مدلسازی و پیش بینی قیمت بلیت پرواز با تکنیک های هوش مصنوعی و یادگیری ماشین

پیش بینی قیمت بلیت پرواز یکی از چالش های مهم در صنعت حمل و نقل هوایی است که تحت تاثیر عوامل متعدد و پیچیده ای مانند زمان سفر، مسیر، تعداد توقف ها، مدت زمان پرواز، فصل، تعطیلات و شرایط اقتصادی قرار دارد. دقت پیش بینی قیمت برای شرکت های هواپیمایی اهمیت بالایی دارد، زیرا می تواند به بهینه سازی فرآیند قیمت گذاری، افزایش درآمد و مدیریت منابع کمک کند، و همچنین برای مسافران امکان انتخاب زمان مناسب خرید بلیت و کاهش هزینه ها را فراهم می کند. هدف این پژوهش، بررسی و مقایسه مدل های مختلف یادگیری ماشین شامل Linear Regression، Random Forest، XGBoost، SVR و Neural Network برای پیش بینی دقیق قیمت بلیت است. داده ها شامل اطلاعات پروازهای داخلی بوده و پس از پیش پردازش و مهندسی ویژگی شامل استخراج روز و ماه سفر، ساعت و دقیقه حرکت و رسیدن، تعداد توقف ها و مدیریت مقادیر گمشده، به مجموعه های آموزش و تست تقسیم شدند. نتایج نشان داد که مدل های مبتنی بر درخت تصمیم و گرادیان بستینگ عملکرد بهتری نسبت به مدل های خطی و SVR دارند. به ویژه، XGBoost با MAE برابر ۱۲۶۳.۱۳، MSE برابر ۳.۵۱ میلیون و R² برابر ۰.۸۳۴ بهترین عملکرد را ارائه داد. مدل Random Forest نیز عملکرد مناسبی با MAE برابر ۱۱۹۲.۱۳ و R² برابر ۰.۷۸۷ داشت، در حالی که SVR کمترین دقت را نشان داد. این مطالعه نشان می دهد که انتخاب مدل مناسب، پیش پردازش داده ها و مهندسی ویژگی ها نقش کلیدی در بهبود دقت پیش بینی دارند. همچنین، یافته ها اهمیت استفاده از مدل های یادگیری ماشین پیشرفته را در ارائه پیش بینی های دقیق و کاربردی برای شرکت های هواپیمایی و مسافران نشان می دهد. پژوهش حاضر می تواند پایه ای برای توسعه سیستم های هوشمند رزرو و مدیریت فروش بلیت باشد و ارزش علمی و عملی قابل توجهی دارد.

کلیدواژه ها:

پیش بینی قیمت بلیت ، یادگیری ماشین ، ایکس جی بست ، رندوم فارست ، شبکه های عصبی