前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >疫情期间航空网络演变复杂网络可视化

疫情期间航空网络演变复杂网络可视化

原创
作者头像
拓端
发布2023-11-23 23:39:25
1560
发布2023-11-23 23:39:25
举报
文章被收录于专栏:拓端tecdat拓端tecdat

原文链接:https://tecdat.cn/?p=34347

原文出处:拓端数据部落公众号

分析师:Jiongyan Zhang

COVID-19对航空网络的拓扑结构和属性都有很大的影响,其影响的结果表现在网络鲁棒性、连通性和活动性的下降,以及疫情区域的航空网络状态的变化。然而,航空网络的时空演变以及疫情对整体和局部网络的影响尚不清楚,需要进一步探索。为了弄清楚COVID-19对全球航空网络有什么样的影响,以及这次事件对它的影响程度,我们研究了二者之间的关系,并揭示了其潜在的模式规律。

解决方案

数据源准备

航班数据集来自两大航空信息组织Variflight与Opensky. 前者的数据主要是收集2019年12月1日至2020年4月30日期间的中国航空公司数据,这些数据密度较大,比较完整,包括机场和航空公司的代码、坐标、省、市、国、名、时间等。后者主要收集国际航空公司,相对稀疏,数据覆盖范围更广,从2020年1月1日到2020年4月30日。此数据集定期刷新,以便包含更多数据。两个数据集不能合并,但被划分为两个不同的部分,具有不同的规模。因此,执行双尺度分析是有必要的。

image.png
image.png

数据预处理

虽然数据来自两个不同规模和密度的数据集,但我们可以用同样的方法构建复杂网络。在这里,数据处理可以分为三个步骤。第一步是补充网络节点数据,赋予节点机场属性。数据主要来自OAG(https://www.oag.com/),它是世界领先的航空情报咨询机构。在这里,可以获得机场代码、位置、地区等信息。通过节点数据,可以对飞行网络进行细分,使研究不同区域的飞行网络成为可能。这也为区域研究铺平了道路。第二步是建立加权边。通勤者的数量决定了每条路线的权重。这种网络可以定义不同节点的繁忙程度,这就完成了飞行网络的基本框架。最后一步是利用这些节点和边的特性构建整个飞行网络。该飞行网络是一个加权图,可以用图论的方法进行分析和描述。同样的建模方法可以为每天的航线数据构建时间序列复杂网络。

方法

复杂网络具有许多特点。在现在的情况下,连接性、活跃性、完整性和聚集性是我们需要考虑的四个特征。这四个特征映射的具体指标是最大联通子图的尺度、度、密度和聚集系数。同样,本研究构建的飞行网络也是一种复杂的网络,可以继承和利用这些特征。我们选取这些指标来量化航空网络的特征,探索复杂数据之下的规律。

同时,皮尔逊相关模型则可以被应用到疫情和航空网络相关性模型上,构建出不同地区的航空网络-疫情响应分析模型。

本次航空网络时空演变分析如下:

image.png
image.png

COVID-19 与指标的相关性:应该解释的是,没有 COVID-19 统计案例的时期也包括在内,这导致曲线开始处的点的累积。随着病例数的增加,均呈下降趋势。但有些细节并不统一,比如密度指标出现异常上升趋势。

以及地区差异:

QQ截图20231123142318.png
QQ截图20231123142318.png

各指标与 COVID-19 的区域相关性。这 12 个图形显示了与不同区域相关的曲线,同时表示了各种指标的大致走势。第一行是美国,第二行是欧盟,最后一行是中国大陆。每行包含四个指标:平均度、最大连通子图规模、密度和聚集系数。请注意,基于中国数据的飞行网络来自其他数据源( varflight )。很明显,欧洲和美国的飞行网络有着相同的模式。随着确诊病例的增加,各项指标均呈简单下降趋势。但我国(大陆)的指标变化略有不同,包括各指标在流行曲线中间的上升趋势和结束时的回升趋势。**

同时,不同区域的皮尔逊相关分析得到以下结论:

January

February

March

April

R

P

R

P

R

P

R

P

The US

0.08

0.65

-0.04

0.82

-0.90

0.00

-0.84

0.00

Europe

-0.20

0.28

-0.12

0.55

-0.88

0.00

-0.41

0.03

China (Mainland)

0.74

0.00

-0.85

0.00

0.40

0.02

0.43

0.02

1月,该病毒在全球范围内的广泛传播尚未发生。此时,该病毒仅在武汉刚被发现。这可能导致逻辑上病毒的传播和航班热度变化是非正常的。值得注意的是,中国大陆的空中交通似乎与病毒传播正相关,这是由于疫情传播与中国大陆春节事情交通重叠的巧合。

2月,疫情在中国大陆迅速蔓延。相应地,大陆航班网络受到严重打击,航班活动急剧减少。因此,相关系数表现出该病毒具有很强的破坏性。反之,欧美的表现则相反,因为疫情尚未在全球传播,以使得全球网络对COVID-19作出相似反应。

3月份,欧美和中国大陆的发展模式呈现出两种不同的状态。此时,COVID-19已开始在全球传播,欧美确诊病例激增,迫使地方政府采取各种方式限制空中交通。目前,欧美航班网络的活动与确诊病例呈高度负相关。这种情况是中国2月份发生的事情的翻版。然而,中国大陆的相关系数明显下降到较低的水平,并且是正的。结果显示,虽然我国确诊病例继续上升,但航空网络正在恢复,表明我国大陆疫情已得到控制,部分生产服务活动正在恢复。

4月份,美国仍维持此前的强负相关格局。中国大陆仍维持较低的正相关,航班网络继续恢复。然而,欧洲的负相关性很低。对于欧洲流行模式,其他粗拟合结果显示,4月份的下降斜率为-8.229e-05,比前一个月平缓(-0.01428)。这说明欧洲的航班网络已经触底。考虑到欧洲航班遭受80%的损失,可以理解航班网络受到的破坏在后期有所缓冲。

关于作者

image.png
image.png

在此对Jiongyan Zhang对本文所作的贡献表示诚挚感谢,他毕业于武汉大学,专注数据分析领域。擅长Python、SPSS等。

ecosystem-1220667040-thumb-1536x1536.webp
ecosystem-1220667040-thumb-1536x1536.webp

最受欢迎的见解

1.采用spss-modeler的web复杂网络对所有腧穴进行分析

2.用R语言和python进行社交网络中的社区检测

3.R语言文本挖掘NASA数据网络分析,tf-idf和主题建模

4.在R语言中使用航空公司复杂网络对疫情进行建模

5.python隶属关系图模型 基于模型的网络中密集重叠社区检测

6.使用Python和SAS Viya分析社交网络

7.关联网络分析:已迁离北京外来人口的数据画像

8.情感语义网络游记数据感知旅游目的地形象

9.用关联规则数据挖掘探索药物配伍中的规律

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 原文链接:https://tecdat.cn/?p=34347
  • 原文出处:拓端数据部落公众号
  • 分析师:Jiongyan Zhang
相关产品与服务
数据万象
数据万象(Cloud Infinite,CI)是依托腾讯云对象存储的数据处理平台,涵盖图片处理、内容审核、媒体处理、AI 识别、文档预览等功能,为客户提供一站式的专业数据处理解决方案,满足您多种业务场景的需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档