FenixEdu™

Dissertação

Predict Lost Flights Connections: An Interpretable Machine Learning Approach EVALUATED

Detalhes: A otimização da programação de voos e a satisfação dos passageiros são problemas que afetam profundamente as receitas do setor da aviação civil. A perda de voos de ligação, que muitas vezes resulta da falta de mecanismos preventivos, afeta as operações regulares das companhias aéreas e consequentemente as suas receitas e imagem. Propomos uma nova abordagem para a previsão do sucesso das conexões dos passageiros com um foco na interpretabilidade, uma vez que o sucesso das conexões é fundamental para o lucro das companhias aéreas, e que a tomada de decisões por parte dos dirigentes requer explicações que sustentem tais escolhas de gestão. Os modelos foram desenvolvidos a partir de dados da atividade da TAP Air Portugal de janeiro de 2019 a fevereiro de 2020. Os dados foram analisados em conjunto com alguma feature engineering, incluindo a codificação de variáveis e a geração de novos dados para reequilibrar o problema. No total, estudamos cinco modelos, dois não interpretáveis e três interpretáveis. Os resultados dos modelos interpretáveis não foram tão bons quanto os resultados dos modelos não interpretáveis, mas o desempenho dos modelos interpretáveis na classe minoritária, as conexões perdidas, foi próximo ao visto no melhor modelo não interpretável. As métricas usadas incluíram o Recall na classe minoritária e o Recall macro-average na tarefa de classificação global. Todos os modelos sugeriram que a variável mais crítica nas previsões é o tempo agendado para a conexão e todos eles não atribuiram grande importância a variáveis como a idade ou o género.
Keywords: Aprendizagem Automática, Classificação em Dados não Balanceados, Explicação de Modelos, Modelos Interpretáveis, Voos de Ligação

Discussão: dezembro 14, 2021, 11:0