Predicting Ticket Prices Per Flight Kilometer in Airline Operations Using Machine Learning Algorithms

Öz

This study aims to predict price per kilometer (PPK) in the Turkish domestic airline market using machine learning methods and to compare the predictive performance of different algorithms. It uses 1,014 flight observations from three airlines operating in the Turkish domestic market and employs linear regression (LR), support vector regression (SVR), and random forest regression (RFR) models. The models were evaluated under 80%-20% and 70%-30% training-test split scenarios using MSE, RMSE, MAE, and R² metrics. Results indicate that RFR model achieved the highest predictive performance under both data-splitting scenarios. Furthermore, Feature Importance and SHAP analyses revealed that special days, flight distance, and the number of days remaining until the flight were the most influential variables in PPK prediction. Findings demonstrate that PPK can serve as an alternative indicator for comparing routes with different flight distances and that machine learning-based PPK prediction can support airlines’ revenue management and decision-support processes.

Anahtar Kelimeler

• Airline pricing
• price per kilometer
• machine learning
• random forest regression
• revenue management
• decision support system

Destekleyen Kurum

unavailable

Etik Beyan

I declare that all processes of this study comply with research and publication ethics and that I have adhered to ethical rules and principles of scientific citation.

Teşekkür

unavailable

Havayolları İşletmelerinde Makine Öğrenmesi Algoritmaları ile Seferlerin Uçuş Kilometre Başına Bilet Fiyatlarının Tahmini

Öz

Bu çalışmada, Türkiye iç hat havayolu pazarında kilometre başına bilet fiyatının (PPK) makine öğrenmesi yöntemleriyle tahmin edilmesi ve farklı algoritmaların performanslarının karşılaştırılması amaçlanmaktadır. Araştırmada, üç havayoluna ait 1014 uçuş gözlemi kullanılmış; LR (lineer regresyon), SVR (destek vektör regresyonu) ve RFR (rastgele orman regresyonu) modelleri uygulanmıştır. Modeller %80-%20 ve %70-%30 eğitim-test senaryolarında değerlendirilmiş ve MSE, RMSE, MAE ve R² ölçütleri kullanılmıştır. Bulgular, her iki veri bölünmesinde de RFR modelinin en yüksek tahmin performansını gösterdiğini ortaya koymuştur. Ayrıca Feature Importance ve SHAP analizleri, özel günler, uçuş mesafesi ve uçuş tarihine kalan gün sayısının PPK tahmininde göreli en önemli değişkenler olduğunu göstermiştir. Çalışma, PPK'nın farklı uzunluktaki rotaların karşılaştırılmasında kullanılabilecek alternatif bir gösterge olduğunu ve makine öğrenmesi tabanlı PPK tahmininin havayollarının gelir yönetimi ve karar destek süreçlerine katkı sağlayabileceğini ortaya koymaktadır.

Anahtar Kelimeler

• Havayolu fiyatlandırması
• kilometre başına bilet fiyat
• makine öğrenmesi
• rastgele orman regresyonu
• gelir yönetimi
• karar destek sistemi

Destekleyen Kurum

yok

Etik Beyan

Çalışmanın tüm süreçlerinin araştırma ve yayın etiğine uygun olduğunu, etik kurallara ve bilimsel atıf gösterme ilkelerine uyduğumu beyan ederim.

Teşekkür

yok

Kaynakça

1. Aghayev, N., Nazarli, D. (2024), “Support Vector Machines for Forecasting Non-Scheduled Passenger Air Transportation”, Problems of Information Technology, 15(1): 3–9.
2. Airport Council International, (N.D), World Airport Traffic Forecast, https://store.aci.aero/form/lp-aci-world-airport-traffic-forecasts-2025-2054/?gad_source=1&gad_campaignid=19783984700&gbraid=0AAAAADJnGKy78_uVNFJbJJo_XajhB1DQB&gclid=CjwKCAjwl97RBhBWEiwAa9rbXX-3uPAV0FLIsgqzvzGPPKMmuIDkTSvMPWFH_gnhegYFNkC-XljUEBoC3HQQAvD_BwE (12. 05. 2026).
3. Akil, S., Sekkate, S., Adib, A. (2024), “Exploring Machine Learning Techniques for Oil Price Forecasting: A Comparative Study of SVM, SMO, And SGD-Base Models”, Procedia Computer Science, 232: 924–933.
4. Bülbül, K. G. (2025), “Airfare Prediction: Leveraging Market Data for Better Decision-Making”, Research in Transportation Business & Management, 61: 101408.
5. Degife, W. A., Lin, B. S. (2023), “Deep-Learning-Powered Gru Model for Flight Ticket Fare Forecasting”, Applied Sciences, 13(10): 6032.
6. Doz, D., Cotič, M., Felda, D. (2023), “Random Forest Regression in Predicting Students’ Achievements and Fuzzy Grades”, Mathematics, 11(19): 4129.
7. Eren, E. C., Zhang, Z., Rauch, J., Kumar, R., Kallesen, R. (2024), “Revenue Management Without Demand Forecasting: A Data-Driven Approach for Bid Price Generation”, Journal of Revenue and Pricing Management, 23(6): 499–516.
8. Ertürk, M., Emeç, M., Atılgan Sarıdoğan, A., Küçükgergerli, N. (2025), “ARGE-SCALE Airline Ticket Price Prediction Using Ensemble Machine Learning Algorithms”, Nişantaşı Üniversitesi Sosyal Bilimler Dergisi, 13(1): 436-446.

9. Gao, J. (2023), “R-Squared (R2) – How Much Variation Is Explained?”, Research Methods in Medicine & Health Sciences, 5(4): 104–109.
10. Gönsch, J. (2017), “A Survey on Risk-Averse and Robust Revenue Management”, European Journal of Operational Research, 263(2): 337–348.
11. Grehan, J., Ignatyev, D., Zolotas, A. (2023), “Fault Detection in Aircraft Flight Control Actuators Using Support Vector Machines”, Machines, 11(2): 211.
12. Kaggle (N.D), Airline Ticket Price dataset, https://www.kaggle.com/datasets/samanemami/airline-ticket-price-dataset-atp1d?resource=download, (11. 04 2026).
13. Keleş, A. (2020), “Makine Öğrenme Yöntemleri ile Uçak Bilet Fiyatlarinin Tahmini”, Euroasia Journal of Mathematics Engineering Natural and Medical Sciences, 7(11): 1–2.
14. Kim, S., Bae, S., Jang, M. (2022), “Linear Regression Machine Learning Algorithms for Estimating Reference Evapotranspiration Using Limited Climate Data”, Sustainability, 14(18): 11674.
15. Koç, İ., Arslan, E. (2021), “Dynamic Ticket Pricing of Airlines Using Variant Batch Size Interpretable Multi-Variable Long Short-Term Memory”, Expert Systems with Applications, 175: 114794.
16. Korkmaz, H. (2024), “Prediction of Airline Ticket Price Using Machine Learning Method”, Journal of Transportation and Logistics, 9(2): 205–218.
17. Nagagopiraju, V., Umamaheswari, S., Sailakshmi, M., Hussain, M. Y., Ahmad, S. N. (2025), “Machine Learning-Based Airline Ticket Price Prediction”, International Journal of Communication Networks and Information Security, 17(3): 176–181.
18. OpenFlights (N.D), Airport, Airline and Route Data, https://openflights.org/data.php, (12. 04, 2026). Phillips, R. (2021), Pricing and Revenue Optimization (2nd ed.), Stanford University Press, California.
19. Rajawat, A. S., Mohammed, O., Shaw, R. N., Ghosh, A. (2022), “Renewable Energy System for Industrial Internet of Things Model Using Fusion-AI”. In Applications of AI and IOT in Renewable Energy: 107-128, Academic Press, Cambridge.
20. Razzaq, K., Shah, M. (2025), “Machine Learning and Deep Learning Paradigms: From Techniques to Practical Applications and Research Frontiers, Computers, 14(3): 93.
21. Selçuk, A. M., Avşar, Z. M. (2019), Dynamic Pricing in Airline Revenue Management, Journal of Mathematical Analysis and Applications, 478(2): 1191–1217.
22. Singh, S. K., Tiwari, A. K., Paliwal, H. (2023), “A State-of-The-Art Review on the Utilization of Machine Learning in Nanofluids, Solar Energy Generation, and the Prognosis of Solar Power”, Engineering Analysis with Boundary Elements, 155: 62–86.
23. Vinod, B. (2021), Revenue Management in the Airline Industry: A Practical Pricing Perspective, Routledge, Oxfordshire.
24. Vural, M. F., Aydınoğlu, N. (2025), “Savaşa Yönelik Tutum ile Çalışma Motivasyonu İlişkisinde Mesleki Tutumların Aracılık Etkisi: Havacılık Yönetimi Öğrencileri Örneği”, Anadolu İktisat ve İşletme Dergisi, 9(1): 48-64.
25. Wang, S., Liu, T., Ding, L. (2022), “Airline Ticket Price-Prediction Model Based on Integrated Feature Extraction”, Journal of Computational Methods in Sciences and Engineering, 22(4): 1053–1068.
26. Wong, P., Thant, P., Yadav, P., Antaliya, R., Woo, J. (2023), “Using SPARK Machine Learning Models to Perform Predictive Analysis on Flight Ticket Pricing Data”, arXiv preprint: 2310.07787.
27. Yazgan, H., Candan, G., Ataman, M., (2019), “Talep Tahmini ve Dinamik Fiyatlandırma ile Havayolu Bilet Fiyatlarının Belirlenmesi”, Journal of Business Research-Turk, 11: 732-742.
28. Zhao, Z., You, J., Gan, G., Li, X., Ding, J. (2022), Civil Airline Fare Prediction with a Multi-Attribute Dual-Stage Attention Mechanism”, Applied Intelligence, 52(5): 5047–5062.