پیش بینی تأخیر در پروازها در فرودگاه بین المللی امام خمینی: یک رویکرد مبتنی بر XGBoost
آرشیو
چکیده
تاخیر در پروازها یکی از چالش های اساسی در صنعت هوانوردی است که منجر به نارضایتی مسافران، خسارات مالی برای شرکت های هواپیمایی و اختلال در عملیات فرودگاهی می شود. اگرچه مطالعات بسیاری به بررسی عوامل موثر بر تاخیر پرداخته اند، اما همچنان نیاز به تحقیقات بیشتری در این زمینه، به ویژه در خصوص استفاده از الگوریتم های پیشرفته یادگیری ماشین و بررسی تأثیر عوامل مختلف بر تاخیرها در فرودگاه های خاص وجود دارد. در این پژوهش، با استفاده از الگوریتم یادگیری درختی XGBoost و زبان برنامه نویسی R، تأثیر شرایط آب و هوایی و عوامل مرتبط با پرواز بر تاخیر پروازها در فرودگاه امام خمینی مورد بررسی قرار گرفته است. هدف این پژوهش، توسعه یک مدل پیش بینی دقیق برای تاخیر پروازها و شناسایی عوامل کلیدی مؤثر بر آن ها است. با تحلیل داده های تاریخی پروازها و اطلاعات هواشناسی، مدل پیش بینی توسعه داده شده قادر به شناسایی عوامل کلیدی مؤثر بر تاخیرها بوده و به دقت 99.63 درصد در تشخیص تاخیر دست یافته است. نتایج این پژوهش نشان می دهد که عواملی همچون سرعت باد، بارش، دید، نوع هواپیما، زمان حرکت و مسیر پرواز، تأثیر قابل توجهی بر وقوع و مدت زمان تاخیرها دارند. این یافته ها می توانند به تصمیم گیری آگاهانه تر در مدیریت فرودگاه، برنامه ریزی پروازها و کاهش تأخیرها کمک کنند و در نهایت منجر به بهبود کارایی عملیاتی و افزایش رضایت مسافران شوند.Predicting Flight Delays at Imam Khomeini International Airport: An XGBoost-Based Approach
Flight delays represent a significant challenge in the aviation industry, leading to passenger dissatisfaction, financial losses for airlines, and disruptions in airport operations. While numerous studies have investigated the factors influencing delays, further research is needed, particularly in utilizing advanced machine learning algorithms and examining the impact of various factors on delays at specific airports. In this study, we leverage the XGBoost tree-based learning algorithm and the R programming language to investigate the influence of weather conditions and flight-related factors on flight delays at Imam Khomeini International Airport (IKIA). The objective is to develop an accurate flight delay prediction model and identify the key factors contributing to delays. By analyzing historical flight data and meteorological information, the developed prediction model effectively identifies key factors influencing delays, achieving a 99.63% accuracy in delay detection. The results indicate that factors such as wind speed, precipitation, visibility, aircraft type, departure time, and flight route significantly impact the occurrence and duration of delays. These findings can facilitate informed decision-making in airport management, flight scheduling, and delay mitigation, ultimately leading to improved operational efficiency and enhanced passenger satisfaction.
تبلیغات
