Συντάχθηκε 07-10-2024 09:59
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 09/10/2024 10:00
Λήξη: 09/10/2024 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Αλεξάνδρου Χατζηπέτρου
με θέμα
Πρόβλεψη Συμβάντος Καθυστέρησης Πτήσης βάσει Τεχνικών Μηχανικής Μάθησης
Predicting the Occurrence of Flight Delay based on Machine Learning Techniques
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Γ. Λαγουδάκης (επιβλέπων)
Καθηγητής Μιχάλης Ζερβάκης
Δρ. Βασίλειος Διακολουκάς
Περίληψη
Τα τελευταία χρόνια, έχει παρατηρηθεί έντονο ενδιαφέρον για την πρόβλεψη καθυστερήσεων πτήσεων, καθώς οι καθυστερήσεις πτήσεων είναι ένα πρόβλημα το οποίο έχει αντίκτυπο στην οικονομία μιας κοινωνίας, αλλά και στο περιβάλλον, αφού αυξάνουν την κατανάλωση καυσίμων και κατ' επέκταση τις εκπομπές διοξειδίου του άνθρακα. Σε αυτήν την κατεύθυνση, έχουν υλοποιηθεί προσεγγίσεις πρόβλεψης, οι οποίες βασίζονται σε στατιστικές και επιχειρησιακές μεθόδους, ενώ με την πρόοδο της τεχνολογίας οι τεχνικές Μηχανικής Μάθησης επίσης διαδραματίζουν καταλυτικό ρόλο στην ανάλυση και την πρόβλεψη καθυστέρησης μιας πτήσης. Ορμώμενοι από αυτά τα δεδομένα, στην παρούσα Διπλωματική Εργασία, εφαρμόσαμε αλγορίθμους Μηχανικής Μάθησης που αφορούν στην πρόβλεψη α) της μέσης καθυστέρησης αναχώρησης μιας πτήσης, β) της μέσης καθυστέρησης κατά την διάρκεια μιας πτήσης και γ) της μέσης συνολικής καθυστέρησης μιας πτήσης, χρησιμοποιώντας πραγματικά, χρονολογικά δεδομένα. Επιπλέον, η πρόβλεψη της συνολικής καθυστέρησης υλοποιήθηκε με δύο μεθόδους, είτε συναθροίζοντας τα αποτελέσματα των μοντέλων πρόβλεψης καθυστέρησης αναχώρησης και καθυστέρησης κατά τη διάρκεια μίας πτήσης, είτε εφαρμόζοντας ένα ενιαίο μοντέλο για την απευθείας πρόβλεψη της συνολικής καθυστέρησης. Για την υλοποίηση των αλγορίθμων πρόβλεψης, χρησιμοποιήσαμε παραδοσιακές τεχνικές Μηχανικής Μάθησης, και συγκεκριμένα Γραμμική Παλινδρόμηση, Πολυωνυμική Παλινδρόμηση, Παλινδρόμηση μέσω Διανυσμάτων Υποστήριξης (Support Vector Regression), αλλά και Νευρωνικά Δίκτυα. Με στόχο τη διερεύνηση της αποτελεσματικότητας των αλγορίθμων χρησιμοποιήθηκαν οι μετρικές του Μέσου Απολύτου Σφάλματος (Mean Absolute Error) και η Ρίζα του Μέσου Τετραγωνικού Σφάλματος (Root Mean Square Error), καθώς και η μετρική Συντελεστή Προσδιορισμού R-Squared, σε συνδυασμό με την τεχνική Cross Validation, ενώ λήφθηκε υπ’ όψιν και ο χρόνος εκτέλεσης της εκάστοτε υλοποίησης. Επιπλέον, μελετήθηκε και η συνεισφορά ενός νέου χαρακτηριστικού, αυτού της γνώσης προηγούμενων καθυστερήσεων, τόσο στο αεροδρόμιο άφιξης, όσο και στο αεροδρόμιο αναχώρησης. Εν κατακλείδι, η εφαρμογή της μεθοδολογίας μας σε ετήσιες πτήσεις ανάμεσα σε δύο πολυσύχναστα διεθνή αεροδρόμια των Ηνωμένων Πολιτειών Αμερικής (ΗΠΑ) καταδεικνύει ότι η χρήση αλγορίθμων Μηχανικής Μάθησης μπορεί να συμβάλλει στην πρόβλεψη της χρονικής καθυστέρησης πτήσεων, ενώ το νέο χαρακτηριστικό γνώσης προηγούμενων καθυστερήσεων έχει θετική συνεισφορά στις προβλέψεις.
Abstract
In recent years, there has been a great deal of interest in flight delay prediction, since flight delays have a negative impact on both the economy and the environment, as they increase fuel consumption and therefore carbon emissions. Statistical and operational methods for prediction have been employed in this area, and with the advent of technology, Machine Learning techniques serve also a catalytic role in the study and forecasting of flight delays. Prompted by the aforementioned facts, in this Diploma Thesis we applied Machine Learning methods to forecast a) the average departure delay of a flight, b) the average delay throughout a flight, and c) the average total delay of a flight, using real-world, chronological data. In addition, two strategies were used to estimate the overall delay: either by aggregating the findings of the departure delay and flight delay prediction models, or by applying a single model to predict the total delay directly. Traditional Machine Learning approaches, such as Linear Regression, Polynomial Regression, and Support Vector Regression, as well as Neural Networks, were employed to develop our predictions. To determine the efficacy of the algorithms, the Mean Absolute Error and Root Mean Square Error metrics were employed, along with the R-Squared Determination Coefficient metric, in conjunction with the Cross Validation approach, while the execution time of each implementation was also considered. In addition, the effect of a new heuristic factor, namely the knowledge of previous delays at both the arrival and departure airports, was examined. In conclusion, the application of our methodology to annual flights between two of the busiest international airports in the United States of America (USA) demonstrates that the use of Machine Learning algorithms can contribute to flight delay prediction, while the novel feature of knowing previous delays positively affects the accuracy of the predictions.
Meeting ID: 97931519456
Password: 085535
