Analizando los impactos de las tendencias de retraso de vuelos entrantes en los retrasos de salida debido a los pasajeros de conexión utilizando un modelo híbrido de RNN
Autores: Yhdego, Tsegai O.; Wei, An-Tsun; Erlebacher, Gordon; Wang, Hui; Tejada, Miguel G.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Analizando los impactos de las tendencias de retraso de vuelos entrantes en los retrasos de salida debido a los pasajeros de conexión utilizando un modelo híbrido de RNN
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Patrones de retraso
Rendimiento histórico
Vuelos futuros
Red neuronal recurrente
Vuelos posteriores
Gerentes de aerolíneas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
Algunos patrones de retraso están correlacionados con el rendimiento histórico y pueden reflejar la tendencia de retrasos en vuelos futuros. Un ejemplo típico es el retraso de un vuelo entrante anterior que causa la salida retrasada de un vuelo saliente conectado y aguas abajo. Específicamente, si una aeronave llega tarde, la aerolínea conectada puede decidir esperar a los pasajeros en conexión. Debido al flujo constante de pasajeros a diversos destinos durante una temporada de viajes, patrones de retraso similares podrían ocurrir en días/semanas futuras. Las aerolíneas pueden analizar tales tendencias días o semanas antes de los vuelos para anticipar retrasos futuros y redistribuir recursos con diferentes prioridades para atender aquellos vuelos salientes que probablemente se verán afectados por retrasos de alimentación. En este estudio, utilizamos un modelo híbrido de red neuronal recurrente (RNN) para estimar retrasos y proyectar sus impactos en vuelos aguas abajo. El modelo propuesto integra un modelo de unidad recurrente con compuerta (GRU) para capturar la tendencia histórica y una capa densa para capturar la dependencia a corto plazo entre los retrasos de llegada y salida, y luego integra la información de ambas ramas utilizando un segundo modelo GRU. Entrenamos y ajustamos el modelo con datos de nueve aeropuertos en América del Norte, Central y del Sur. El modelo propuesto superó en rendimiento a enfoques alternativos con estructuras tradicionales en la fase de pruebas. La mayoría de los retrasos predichos por el modelo propuesto estaban dentro del intervalo de confianza del 95% predefinido. Finalmente, para proporcionar beneficios operativos a los gerentes de aerolíneas, nuestro análisis midió el impacto futuro de un posible retraso en el alimentador entrante (PDIF) en un estudio de caso, mediante la identificación de los vuelos salientes que podrían verse afectados en función de sus tiempos de conexión disponibles (ACTs). Desde una perspectiva económica, el algoritmo propuesto ofrece posibles ahorros de costos para las aerolíneas para prevenir o minimizar el impacto de los retrasos.
Descripción
Algunos patrones de retraso están correlacionados con el rendimiento histórico y pueden reflejar la tendencia de retrasos en vuelos futuros. Un ejemplo típico es el retraso de un vuelo entrante anterior que causa la salida retrasada de un vuelo saliente conectado y aguas abajo. Específicamente, si una aeronave llega tarde, la aerolínea conectada puede decidir esperar a los pasajeros en conexión. Debido al flujo constante de pasajeros a diversos destinos durante una temporada de viajes, patrones de retraso similares podrían ocurrir en días/semanas futuras. Las aerolíneas pueden analizar tales tendencias días o semanas antes de los vuelos para anticipar retrasos futuros y redistribuir recursos con diferentes prioridades para atender aquellos vuelos salientes que probablemente se verán afectados por retrasos de alimentación. En este estudio, utilizamos un modelo híbrido de red neuronal recurrente (RNN) para estimar retrasos y proyectar sus impactos en vuelos aguas abajo. El modelo propuesto integra un modelo de unidad recurrente con compuerta (GRU) para capturar la tendencia histórica y una capa densa para capturar la dependencia a corto plazo entre los retrasos de llegada y salida, y luego integra la información de ambas ramas utilizando un segundo modelo GRU. Entrenamos y ajustamos el modelo con datos de nueve aeropuertos en América del Norte, Central y del Sur. El modelo propuesto superó en rendimiento a enfoques alternativos con estructuras tradicionales en la fase de pruebas. La mayoría de los retrasos predichos por el modelo propuesto estaban dentro del intervalo de confianza del 95% predefinido. Finalmente, para proporcionar beneficios operativos a los gerentes de aerolíneas, nuestro análisis midió el impacto futuro de un posible retraso en el alimentador entrante (PDIF) en un estudio de caso, mediante la identificación de los vuelos salientes que podrían verse afectados en función de sus tiempos de conexión disponibles (ACTs). Desde una perspectiva económica, el algoritmo propuesto ofrece posibles ahorros de costos para las aerolíneas para prevenir o minimizar el impacto de los retrasos.