RShinyProject Context Arrival.csv：包含了到达车站的列车信息，例如始发站、目的地、列车类型、列车号、日期、实际到达时间、预计到达时间、延迟时间（分钟）和延迟原因以及沿途的停靠站。 Delay.csv：包含了延迟列车的信息，例如日期、出发站、到达站、实际到达时间、预计到达时间、预计出发时间、延迟时间（分钟）和延迟原因。 Departure.csv：包含了从始发站出发的列车信息，例如始发站、目的地、列车类型、列车号、日期、实际出发时间、预计出发时间、延迟时间（分钟）和延迟原因以及沿途的停靠站。 select_gares.csv：包含了选定车站的名称和对应的 UIC 代码。 Analyse 延迟列车的统计信息：根据 Delay.csv 数据集，我们可以计算延迟列车的数量、平均延迟时间、最长和最短延迟时间以及延迟时间的分布。此外，我们还可以分析不同原因导致的延迟情况。 延迟与列车类型的关系：我们可以使用 Arrival.csv 和 Departure.csv 数据集，通过列车类型（如 TGV、TER 等）对延迟列车进行分组，以了解哪种列车类型更容易出现延迟现象。 延迟与始发站/目的地的关系：我们可以分析哪些始发站或目的地的列车更容易出现延迟，从而确定是否某些车站的列车更容易受到延迟的影响。 延迟与出发/到达时间的关系：我们可以分析一天中的不同时间段（例如早晨、中午、傍晚和晚上）与列车延迟之间的关系，以确定是否某些时间段的列车更容易出现延迟。 延迟与沿途停靠站的关系：我们可以分析沿途停靠站的数量与列车延迟之间的关系，以确定是否停靠站数量对列车延迟有影响。 延迟预测的准确性：通过比较实际延迟时间与预测延迟时间，我们可以评估 SNCF 预测系统的准确性。我们可以计算预测准确率、平均预测误差等指标。
