پیش بینی رضایتمندی مسافران خطوط هوایی با استفاده از شبکه های عصبی ترکیبی

صنعت هوایی یکی از مهم ترین صنایع جهان است که پس از شیوع COVID-۱۹ با تغییرات چشمگیری مواجه شد. کاهش شدید تعداد مسافران چالش های جدی را برای شرکت های هواپیمایی ایجاد کرد و با بهبود شرایط، ضرورت ارائه خدمات باکیفیت برای افزایش رضایتمندی و وفاداری مسافران اهمیت بیشتری یافت. در این راستا، بهره گیری از فناوری های نوین و یادگیری عمیق می تواند نقش موثری در پیش بینی میزان رضایت مسافران و بهینه سازی خدمات ایفا کند. در این پژوهش، یک مدل ترکیبی مبتنی بر شبکه های حافظه بلند-کوتاه مدت دوطرفه (BiLSTM) ، شبکه عصبی پیچشی (CNN) همراه با مکانیزم توجه برای پیش بینی میزان رضایتمندی مسافران ارائه شده است. BiLSTM برای پردازش داده های متنی و درک وابستگی های زمانی طولانی مدت مکانیزم توجه برای تمرکز بر ویژگی های مهم و نادیده گیری اطلاعات کم اهمیت و CNN برای استخراج ویژگی های کلیدی از داده ها به کار گرفته شده اند. در مدل پیشنهادی خروجی BiLSTM همراه با مکانیزم توجه با CNN ترکیب می شوند. این ترکیب موجب بهره گیری همزمان از توانایی های پردازش توالی های زمانی(BiLSTM) به همراه اعمال مکانیزم توجه و همچنین استخراج ویژگی های محلی (CNN) شده و دقت و عملکرد مدل را در پیش بینی رضایتمندی مسافران بهبود داده است. مجموعه داده مورد استفاده شامل ۱۲۹۸۸۰ نمونه از نظرات مسافران بوده و شامل ۲۴ ویژگی است. برچسب نهایی این داده ها میزان رضایتمندی مسافران را با دو مقدار "راضی" و "ناراضی" مشخص می کند. نتایج آزمایش ها نشان می دهد که ترکیب این سه بخش (BiLSTM + CNN + Attention) با دقت ۹۹/۷۵٪،یادآوری ۹۹/۹۷٪ و معیار F۱، ۹۹/۸۶٪ بهترین عملکرد را در پیش بینی رضایتمندی مسافران ارائه داده است، بنابراین، مدل پیشنهادی می تواند به شرکت های هواپیمایی در بهبود کیفیت خدمات و افزایش وفاداری مسافران کمک شایانی کند.

کلیدواژه ها:

صنعت هوایی ، شرکت های هواپیمایی ، BiLSTM ، رضایتمندی مسافران ، شبکه عصبی پیچشی ، وفاداری مسافران