ΠΡΟΒΛΕΨΗ ΑΦΙΞΕΩΝ ΕΠΙΒΑΤΩΝ ΣΕ ΠΤΗΣΕΙΣ ΕΣΩΤΕΡΙΚΟΥ ΜΕ ΧΡΗΣΗ ΜΟΝΤΕΛΩΝ ΧΡΟΝΟΣΕΙΡΩΝ ΚΑΙ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ

Abstract

Η πρόβλεψη της ροής των επιβατών στα αεροδρόμια είναι σημαντική για την προετοιμασία των υποδομών υποδοχής τους στους αερολιμένες, τις επιχειρήσεις εστίασης και παροχής καταλυμάτων αλλά και τον κρατικό μηχανισμό εν γένει, και κατ’ επέκταση για την εκτίμηση των εσόδων που προέρχονται από τουρίστες και επισκέπτες ανά περιοχή. Σε αυτό το πλαίσιο, στην παρούσα εργασία μελετήθηκαν προσεγγίσεις για την ακριβή πρόβλεψη του αριθμού επιβατών σε πτήσεις εσωτερικού χρησιμοποιώντας δεδομένα από 20 ενδεικτικά αεροδρόμια των ΗΠΑ. Σε επίπεδο μεθοδολογίας, αρχικά συγκεντρώθηκαν ιστορικά δεδομένα για τις πτήσεις εσωτερικού στις ΗΠΑ, οι οποίες αφορούσαν μηνιαίες εγγραφές για τα έτη 1990-2009. Στη συνέχεια, τα δεδομένα επεξεργάστηκαν με τη χρήση εργαλείων ανοιχτού λογισμικού ώστε να δημιουργηθούν οι αντίστοιχες χρονοσειρές. Κατόπιν, από το σύνολο των επιλεγμένων δεδομένων, τα έτη 2004-2007 χρησιμοποιήθηκαν ως σύνολο εκπαίδευσης, το έτος 2008 ως σύνολο αξιολόγησης, ενώ το έτος 2009 ως σύνολο ελέγχου. Επόμενο βήμα ήταν ο σχεδιασμός και η εφαρμογή διαφορετικών μοντέλων πρόβλεψης που βασίζονταν στους αλγορίθμους της γραμμικής παλινδρόμησης (Linear Regression), των τυχαίων δασών (Random Forests) και των δέντρων σταδιακής ενίσχυσης (Gradient Boosting Trees). Η ακρίβεια των προβλέψεων των μοντέλων αξιολογήθηκε μέσω του συμμετρικού μέσου απόλυτου ποσοστιαίου σφάλματος. Τα αποτελέσματα της μελέτης έδειξαν ότι το σφάλμα πρόβλεψης κυμαίνεται κατά μέσο όρο στο 5%, γεγονός που αποδεικνύει ότι η πρόβλεψη αφίξεων τουριστών είναι εφικτή με υψηλή ακρίβεια. Επίσης συνιστούν ότι και οι τρεις μέθοδοι πρόβλεψης που εξετάστηκαν, παράγουν παρόμοια αποτελέσματα, γεγονός που δεν παροτρύνει αναγκαστικά τη χρήση αλγορίθμων μηχανικής μάθησης έναντι κλασικών στατιστικών προσεγγίσεων. Τέλος, έδειξαν ότι τα παραπάνω ευρήματα γενικεύονται για όλα τα αεροδρόμια που μελετήθηκαν, με τις μεταβλητές που αφορούν την εποχικότητα, την υστέρηση κατά ένα έτος και το πλήθος των θέσεων να είναι από τις πλέον κρίσιμες για τη βελτίωση της προβλεπτικής ακρίβειας των μοντέλων. Η συγκεκριμένη εργασία μπορεί να χρησιμοποιηθεί ως εφαλτήριο για τη περαιτέρω βελτίωση των προβλέψεων αφίξεων σε αεροδρόμια με τη χρήση π.χ. επιπλέον εξωγενών μεταβλητών ή πιο εξελιγμένων αλγορίθμων μηχανικής μάθησης.