Increasing the Accuracy of Aviation Metrics Forecasting Using Machine Learning Models to Reduce the Operating Costs of Northern Capital Gateway LLC

Abstract

Работа посвящена совершенствованию процесса прогнозирования авиационных метрик с помощью моделей машинного обучения и изучению возможности уменьшения затрат при эксплуатации аэропорта. Работа выполнена с использованием авиационных данных аэропорта Пулково, находящегося под управлением ООО «Воздушные Ворота Северной Столицы». Действующая в аэропорте модель прогнозирования при анализе показала следующие недостатки: упрощенность модели, которая не позволяет работать со скрытыми в данных зависимостями; агрегация прогнозируемых значений по месяцам для некоторых метрик; недостаточная точность прогнозирования. Для проведения проекта по созданию новых моделей прогнозирования по четырем метрикам и шести сегментам была выбрана методология ведения проектов по анализу данных CRISP-DM. Была проведен анализ данных, а также обзор научной литературы по прогнозированию временных рядов, на основе результатов которых были выбраны методы машинного обучения для решения задачи данной работы: LSTM и XGBoost. На основе выбранных методов были созданы модели машинного обучения, оценена их точность по показателям эффективности, и были выбраны наилучшие модели. Далее были даны рекомендации по внедрению моделей LSTM и произведена оценка потенциального сокращения операционных затрат при использовании созданных моделей. В итоге, после проведения всех шагов по настройке и внедрению моделей, их использование может значительно сократить операционные затраты компании.

The work is devoted to improving the process of aviation metrics prediction using machine learning models and studying the possibility of cost reduction in airport operation. The work was performed using aviation data from Pulkovo Airport, managed by Northern Capital Gateway LLC. The forecasting model in use at the airport showed the following shortcomings in the analysis: the simplicity of the model, which does not allow working with dependencies hidden in the data; aggregation of forecast values by months for some metrics; insufficient forecasting accuracy. The CRISP-DM data analysis project methodology was chosen to conduct a project to create new forecasting models for four metrics and six segments. A data analysis was conducted, as well as a review of the scientific literature on time series prediction, based on the results of which machine learning methods were selected to solve the problem of this work: LSTM and XGBoost. Based on the selected methods, machine learning models were created, their accuracy was evaluated by performance indicators, and the best models were selected. Next, recommendations were given for the implementation of LSTM models and evaluated the potential reduction in operating costs by using the created models. As a result, after all the steps to configure and implement the models, their use can significantly reduce the operating costs of the company.