Havayolu yolculuk deneyimini iyileştirmek için makine öğrenmesi yöntemleriyle uçuş gecikmesi tahmini

Abstract

Havacılık endüstrisi, milyonlarca insanın seyahat etmesine olanak sağlayan önemli bir sektördür. Havaalanları, hava trafik kontrolü, hava koşulları, uçak bakımı, personel düzenlemeleri gibi faktörler, uçuşların planlandığı gibi gerçekleşmesini etkileyebilir. Uçuş gecikmeleri ve iptalleri, havayolu şirketlerini maliyet artışı, operasyonel sıkıntılar ve müşteri memnuniyetsizliği ile karşı karşıya bırakabilir. Yolcular ise zaman kaybı, alternatif ulaşım arayışı ve planlarının aksaması gibi sorunlarla karşılaşabilirler. Bu çalışmada, Amerika Birleşik Devletleri Ulaştırma Bakanlığı tarafından paylaşılan uçuş verileri kullanılarak uçuş aksaklıklarının çeşitli makine öğrenmesi teknikleri ile tahmin edilmesi hedeflenmektedir. Bu tahminlerin yolculara sunulması ile doğru uçuş zamanı ve havayolu seçimi konusunda yol gösterici olacaktır. Bu çalışma, yolcular için bir uygulama geliştirilmesine olanak sağlarken, havayolu ve havaalanlarının operasyonel süreçlerini optimize etmelerine de yardımcı olabilir. Ayrıca, aksaklıkları öngörüp önleyerek havayolu şirketlerinin tazminat ödemelerinden tasarruf etmelerine de katkıda bulunabilir. Bu çalışmada uçuş ve hava durumu verileri birleştirilerek kullanılmıştır. Uçuş verisi Amerika Birleşik Devletleri Ulaştırma Bakanlığı'nın halka açık olarak paylaşılan "Airline On Time Performance" isimli veri tabanından, hava durumu verisi de Ulusal Okyanus ve Atmosfer İdaresi Servisi(NOAA)'nden elde edilmiştir. Amerika Birleşik Devletleri'nin en yoğun havaalanlarından biri olan John F. Kennedy Uluslararası Havalimanı (New York, JFK) seçilmiş ve bu havalimanından kalkan uçuşlar incelenmiştir. Veri önişleme adımında, elde edilen veriler modellerin eğitiminde kullanılmak üzere hazırlanmıştır. Bu hazırlık sürecinde korelasyonların incelenmesi, veri tamamlama, ayrıştırma, öznitelik seçimi, öznitelik birleştirme, örnek seçimi gibi birçok önişleme tekniği kullanıldı. Veri kümesinde pozitif örneklerin sayısı negatif örneklerin sayısından çok daha fazla olduğu için veri dengeleme amacıyla SMOTE ve aşağı örnekleme(Undersampling) yöntemleri uygulandı. Makine öğrenmesi, sınıflandırma ve regresyon yöntemlerinden L-GBM, SVM, MLP, Naives Bayes, Lojistik Regresyon, KNN yöntemleri kullanılmıştır. Bu modellerde parametre optimizasyonunu sağlamak üzere Grid Search CV metodu çapraz doğrulama yöntemi ile uygulandı. Değerlendirme metrikleri olarak sınıflandırma tekniklerinde kullanılan Doğruluk, Kesinlik, Duyarlılık ve F1-Skoru üzerinde duruldu. Modellerin birbirleriyle karşılaştırılması için ROC Eğrileri ve ROC-AUC kriteri kullanıldı. Tüm modeller ve örnekleme metotları arasında en iyi AUC değerini L-GBM'in orijinal dengesiz veri kümesinde verdiği görüldü. F1-Skor açısından incelendiğinde de en yüksek skorun 0,567 ile SVM'de olduğu ve 0,003 farkla 0,564 değeri ile de L-GBM'in onu takip ettiği görüldü. Çalışma zamanları açısından incelendiğinde ise L-GBM'in 0.3 saniye değeri ile diğer modellerden çok daha hızlı olduğu görüldü. Bu çalışmada, çeşitli sınıflandırma teknikleri kullanıldı ve bu tekniklerin performansı incelendi. L-GBM Modeli, hesaplama hızı açısından en etkili bulundu, SVM ise genel doğruluk açısından en başarılı yöntem olarak belirlendi. Sonuçların kalitesini artırmak amacıyla, Grid Search ve 8 katlı Çapraz Doğrulama gibi yöntemlerle parametre optimizasyonu gerçekleştirildi. Ayrıca, SMOTE ve aşağı örnekleme gibi teknikler arasında yapılan karşılaştırmada, aşağı örnekleme yönteminin bu veri kümesinde daha iyi sonuçlar verdiği tespit edildi. Geliştirilen algoritma aracılığıyla modeli rota bilgileri ve zaman aralığı ile besleyerek, belirli bir rota için kullanıcıya en uygun uçuş tarihlerini ve havayolu seçeneklerini öneren bir yapı oluşturuldu.