Pular para o conteúdo
SBTA Sociedade Brasileira de Pesquisa
em Transporte Aéreo PTEN

Anais do SITRAER · XIX SITRAER 2022

Anais do SITRAER – XIX SITRAER (2022)

Previsão de atrasos de voos por machine learning: revisão bibliométrica e metanalise

  • Hélio da Silva Queiroz Júnior
  • Viviane Adriano Falcão

Universidade Federal de Pernambuco (UFPE), Centro de Tecnologia e Geociências

Baixar PDF
Evento
XIX SITRAER – São José dos Campos, SP, Brasil, 25 a 27 de outubro de 2022
Volume
Proceedings of SITRAER 2022 – Air Transportation Symposium · ISSN 2448-1912
Páginas
273–282
Editora
Sociedade Brasileira de Pesquisa em Transporte Aéreo (SBTA)
Editores
Giovanna Miceli Ronzani Borille, Rogéria de Arantes Gomes, Evandro José da Silva, Mauro Caetano, Cláudia Azevedo Pereira

Resumo

Um problema comum em aeroportos ao redor do mundo são os atrasos em voos comerciais. A crescente demanda por modal aéreo faz com que esses atrasos sejam cada vez mais recorrentes, causando custos adicionais e exigindo ajustes constantes na gestão de voos. Definir o método mais eficaz na previsão da ocorrência desses atrasos é um tema recorrente nas buscas de operações de trânsito. Nesses estudos, a especificidade da área analisada (seja uma companhia aérea, um aeroporto ou toda a operação de um país), a complexidade da produção buscada (previsão por regressão ou classificação) ou o tamanho da base de dados utilizada requerem métodos de análise mais robustos, e o aprendizado de máquina é uma alternativa comum ao uso de métodos estatísticos clássicos. No entanto, o número de métodos de previsão que usam o princípio da aprendizagem de máquina é vasto. A divergência entre os cenários estudados atribui diferentes verificações de precisão entre as respostas obtidas nos estudos realizados. Por isso, este projeto tem como objetivo definir os métodos mais adequados de machine learning para estimar a ocorrência de atrasos nos aeroportos. Com base nos métodos de revisão sistemática da literatura, grupos de publicações periódicas são levantados nas principais bases de dados internacionais, a partir de grupos de palavras-chave definidas. Assim, as análises indicam que a rede de crenças profundas, a floresta aleatória, o gradiente impulsionando árvores e redes neurais recorrentes e complicadas têm uma melhor eficácia nas respostas de previsão, e o cenário ideal de análise é aqueles específicos para aeroportos ou companhias aéreas. Portanto, o tamanho dos dados, a complexidade dos cenários e as previsões buscadas tendem a obter resultados mais adequados quando são aplicados métodos mais complexos de previsão.

Palavras-chave: Atraso de voo; Previsão; Meta-análise; Machine Learning; DEA

Como citar

ABNT

QUEIROZ JÚNIOR, Hélio da Silva; FALCÃO, Viviane Adriano. Previsão de atrasos de voos por machine learning: revisão bibliométrica e metanalise. In: SIMPÓSIO DE TRANSPORTE AÉREO, 19., 2022, São José dos Campos. Anais [...]. São José dos Campos: SBTA, 2022. p. 273-282. ISSN 2448-1912. Disponível em: https://sitraer-sbta.org/anais-2022-sit125.html.

APA

Queiroz Júnior, H. S., & Falcão, V. A. (2022). Previsão de atrasos de voos por machine learning: revisão bibliométrica e metanalise. In G. M. R. Borille, R. A. Gomes, E. J. Silva, M. Caetano, & C. A. Pereira (Eds.), Proceedings of SITRAER 2022 – Air Transportation Symposium (pp. 273–282). SBTA. https://sitraer-sbta.org/anais-2022-sit125.html

BibTeX
@inproceedings{queirozjunior2022previsao,
  author = {Queiroz Júnior, Hélio da Silva and Falcão, Viviane Adriano},
  title = {{Previsão de atrasos de voos por machine learning: revisão bibliométrica e metanalise}},
  booktitle = {Proceedings of SITRAER 2022 – Air Transportation Symposium},
  editor = {Borille, Giovanna Miceli Ronzani and Gomes, Rogéria de Arantes and Silva, Evandro José da and Caetano, Mauro and Pereira, Cláudia Azevedo},
  pages = {273--282},
  year = {2022},
  address = {São José dos Campos, SP, Brasil},
  publisher = {Sociedade Brasileira de Pesquisa em Transporte Aéreo (SBTA)},
  issn = {2448-1912},
  url = {https://sitraer-sbta.org/anais-2022-sit125.html}
}