Bu çalışmada, havacılık endüstrisinde ciddi bir sorun teşkil eden uçuşlarda yaşanan gecikmeler sonucu oluşabilecek maddi-manevi kayıpları önlemek ve uçuş gecikmesinin önceden tahmin edilerek gerekli önlemlerin alınabilmesi amacıyla makine öğrenmesi ve derin öğrenmeden oluşan üç farklı yöntem uygulanmıştır. Deep recurrent neural networks (DRNN), long-short term memory (LSTM) ve random forest (RF) yöntemleri kapsamlı bir şekilde test edilmiş ve dünya genelinde 368 havalimanını kapsayan gerçek bir veri seti kullanılarak uçuşların gecikme durumu tahmin edilmiştir. Deneysel sonuçlar, LSTM modelinin %96.50 recall değeriyle diğer modellere göre daha yüksek başarı oranına sahip olduğunu göstermiştir.
In this study, three different methods from machine learning and deep learning have been implemented for preventing financial and moral losses that may occur as a result of delays in flights and to take necessary precautions by predicting the flight delay in advance, which are a serious problem in the aviation industry. Deep recurrent neural network (DRNN), long-short term memory (LSTM), and random forest (RF) have been extensively tested and compared employing a real data set covering 368 airports across the world with relevancy the success rate of forecasting of delay on flights. The experimental results showed that the LSTM model had a higher success rate of 96.50% at the recall level than the others.
Primary Language | English |
---|---|
Subjects | Computer Software |
Journal Section | Articles |
Authors | |
Publication Date | July 31, 2022 |
Submission Date | January 20, 2022 |
Published in Issue | Year 2022 Volume: 15 Issue: 3 |