Yapay sinir ağları ile uçuşlardaki gecikmelerin öngörülmesi: Esenboğa havalimanında bir vaka çalışması

Abstract

Hava taşımacılığı, ulaşım sistemleri içerisinde önemli bir yere sahip olupuçuşların planlanan zamanlarda seferlerini gerçekleştirmesi, yolcuların konforu veişletme maliyetlerin kontrol edilebilirliğini sağlamak için gereklidir. Amerika BirleşikDevletleri Ulaştırma Bürosu tarafından yayınlanan bilgiye göre 2015 yılındakiuçuşların %19.63'ü gecikme ya da iptallerden dolayı zamanında gerçekleşememiştir.Uçuş gecikmelerinin hava durumu, hava trafiğinde yaşanan yoğunluk, kaza veyakapanan uçuş pistleri, uçaklar arasındaki mesafenin arttırılmasına sebep olabilecekkoşullar ve yer hizmetlerinde yaşanabilecek işletmeden kaynaklı gecikmeler gibi çokçeşitli nedenleri bulunmaktadır. Bu çalışmada havalimanında bulunan çeşitlialgılayıcılardan toparlanan veriler ve uçuşla ilgili bilgiler kullanılarak yapay sinirağları ile uçuşlardaki kalkış gecikmelerini tahmin eden bir yapay sinir ağı modeligeliştirilmesi hedeflenmiştir.Gerek akademik çalışmalarda gerekse endüstriyel ürünlerde uçuş kontrolsistemleri içerisinde uçuş gecikmelerini tahmin edebilen modeller önerilmiştir.Literatürde hava koşulları ve uçuş bilgileri kullanılarak uçuş gecikmelerinin tahminiiçin Bayes ağları, karar ağaçları, istatistiki yoğunluk tahminleri kullanılan en popüleryöntemlerdir. Bu çalışmada doğrusal olmayan sistemleri modelleyebilmesi ve hızlı xiiçalışması nedeniyle çok katmanlı, geri beslemeli yapay sinir ağları kullanılmıştır.Deneysel çalışmalarda kullanılan veri seti 2014 yılı içerisinde Ankara EsenboğaHavalimanında toparlanmıştır. Veri seti 39.892 uçuş için planlanan kalkışzamanındaki 9 çeşit hava ölçüm değeri ve 3 adet uçak/uçuş ile ilgili bilgiden oluşanöznitelik kümesini içermektedir. Yapay Sinir Ağı modeli ile uçuşlardaki kalkışgecikmeleri ortalamada bütün veri kullanıldığında genel ortalamada % 93, zamanındave gecikmeli uçuşlar dengeli bir şekilde zaman pencerelerine parçalanarakkullanıldığında genel ortalamada % 96'ya kadar ulaşan bir başarım elde edilmiştir. Önişlemede kullanılan öznitelik seçme yöntemleri başarım oranını artırmıştır.Anahtar Kelimeler: Uçuş gecikme tahmini, sınıflandırma, yapay sinir ağları, öznitelik sıralama.

Air transportation has an important place among transportation systems and it isindispensable for the flights to perform their voyages in scheduled time in order toensure the comfort of passengers and controllability of operational costs. According tothe report published by United States Bureau of Transportation 19.63% of flights in2015 didn't take place on time because of delays and cancellations. There are severalreasons for flight delays like weather conditions, excessive intensity in air traffic,accidents or closed airfields, conditions that will lead to an increase in distancesbetween planes and operational delays in ground services. In this study, using the datacollected from the sensors located in the airport and the information about the flight,the goal is develop a machine learning model to estimate departure delays of flightsusing artificial neural networks.In both academic studies and industrial products, models that can estimate flightdelays are proposed. In the literature, Bayes networks, decision trees, and statisticaldensity estimates are the popular methods to estimate flight delays using weatherconditions and flight information. In this study multilayer, feedback artificial neuralnetworks are used due to its ability to model nonlinear systems and fast executiontimes. The data set used in the experimental study is gathered from Ankara Esenboğa xivAirport in year 2014. For each of the 39.892 flights in data set, it contains a set ofattributes consisting of 9 different weather measurements in scheduled departure timeand 3 attributes related to the plane/flight. Using the proposed artificial neural networkmodel if the all data is used in learning on the overall 93% accuracy and if data isobserved by time window frames including equal number of on-time and delayedflights on the overall up to 96% accuracy is attained. The feature selection algorithmsutilized in the preprocessing was shown to increase accuracy.Key words: Flight delay estimation, classification, artificial neural networks,feature ranking.