مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

پیش‌بینی تأخیر در پروازها در فرودگاه بین‌المللی امام خمینی: یک رویکرد مبتنی بر XGBoost

نوع مقاله : مقاله پژوهشی

نویسندگان
کتایون کهریزی 1
عباس اسدی 2
سید احمد شایان نیا 3
1 گروه مدیریت فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 گروه مدیریت بازاریابی، واحد ورامین-پیشوا، دانشگاه آزاد اسلامی، ورامین، ایران
3 گروه مدیریت صنعتی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران
bumara.3.2.11235564.35886779
چکیده
تاخیر در پروازها یکی از چالش‌های اساسی در صنعت هوانوردی است که منجر به نارضایتی مسافران، خسارات مالی برای شرکت‌های هواپیمایی و اختلال در عملیات فرودگاهی می‌شود. اگرچه مطالعات بسیاری به بررسی عوامل موثر بر تاخیر پرداخته‌اند، اما همچنان نیاز به تحقیقات بیشتری در این زمینه، به ویژه در خصوص استفاده از الگوریتم‌های پیشرفته یادگیری ماشین و بررسی تأثیر عوامل مختلف بر تاخیرها در فرودگاه‌های خاص وجود دارد. در این پژوهش، با استفاده از الگوریتم یادگیری درختی XGBoost و زبان برنامه‌نویسی 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 پیش‌بینی دقیق برای تاخیر پروازها و شناسایی عوامل کلیدی مؤثر بر آن‌ها است. با تحلیل داده‌های تاریخی پروازها و اطلاعات هواشناسی، مدل پیش‌بینی 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 می‌دهد 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 یافته‌ها می‌توانند به تصمیم‌گیری آگاهانه‌تر در مدیریت فرودگاه، برنامه‌ریزی پروازها و کاهش تأخیرها کمک کنند و در نهایت منجر به بهبود کارایی عملیاتی و افزایش رضایت مسافران شوند.
کلیدواژه‌ها
تاخیر پرواز
الگوریتم
XGBoost شرایط آب و هوایی
فرودگاه امام خمینی
مدل پیش بینی

موضوعات

عنوان مقاله English

Predicting Flight Delays at Imam Khomeini International Airport: An XGBoost-Based Approach

نویسندگان English

Katayoun Kahrizi 1
Abbas Asadi 2
Seyed Ahmad Shayannia 3
1 Information Technology Management Department, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Marketing Management Department, Varamin-Pishva Branch, Islamic Azad University, Varamin, Iran
3 Industrial Management Department, Firouzkouh Branch, Islamic Azad University, Firouzkouh, Iran
چکیده English

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.

کلیدواژه‌ها English

Flight Delay
XGBoost Algorithm
Weather Conditions
Imam Khomeini International Airport
Prediction Model
صنیعی‌آباده, م., محمودی, س., & طاهرپرور, م. (1396). داده‌کاوی کاربردی. نیاز دانش.
اسماعیلی, م. (1398). آموزش گام به گام داده کاوی با RapidMiner. آتی نگر.
غضنفری, م., علیزاده, س., & تیمورپور, ب. (1398). داده کاوی و کشف دانش. دانشگاه علم و صنعت ایران.
Berry, M. J., & Linoff, G. S. (2009). Data mining techniques. John Wiley & Sons.
Borsky, S., & Unterberger, C. (2019). Bad weather and flight delays: The impact of sudden and slow onset weather events. Economics of transportation, 18, 10-26.
de Oliveira, M., Eufrásio, A. B. R., Guterres, M. X., Murça, M. C. R., & de Arantes Gomes, R. (2021). Analysis of airport weather impact on on-time performance of arrival flights for the Brazilian domestic air transportation system. Journal of Air Transport Management, 91, 101974.
Han, J., Pei, J., & Tong, H. (2022). Data mining: concepts and techniques. Morgan kaufmann.
https://en.wikipedia.org/wiki/Decision_tree. 
Kaewunruen, S., Sresakoolchai, J., & Xiang, Y. (2021). Identification of weather influences on flight punctuality using machine learning approach. Climate, 9(8), 127.
Kim, S., & Park, E. (2024). Prediction of flight departure delays caused by weather conditions adopting data-driven approaches. Journal of Big Data, 11(1), 11.
Kleinberg, E. M. (1990). Stochastic discrimination. Annals of Mathematics and Artificial intelligence, 1, 207-239.
Kotsiantis, S. (2011). Combining bagging, boosting, rotation forest and random subspace methods. Artificial Intelligence Review, 35, 223-240.
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785-794). ACM.  
Li, K., & Jing, Y. (2021). Airport individual flight delay prediction model considering local effects and network effects. Journal of Air Transport Management, 95, 102088.
 
Li, Q., & Jing, R. (2021). Generation and prediction of flight delays in air transport. IET Intelligent Transport Systems, 15(6), 740-753.
Li, Q., & Jing, R. (2022). Flight delay prediction from spatial and temporal perspective. Expert Systems with Applications, 205, 117662.
Li, Q., Jing, R., & Dong, Z. S. (2023). Flight delay prediction with priority information of weather and non-weather features. IEEE Transactions on Intelligent Transportation Systems.
Mokhtarimousavi, S., & Mehrabi, A. (2023). Flight delay causality: Machine learning technique in conjunction with random parameter statistical analysis. International Journal of Transportation Science and Technology, 12(1), 230-244.
Myles, A. J., Feudale, R. N., Liu, Y., Woody, N. A., & Brown, S. D. (2004). An introduction to decision tree modeling. Journal of Chemometrics: A Journal of the Chemometrics Society, 18(6), 275-285.
Qi, Y. (2012). Random forest for bioinformatics. Ensemble machine learning: Methods and applications, 307-323.
Song, Y.-Y., & Ying, L. (2015). Decision tree methods: applications for classification and prediction. Shanghai archives of psychiatry, 27(2), 130.
Wu, Y., Mei, G., & Shao, K. (2022). Revealing influence of meteorological conditions and flight factors on delays using XGBoost. Journal of Computational Mathematics and Data Science, 3, 100030.
Yan, A. (2020). A Survey on Tree-Based Machine Learning Methods: The Path to XGBoost and Generalized Random Forests.