AI Summary & Key Takeaways
AI InsightThese results show measurable improvements over prior studies by leveraging multi-layered operational data within a unified predictive framework and offer practical implications for improving airport efficiency and passenger satisfaction.
📌 3 Key Takeaways
Abstract
Air transport is a critical component of global economy, facilitating business, tourism, and logistics. However, flight delays pose significant challenges, leading to economic losses and passenger dissatisfaction. Recent studies employ machine/deep learning for delay prediction but largely rely on single-source datasets such as schedules and weather, treat arrival and departure delays independently, and rarely integrate operational processes like baggage handling. This study introduces a holistic multi-source data integration framework for predictive modeling of airport flight delays using advanced Artificial Intelligence (AI) techniques. The framework combines flight schedules, Automatic Dependent Surveillance–Broadcast (ADS-B) data, weather conditions, airport-specific features, and baggage-handling information to build comprehensive predictive models for arrival and departure delays. Our primary contribution is a novel integration methodology and the introduction of the “Dissimilarity Ratio,” a baggage-derived feature that enhances prediction accuracy. For arrival delay prediction, Random Forest demonstrates superior short-term performance, achieving Mean Absolute Error (MAE) of 2.23 minutes. For departure delay prediction, XGBoost is the optimal model, with baggage-specific features improving Mean Squared Error (MSE) by up to 24.97%. These results show measurable improvements over prior studies by leveraging multi-layered operational data within a unified predictive framework and offer practical implications for improving airport efficiency and passenger satisfaction.
Özet
Havayolu taşımacılığı, iş dünyası, turizm ve lojistik faaliyetlerini destekleyerek küresel ekonominin kritik bir bileşeni haline gelmektedir; ancak uçuş gecikmeleri ekonomik kayıplara ve yolcu memnuniyetsizliğine yol açan önemli operasyonel sorunlar oluşturmaktadır. Son yıllarda yapılan çalışmalar, gecikme tahmini için makine öğrenmesi ve derin öğrenme yöntemlerini kullanmakla birlikte çoğunlukla uçuş programları ve hava durumu gibi tek kaynaklı veri setlerine dayanmakta, varış ve kalkış gecikmelerini birbirinden bağımsız ele almakta ve bagaj işleme süreçleri gibi operasyonel unsurları sınırlı biçimde bütünleştirmektedir. Bu çalışma, havaalanı uçuş gecikmelerinin kestirimi için gelişmiş Yapay Zekâ tekniklerini kullanan bütüncül ve çok kaynaklı bir veri entegrasyon çerçevesi sunmakta olup uçuş programları, Automatic Dependent Surveillance–Broadcast (Otomatik Bağımlı Gözetim – Yayın) verileri, hava durumu koşulları, havaalanına özgü özellikler ve bagaj işleme bilgilerinin bir araya getirilmesiyle hem varış hem de kalkış gecikmeleri için kapsamlı tahmin modelleri oluşturulmuştur. Çalışmanın temel katkısı, yenilikçi bir veri entegrasyon metodolojisinin geliştirilmesi ve tahmin performansını artıran bagaj temelli yeni bir özellik olan Benzerlik Dışı Oranı’nın (Dissimilarity Ratio) literatüre kazandırılmasıdır. Varış gecikmesi tahmininde Random Forest algoritması kısa vadeli kestirimlerde üstün performans göstererek Ortalama Mutlak Hata (Mean Absolute Error, MAE) değerinde 2.23 dakika elde etmiş; kalkış gecikmesi tahmininde ise XGBoost modeli en yüksek başarıyı göstermiş ve bagajla ilişkili özelliklerin kullanılması Ortalama Kare Hata (Mean Squared Error, MSE) değerinde %24.97’ye varan iyileşme sağlamıştır. Bu bulgular, çok katmanlı operasyonel verilerin bütünleşik bir kestirim çerçevesinde kullanılmasının önceki çalışmalara kıyasla ölçülebilir performans iyileştirmeleri sağladığını ortaya koymakta ve havaalanı operasyon verimliliğinin artırılması ile yolcu memnuniyetinin geliştirilmesine yönelik pratik çıkarımlar sunmaktadır.