پیشبینی رضایتمندی مسافران خطوط هوایی با معماری ترکیبی BLSTM و مکانیزم توجه

صنعت هوایی به عنوان یکی از ارکان اصلی حمل و نقل جهانی، همواره با چالش جلب رضایت مسافران روبه رو است. در این پژوهش، یک مدل پیشبینی کننده رضایتمندی مسافران با استفاده از شبکه عصبی حافظه بلندمدت دوطرفه (BLSTM) و مکانیزم توجه ارائه شده است. داده های مورد استفاده شامل ۸۸,۹۲۱ نظر مسافران از خطوط هوایی بین المللی است که ۳۲ ویژگی کلیدی مانند کیفیت خدمات پرواز، راحتی صندلی، تاخیر پرواز و رفتار پرسنل را پوشش می دهد. پس از پیش پردازش داده ها، سه مدل LSTM، BLSTM و BLSTM مبتنی بر مکانیزم توجه مورد ارزیابی قرار گرفتند. نتایج نشان می دهد مدل پیشنهادی (BLSTM با مکانیزم توجه) با دقت ۷۷.۵۹% (براساس معیار F۱-Score) عملکرد بهتری نسبت به مدل های مرجع (مانند Random Forest با دقت ۹۷.۸۸% و SVM با دقت ۷۸%) دارد. این بهبود عملکرد ناشی از توانایی مدل در پردازش دوطرفه اطلاعات تاریخی و آینده نگر (BLSTM)، تمرکز بر ویژگی های کلیدی با مکانیزم توجه، کاهش نویز در داده های پیچیده نظرسنجی می باشد. همچنین، این چارچوب را می توان برای تحلیل رضایت در سایر صنایع خدماتی تعمیم داد.

کلیدواژه ها:

صنعت هوایی ، مکانیزم توجه ، رضایتمندی مسافران ، شبکه عصبی ، BLSTM