تشخیص ناهنجاریهای داده شرکت هواپیمایی با استفاده از الگوریتم LOF ومدل یادگیری خودکار OPTUNA

رضایتمندی مسافران در پروازهای هوایی یکی از اهداف کلیدی شرکتهای هواپیمایی است، زیرا این موضوع تاثیر مستقیمی بر وفاداری مشتریان و رقابت پذیری در بازار دارد. با این حال، شناسایی عوامل موثر بر نارضایتی مسافران چالشی بزرگ محسوب می شود، زیرا داده های مرتبط با تجربیات مسافران ممکن است شامل نقاط آنومالی باشد؛ نقاطی که نشان دهنده تجربیات غیرمعمول یا خاص هستند. برای غلبه بر این چالش، تحلیل دقیق داده ها و شناسایی این نقاط ناهنجار ضروری است. مطالعات پیشین تلاش کرده اند از مدل های یادگیری ماشین برای تحلیل داده های رضایتمندی مسافران استفاده کنند، اما بسیاری از این تحقیقات نتوانسته اند نقاط آنومالی را به درستی شناسایی کنند یا ارتباط آنها را با ویژگی های کلیدی به طور کامل مورد بررسی قرار دهند. این محدودیت ها موجب شد تا در این پژوهش، مدل (LOF) Local Outlier Factor به عنوان رویکردی برای شناسایی نقاط انومالی در داده های مرتبط با رضایتمندی مسافران خطوط هوایی استفاده شود. سپس با استفاده از ابزار Optuna، پارامترهای کلیدی مدل LOF مانند تعداد همسایه ها (n_neighbors) و میزان آلودگی به ناهنجاری (contamination) بهینه سازی گردید. در این پژوهش، ابتدا مجموعه داده ی Airline Passenger Satisfaction انتخاب شد و مراحل پیش پردازش شامل پاکسازی داده ها، مدیریت مقادیر گمشده، تبدیل متغیرهای طبقه بندی شده به مقادیر عددی و استانداردسازی داده ها انجام شد. سپس مدل LOF برای شناسایی نقاط ناهنجار اعمال گردید. نتایج نشان داد که شاخص هایی نظیر تاخیر پرواز (افزایش ۳۶%) و زمان انتظار (افزایش ۳۳%) بیشترین تاثیر را بر ایجاد آنومالی داشتند.

کلیدواژه ها:

رضایتمندی مسافران ، نقاط ناهنجار ، LOF ، بهینه سازی پارامترها ، یادگیری ماشین