HAVAYOLU OPERASYONLARINDA YOLCU HİZMETLERİ KAYNAKLI GECİKMELERİN ÖNGÖRÜLMESİNDE MALİ VE OPERASYONEL OPTİMİZASYON

Year 2024, Volume: 10 Issue: 1, 118 - 131, 08.02.2024

Ahmet Selim Süzer

Abstract

Hava taşımacılığının dünya ticareti içerisinde yolcu taşımacılığının yanı sıra kargo taşımacılığında da önemli yere sahip olduğu bilinmektedir. En fazla cari ticari getiri kargodan sağlanmaktadır. Uçuşların iptali, gecikmesi ve müşteri memnuniyetsizliği sebebi ile oluşan diğer ticari kayıplar işletmeye büyük oranda zarar getirmektedir. Zararların nedenleri, uçuşları geciktiren ve iptal olmasına sebep olan hava durumu olayları, bürokratik sebepler, havalimanı işletmelerindeki işleyiş aksaklıkları ve uçak arızaları gibi öngörülemeyen problemlerdir. Bu öngörülemeyen aksaklıkların dünya hava ticaretindeki payı büyüktür Bir uçağın rötar yapması sonucu otoritelere ödediği büyük cezaların yanı sıra gecikmeyi karşı taraftan telafi edilebilmesi için taviz olarak ödenen büyük meblağlar da ticari kazançları olumsuz etkileyen en önemli sebeplerdendir.Çalışmada, öngörülemeyen durumlar çeşitli tahmin yöntemleriyle incelenmiştir. Bu yöntemlerden, Yapay Sinir Ağları yapısı kullanılarak önceki senelerin verileri ile uçuş gecikmeleri yapay öğrenme algoritmaları yöntemiyle tahmin edilmiş ve gerçekleşen uçuş gecikmeleri ile karşılaştırılarak doğruluğu ispat edilmiştir. Bu yöntemde Yapay Sinir Ağlarının LM (Leven Marquardt) ileri beslemeli geri yayılım algoritmasında çeşitli ağ katman sayılarında denemeler sonuç vermiştir. Araştırmada kullanılan yapay sinir ağı modeli geliştirilmesinde 10 yıllık veriler ve modelin uygunluk tespitinde son 5 yıl verileri kullanılmıştır. Nüfus ve gayrisafi milli hasıla bağımsız değişken olarak seçilmiş, bağımlı değişkenler yolcu-km, yük-km, araç-km olarak değerlendirilmiştir. Elde edilen sonuçların doğruluk değerlerinin görülmesi için MAPE, MAD, MSE, RMSE ve R2 analizleri ile karşılaştırılmıştır. Nitekim analizler ışığında, ticari sıkıntılar için öngörülebilirliğin kayda değer sonuçlar verdiği bulunmuştur. Yapılan bu çalışmaya göre hava yolları işletmeleri önerilen ağ yapısına geçmiş on senelik verileri bölüm 2’de anlatıldığı üzere “carrier_ct”, “weather_ct”, “nas_ct” ve “late_aircraft_ct” verilerini giriş verisi olarak kullanarak bir yapay öğrenme elde etmesi sonucunda uçuş gecikmelerini tahmin etmek amacıyla kullanacaktır. Bu tahminler son on senenin gecikme süreleriyle karşılaştırılarak tahmin yüzdesi yüksek olan kısımların giriş verilerini etkileyen kısımlarını yapay öğrenme kestirimiyle yapay ağırlıklandırma sayesinde gerçeğe yakın sonuçlar elde edilmesiyle uçuş gecikmelerini tahmin edebilecektir. Bu ağırlıklandırma yapılırken Yapay Sinir Ağları uçuşu etkileyen giriş parametreleri zaman dilimlerindeki şartlara göre etki miktarını hesaplayarak daha doğru tahmin elde edilmesini sağlamaktadır.Bu yapılan çalışma hem hava yollarının itibarını hem de mali zararlarının azaltılacağı yönünde tahminler ortaya koymuştur.

Keywords

Yapay sinir ağları, Gecikmeler, Havayolu işletme öngörüleri, Uçuş gecikme tahmini

Project Number

no

References

• Airport, P. S. (2020). Flight Delay İn USA. Phoenix : All rights reserved.
• Akbaba, A. (2021). Havayolu Operasyon Yönetiminde Stratejilerin Entegrasyonu ile İlgili Balanced Score Card Uygulaması, Üçüncü Sektör Sosyal Ekonomi Dergisi, 56(1), 371-389
• Akbaba, A. (2022). Düzensiz Operasyonların Havayolu Ücret Politikalarına ve Gelir Yönetimine Etkisi Üzerine Modelleme. İşletme Araştırmaları Dergisi, 14(4), 2833–2847.
• Akbaba, A., (2021). Havayolu Operasyon Yönetiminde Meteoroloji Kaynaklı Aksaklıklar, Üçüncü Sektör Sosyal Ekonomi Dergisi, 56(4), 2665-2682.
• Akbaba, A., (2021). Havayolu Operasyon Yönetiminde Notam Yayınlarından Kaynaklanan Aksaklıklar, Üçüncü Sektör Sosyal Ekonomi Dergisi, 56(2), 1104-1127
• Akoğlu, B. (2020). Dünyada Hava Kargo Taşımacılığı Pazarı ve Türkiye’nin Yeri. Ekonomi, İşletme ve Yönetim Dergisi, 30-51.
• Başal, M., & Şarkbay, Ö. F. (2020). Acil Servis Çalışanlarının İş Tatmini ve Hasta Memnuniyeti: Özel Hastane Örneği. Journal of Social and Humanities Sciences Research, 7(61).
• Cheng, J. (2014). Risk Management Using Big Real Time Data. Unıversity Of Stavanger, Master Thesis.
• Choi, C. (2011). “When it comes to weather-related flight cancellations, airlines are off the hook’. Boston: Boston.com. AP. Archived from the original on .
• Cleaning snow off the Somerville train station platform after snow fell overnight, w. m. (tarih yok).
• Dey, T. P. (2009). Minimizing Flight Delay. Data Expo. Washington.
• EC, R. (2021). Eur-lex.europa. “Regulation (EC) No 261/2004”. eur-lex.europa.eu. Retrieved 2021-01-23. adresinden alındı
• Eur-lex.europa.eu. (2021-01-23). Regulation (EC) No 261/2004. Fleurquin, P. R. (2013). Data-driven modeling of systemic delay propagation under severe meteorological conditions. Tenth USA/Europe Air Traffic Management Research and Development Seminar,Chicago., 1-9.
• Guy, A. B. (2010). Flight delays cost $32.9 billion, passengers foot half the bill. Berkeley News: https://news.berkeley.edu/2010/10/18/flight_delays/ adresinden alındı
• Home Drill Chart. (2021). transtats. www.transtats.bts.gov/HomeDrillChart.asp adresinden alındı
• http://www.dot.gov/airconsumer/air-travel-consumer-reports. (tarih yok). FAA Delay CustomerRreports. USA.
• https://economictimes.indiatimes.com/industry/transportation/airlines-/-aviation/domestic-passenger-traffic-slips-to-10-year-low-in-pandemic-hit-fy21/articleshow/81935235.cms?utm_source=contentofinterest&utm_medium=text&utm_campaign=cppst. (tarih yok).
• https://economictimes.indiatimes.com/industry/transportation/airlines-/-aviation/domestic-passenger-traffic-slips-to-10-year-low-in-pandemic-hit-fy21/articleshow/81935235.cms?utm_source=contentofinterest&utm_medium=text&utm_campaign=cppst. (tarih yok).
• https://rstudio-pubs-static.s3.amazonaws.com/541017_d993971330074cfea4a99c076fd5ef04.html. (2021). DATA 606 Data Project Proposal.
• https://www.regulations.gov/document/DOT-OST-2000-8164-0059. (2002). Posted by the Department of Transportation on Nov 25, 2002.
• https://www.transtats.bts.gov/HomeDrillChart.asp. (2008).
• https://www.transtats.bts.gov/HomeDrillChart.asp. (2020).
• https://www.transtats.bts.gov/HomeDrillChart_Month.asp. (2020).
• Konyalilar,N. (2020) Havacılıkta İnsan Faktörleri/Görevler(2021).
• Martinez, V. (2012). Flight Delay Prediction. Swiss Federal Institute of Technology Zurich, Department of Computer Science, Master’s Thesis.
• Mukherjee, A. G. (2014). Predicting Ground Delay Program At An Airport Based On Meteorological Conditions. I. a. 14th AIAA Aviation Technology (Dü.). içinde Atlanta., 2014-2713.
• Robinson, P. J. (1989). The influence of weather on flight operations at the Atlanta Hartsfield International Airport. Weather and forecasting,. s. 461-468.
• Sridhar, B. W. (2009). Modeling Flight Delays and Cancellations at the National. Regional and Airport Levels in the United States. Eighth USA/Europe Air Traffic Management Research and Development Seminar(ATM2009).
• Statistics, B. (2021). Delay of USA Air Transport . Bureau.
• Times, T. E. (2021). Domestic passenger traffic slips to 10-year low in pandemic-hit FY21. The Economic Times: https://economictimes.indiatimes.com/industry/transportation/airlines-/-aviation/domestic-passenger-traffic-slips-to-10-year-low-in-pandemic-hit-fy21/articleshow/81935235.cms?utm_source=contentofinterest&utm_medium=text&utm_campaign=cppst adresinden alındı.
• Union, E. (tarih yok). Editing Flight cancellation and delay (section). https://en.wikipedia.org/w/index.php?title=Flight_cancellation_and_delay&action=edit&section=2 adresinden alındı.
• Valdez, J. (2000). NWS reinventing goals for 2000. National Weather Service, National Oceanic and Atmospheric Administration, United States Department of Commerce, Washington, DC , 5(5).
• www.transtats.bts.gov/OT_Delay/OT_DelayCause1.asp. (2021).
• Xu, N. S. (2008). Multi-Factor Model For Predicting Delays At U.S. Airports. . Transportation Research Record Journal Of The Transportation Research Board, 62-71.
• Yu, R. (2011). New rules for airlines kick in this week to protect fliers. USA .
• Zein, A., & Eldin, R. (2014). A Neural Network Model For Flights Delay: Classification And Prediction. Global Journal Of Engıneering Science And Researches, 13-22 .1(6).
• Zonglei, L. J. (2008). A New Method to Alarm Large Scale of Flights Delay Based on Machine Learning. International Symposium on Knowledge Acquisition and Modeling, 589-592.