Lentoliikenteen aikataulupoikkeamien ennustaminen tekoälyllä

Abstract

Tutkimuksen tavoitteena oli kehittää ennustemalli, joka ennustaa meno-paluulennon aikataulun vuorokautta ennen lentoa viiden minuutin tarkkuudella. Aikatauluennusteesta nähdään poikkeamat ja myöhästymiset, jolloin sidosryhmille jää aikaa reagoida poikkeavaan aikatauluun. Tutkimusmenetelmänä on suunnittelutiede ja kolmen silmukan malli. Ennuste tehtiin koneoppimisen XGBoost-algoritmilla useasta optimoidusta vaiheesta koottuna kokonaisennnusteena. Vastaavaa ennustemallia ei oltu aiemmin tutkittu. Tutkimuksessa kehitettiin ennustemalli, jolla saavutettiin asetettu tavoite. Opitulla tietämyksellä ja tarkennetulla tavoitteella voidaan tehdä erilaisiin tarpeisiin sopivia ennustemalleja.

The aim of the research was to develop a forecasting model that predicts a roundtrip flight schedule the day before the flight with an accuracy of five minutes. The schedule forecast indicates deviations and delays, leaving stakeholders time to react to the changed schedule. The research method is design science, and the forecasting method is a step-bystep method of machine learning. The study developed a model to achieve the set goal. A similar prediction model had not been previously studied. With the knowledge learned and the refined goal, forecasting models suitable for unique needs can be made.