ارائه یک چارچوب داده محور بر پایه یادگیری ماشین جهت پیش بینی تاخیر پرواز در اکوسیستم شهرهای هوشمند

در اکوسیستم پیچیده شهرهای هوشمند، مدیریت کارآمد حمل ونقل هوایی به عنوان یکی از ستون های اصلی توسعه پایدار و رضایت شهروندان شناخته می شود. تاخیر در پروازها نه تنها منجر به خسارات اقتصادی هنگفت برای شرکت های هواپیمایی می گردد، بلکه با ایجاد اختلال در سیستم های ترافیکی شهری و زنجیره لجستیک، عملکرد هوشمند شهر را با چالش مواجه می کند. هدف این پژوهش، ارائه یک مدل پیش بینی دقیق برای تاخیر ورود پروازها با بهره گیری از تکنیک های تحلیل داده های عظیم (Big Data) و یادگیری ماشین است. در این مطالعه، مجموعه داده ای مشتمل بر بیش از ۳۰۰,۰۰۰ رکورد پروازی مورد تحلیل قرار گرفت. نوآوری اصلی این تحقیق در طراحی ویژگی های پیش بین هوشمند، از جمله میانگین های متحرک ۳۰ روزه عملکرد مسیرها و خطوط هوایی، جهت ثبت پویایی های زمانی سیستم است. در مرحله مدل سازی، عملکرد هشت الگوریتم مختلف رگرسیون مورد ارزیابی قرار گرفت. نتایج تجربی نشان داد که مدل مبتنی بر شبکه عصبی MLPRegressor با دستیابی به ضریب تعیین (R۲) بیش از ۰.۹۸۴ و ریشه میانگین مربعات خطای (RMSE) ۶.۷۲ دقیقه، برتری قابل توجهی نسبت به سایر روش ها دارد. این سطح از دقت، امکان ادغام خروجی های مدل در سیستم های تصمیم یار شهری را فراهم آورده و به مدیران اجازه می دهد تا با پیش بینی دقیق ازدحام، زیرساخت های حمل ونقل متصل به فرودگاه را بهینه سازی کنند.

کلیدواژه ها:

کلان داده ، پیش بینی تاخیر پرواز ، یادگیری ماشین ، بهینه سازی حمل ونقل ، شهر هوشمند