Uçuş gecikme tahminlemesi

This study aims to create a model to predict flight departure delays. Various factors might affect a flight delay, and thus different features might be selected as input to create a model concerning priorities and the power of control over the features for the party who makes the analysis. In this study, domestic commercial flights in the U.S. operated in August 2018 are studied. Besides, airplane, passenger boarding, and cargo data are combined with flight data to benefit from possible insights related to these factors. For predicting the flight delays, machine learning methods such as decision trees, random forest, bagging classifier, extra trees classifier, gradient boosting and xgboost classifier are used and results are analyzed. Further studies could be adding extra features such as data related to flight planning, personnel data, loading data, data about technical processes to prepare a plane to a flight to improve prediction capacity.Bu çalışma, uçuş kalkış gecikmelerini tahmin etmek için bir model oluşturmayı amaçlamaktadır. Çeşitli faktörler bir uçuş gecikmesini etkileyebilir ve bu nedenle, öncelikleri ve analizi yapan tarafın faktörler üzerindeki kontrolüne göre bir model oluşturmak için girdi olarak farklı özellikler seçilebilir. Bu çalışmada, ABD’de Ağustos 2018’de düzenlenen iç hat uçuşları incelenmiştir. Ayrıca, uçak, yolcu uçağı ve kargo verileri, bu faktörlerle ilgili olası iç görülerden yararlanmak için uçuş verileriyle birleştirilmiştir. Uçuş gecikmelerini tahmin etmek için karar ağacı, rastgele orman, torbalama sınıflandırcı, ekstra ağaçlar, grade takviyeli sınflandırıcı ve ekstra grade takviyeli sınıflandırıcı gibi makine öğrenme metotları ve sonuçları analiz edilmiştir. Çalışmanın ileriki aşamaları için uçuş planlama verileri, personel verileri, yükleme verileri ve bir uçağı uçuşa hazırlamak için teknik süreçler ile ilgili veriler kullanılarak modelin tahminleme kapasitesi artırılabilir