค์ประกอบของกลุ่ม เราพบว่ามัน
ถูกสร้างขึ้นจากสถานีรถไฟตั้งอยู่ในพื้นที่ที่อยู่อาศัย นี้จะให้คำอธิบายเบื้องต้น

สำหรับวันธรรมดาเช้าที่ยอดผู้โดยสารที่อาศัยอยู่ในพื้นที่เดินทางไปทำงาน
ที่อยู่อาศัยในเช้าวันธรรมดา สำหรับ
ค่อนข้างล่างวันธรรมดาสูงสุด คำอธิบายที่เป็นไปได้
อาจเป็นว่า ผู้โดยสารที่ต้องเดินทางไปโรงเรียนหรือสำนักงานขนาดเล็ก
ตั้งอยู่ในพื้นที่ที่อยู่อาศัย ,
) กลับจากทำงาน
2 ) กลุ่ม B –แข็งแรงสูงสุด
ตอนเช้าข้อมูลอนุกรมเวลาแปลงในกลุ่ม B มีการแสดง
ยอดเช้าที่แข็งแกร่งในวันธรรมดา แต่ตอนเช้า
ยอดแบบแผนไม่ได้สังเกต ในวันหยุดสุดสัปดาห์ การตรวจสอบลงในองค์ประกอบของกลุ่ม B
, เราพบว่ามันถูกสร้างขึ้นจาก
สถานี LRT ตั้งอยู่ในพื้นที่ที่อยู่อาศัย คำอธิบายเบื้องต้นเป็นไปได้
สำหรับวันธรรมดาตอนเช้ายอดอาจ
เป็นผู้โดยสารที่อาศัยอยู่ในพื้นที่ที่อยู่อาศัยเดินทาง

ทำงานในเช้าวันธรรมดา อื่นสังเกตที่น่าสนใจคือ
ที่ตอนเช้าผู้โดยสารปริมาณของกลุ่ม B ต่ำกว่า
กว่าตอนเช้าผู้โดยสารปริมาณของกลุ่ม A . นี้อาจ
เกิดจากความจุจำกัด LRT เป็นขนาดเล็ก
รถม้าเทียบกับรถไฟใต้ดิน