Моделі для прогнозування затримок авіарейсів
DOI:
https://doi.org/10.20535/1560-8956.43.2023.292243Ключові слова:
машинне навчання, прогнозування, задача регресії, задача класифікаціїАнотація
В статті розглянуто проблему покращення роботи аеропортів та авіаперевізників. Запропоновано використати моделі та технології машинного навчання для прогнозування затримок авіарейсів. Значна частина зусиль була спрямована на збір якісних даних, що стосуються як авіаперельотів, так і факторів, що на них потенційно можуть вплинути. Завдяки цьому сформовано набір даних про майже півмільйона перельотів. Метою роботи є прогнозування затримок авіарейсів, яке робилось як в кількісному (затримка на скільки хвилин), так і в якісному (затримка перевищує 15 хвилин) варіантах. Було побудовано 5 регресійних та 5 класифікаційних моделей трьох різних видів для прогнозування затримок вильотів в аеропорті Атланта, США. Для оцінки ефективності запропонованих моделей використано декілька різних мір якості, які різнопланово відображають доцільність застосування цих моделей в розрізі потреб кожної задачі. Для найкращої моделі медіанна абсолютна помилка дорівнює 5 хвилин, що є чудовим результатом у передбаченні затримок вильотів авіарейсів. Точне прогнозування затримок рейсів може надати рекомендації логістичним компаніям до більш точного планування своїх перевезень, а в цій галузі це є одним із головних моментів в отриманні прибутку.
Бібл. 20, іл. 13
Посилання
Scikit-learn: machine learning in Python. URL: https://scikit-learn.org (from: 29.05.2023).
Pandas – Python Data Analysis Library. URL: https://pandas.pydata.org (from: 29.05.2023).
NumPy. URL: https://numpy.org (from: 29.05.2023).
Matplotlib – Visualization with Python. URL: https://matplotlib.org (from: 29.05.2023).
Keras: Deep Learning for humans. URL: https://keras.io (from: 29.05.2023).
Shao, W.; Prabowo, A.; (...); Salim, F.D. Predicting flight delay with spatiotemporal trajectory convolutional network and airport situational awareness map // Neurocomputing, 2022, vol.472, pp.280-293; DOI: 10.1016/j.neucom.2021.04.136
Zoutendijk, M. and Mitici, M. Probabilistic Flight Delay Predictions Using Machine Learning and Applications to the Flight-to-Gate Assignment Problem // Aerospace, 2021, vol. 8 (6); DOI: 10.3390/aerospace8060152
Khan, W.A.; Ma, H.L.; (...); Wen, X. Hierarchical integrated machine learning model for predicting flight departure delays and duration in series // Transportation research part c-emerging technologies, 2021, vol.129; DOI: 10.1016/j.trc.2021.103225
Schosser, D. and Schonberger, J. On the performance of machine learning based flight delay prediction-investigating the impact of short-term features // Promet-traffic & transportation, 2022, vol.34 (6) , pp.825-838
Terminal Aerodrome Forecast (TAF). URL: https://flightcrewguide.com/wiki/ meteorology/terminal-aerodrome-forecast-taf (from: 29.05.2023).
Flightradar24: Live Flight Tracker – Real-Time Flight Tracker Map. URL: https://www.flightradar24.com (from: 29.05.2023).
Iowa Environmental Mesonet. URL: https://mesonet.agron.iastate.edu/request/download.phtml (from: 29.05.2023).
Aircraft Type Designators. URL: https://www.icao.int/publications/doc8643/pages/search.aspx (from: 29.05.2023).
Open data @ OurAirports. URL: https://ourairports.com/data (from: 29.05.2023).
Histogram Boosting Gradient Classifier. URL: https://www.analyticsvidhya.com/ blog/2022/01/histogram-boosting-gradient-classifier (from: 29.05.2023).
Imputation of missing values. URL: https://scikit-learn.org/stable/modules/ impute.html (from: 29.05.2023).
Stochastic Gradient Descent (v.2). URL: https://leon.bottou.org/projects/sgd (from:29.05.2023).
Choosing the right estimator. URL: https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html (from: 29.05.2023).
A Gentle Introduction to the Rectified Linear Unit (ReLU). URL:https://machinelearningmastery.com/rectified-linear-activation-function-for-deep-learning-neuralnetworks (from: 29.05.2023).
Gentle Introduction to the Adam Optimization Algorithm for Deep Learning. URL:https://machinelearningmastery.com/adam-optimization-algorithm-for-deep-learning (from: 29.05.2023).
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
