Havayolu bozulma yönetiminde gecikme tahmini için makine öğrenmesi algoritmaları ile sınıflandırma

Yıl 2024, , 2031 - 2040, 20.05.2024

Nevra Yaman , Ediz Atmaca

https://doi.org/10.17341/gazimmfd.1199784

Öz

Son yıllarda havacılık sektöründe artan rekabet ile birlikte havayolu şirketleri operasyonlarını daha verimli şekilde yönetmeye yönelmişlerdir. Havayolunda çizelgeleme faaliyetleri uçuş çizelgeleme, uçak çizelgeleme, ekip çizelgeleme ve beklenmedik olayların yönetimi olarak dört aşamada gerçekleştirilmektedir. İlk üç aşamada, sistem için uygulanabilir bir uçuş çizelgesi meydana getirilmekte ve son aşamada ise uçuşların gerçekleşmesi esnasında ortaya çıkan aksaklıklara çözüm aranmaktadır. Havayolu şirketleri uçuşlarda ortaya çıkan aksaklıklarda ciddi bir zaman kaybı ve maliyet kısıtı ile karşılaşmaktadır. Uçuş aksaklıkları yönetiminin en zor tarafı, uzun dönemler boyunca geliştirilen planların dakikalarla ifade edilebilecek bir süre içerisinde yeniden çizelgelenmesi zorunluluğudur. Uçuş aksaklıkları ortaya çıktığında, yeniden çizelgeleme durumunda, şirketlerin geleneksel yöntemlere, sezgilere ya da deneyime dayalı kararlar vermeleri ve operasyonlardaki ayrıntıların fazlalığı kararı olumsuz yönde etkilemektedir. Yapılan çalışmada, havayolu şirketinde uçuş aksaklıkları ile alakalı yeniden çizelgeleme sürecinde; risk faktörlerini belirlemek, anlamlı veriye kolayca ulaşmak ve karar vermeye yardımcı olmak üzere uçuşlar için gecikme tahmini yapılması amacıyla makine öğrenmesi algoritmaları kullanılmıştır. Makine öğrenmesinin, geçmiş verilerden anlamlı yeni bilgiler çıkararak yeniden çizelgeleme konusunda karar vericiye destek olması sağlanmış ve sınıflandırma algoritmaları ile uçuş gecikmeleri tahmin edilmiştir. Böylece, uçuşlar izlenirken hem gerçekleşen hem de gerçekleşme ihtimali olan gecikmelerin önceden görülerek gerekli önlemlerin alınabilmesi sağlanmıştır.

Anahtar Kelimeler

Yeniden Uçuş Çizelgeleme, Bozulma Yönetimi, Uçuş Gecikme Tahmini, Makine Öğrenmesi

Kaynakça

• 1. Murphy, K., P., “Machine Learning A Probabilistic Perspective”, The MIT Press Cambridge, Massachusetts, 2012.
• 2. Portugal, I., Alencar, P., Cowan, D., “The use of machine learning algorithms in recommender systems: A systematic review”, Expert Systems With Applications, 97 (2018) 205-227.
• 3. Bertolini, M., Mezzogori, D., Neroni, M., Zammori, F., “Machine Learning for industrial applications: A comprehensive literature review”, Expert Systems With Applications, 175 (2021) 114820.
• 4. Yakut, E., “Veri madenciliği tekniklerinden C5.0 algoritması ve destek vektör makineleri ile yapay sinir ağlarının sınıflandırma başarılarının karşılaştırılması: imalat sektöründe bir uygulama”, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü, Doktora Tezi, 2012.
• 5. https://medium.com/@k.ulgen90/makine-%C3%B6%C4%9Frenimi-b%C3%B6l%C3%BCm-2-6d6d120a18e1
• 6. Abdelghany,K., F., Shah, S., S., Raina, S., Abdelghany, A., F., “A model for projecting flight delays during irregular operation conditions”, Journal of Air Transport Management, 10 6 (2004) 385–394.
• 7. Kohl, N., Larsen, A., Larsen, J., Ross, A., Tiourine, S., “Airline disruption management—Perspectives, Experiences and Outlook”, Journal of Air Transport Management 13 (2007) 149–162.
• 8. Assent, I, Krieger, R., Welter, P., Herbers, J., Seidl, T., “Data Mining For Robust Flight Scheduling”, ResearchGate, 2009.
• 9. Serrano, F. J. J., Kazda, A., “Airline disruption management: yesterday, today and tomorrow”, Transportation Research Procedia 28 (2017) 3–10.
• 10. Carvalho, L., Sternberg, A., Gonçalves, L.M., Cruz, A. B., Soares, L.A., Brandão, D., “On the relevance of data science for flight delay research: a systematic review”, Transport Reviews, 41:4 (2020), 499-528.
• 11. Rebollo, J. J., Balakrishnan, H.. “Characterization and Prediction of Air Traffic Delays.” Transportation Research Part C: Emerging Technologies 44 (2014) 231–241.
• 12. L. Belcastro, F. Marozzo, D. Talia, and P. Trunfio. Using scalable data mining for predicting flight delays. ACM Transactions on Intelligent Systems and Technology, 8(1), 2016.
• 13. Ariyawansa, C., Aponso, A., “Review on state of art data mining and machine learning techniques for intelligent Airport systems”, In Proceedings of 2016 International Conference on Information Management, ICIM 2016, 134–138.
• 14. Sternberg, A., Soares, J., Carvalho, D., Ogasawara, E., “A Review on Flight Delay Prediction”, Transport Reviews, 2017.
• 15. Achenbach, A., Spinler, S., “Prescriptive analytics in airline operations: Arrival time prediction and cost index optimization for short-haul flights”, Operations Research Perspectives, 5 (2018) 265-279.
• 16. Yu, B., Guo, Z., Asian, S., Wang, H., Chen, G., “Flight delay prediction for commercial air transport: A deep learning approach”, Transportation Research Part E, 125 (2019) 203-221.
• 17. Lambelho, M., Mitici, M., Pickup, S., Marsden, A., “Assessing strategic flight schedules at an airport using machine learning-based flight delay and cancellation predictions”, Journal of Air Transport Management, 82 (2020) 101737.
• 18. Khan, W.A., Ma, H., Chung, S., Wen, X., “Hierarchical integrated machine learning model for predicting flight departure delays and duration in series”, Transportation Research Part C, 129 (2021) 103225.
• 19. Bao, J., Yang, Z., Zeng, W., “Graph to sequence learning with attention mechanism for network-wide multi-step-ahead flight delay prediction”, Transportation Research Part C, 130 (2021) 103323.
• 20. Guo, Z., Yu, B., Hao, M., Wang, W., Jiang, Y., Zong, F., “A novel hybrid method for flight departure delay prediction using Random Forest Regression and Maximal Information Coefficient”, Aerospace Science and Technology, 116 (2021) 106822.
• 21. Shao, W., Prabowo, A., Zhao, S., Koniusz, P., Salim, F.D., “Predicting Flight Delay with Spatio-Temporal Trajectory Convolutional Network and Airport Situational Awareness Map”, Neurocomputing, 472 (2022) 280-293.
• 22. Akıncılar, A., “A New Approach For Robust Scheduling In Airline Scheduling Problems: Robust Aircraft Routing”, Gazi University, Institute of Science, PhD Thesis, 2018.