Temporal graph neural network for flight delay predictions

Abstract

Οι καθυστερήσεις πτήσεων επηρεάζουν σημαντικά την αποδοτικότητα και αξιοπιστία του αεροπορικού μεταφορικού δικτύου, καθιστώντας την ακριβή πρόβλεψή τους μια κρίσιμη διαδικασία. Η παρούσα μεταπτυχιακή εργασία παρουσιάζει μια προσέγγιση βασισμένη σε δεδομένα για την πρόβλεψη καθυστερήσεων των αφίξεων των πτήσεων πτήσεων με τη χρήση ενός Temporal Graph Neural Network (TGNN). Το αεροπορικό δίκτυο μοντελοποιείται ως ένας δυναμικός γράφος, όπου τα αεροδρόμια αποτελούν κόμβους και οι πτήσεις χρονικές ακμές που μεταβάλλονται με την πάροδο του χρόνου. Το συγκεκριμένο μοντέλο TGNN έχει σχεδιαστεί ώστε να λαμβάνει υπόψιν τόσο τις σχέσεις μεταξύ των αεροδρομίων όσο και τις χρονικές συσχετίσεις που επηρεάζουν την πραγματοποίηση των πτήσεων. Μέσω της επεξεργασίας διαδοχικών στιγμιότυπων του δικτύου, το μοντέλο μαθαίνει πώς οι επιχειρησιακές συνθήκες, τα ιστορικά δεδομένα και τα προγραμματισμένα χαρακτηριστικά των πτήσεων εξελίσσονται και επηρεάζουν τις μελλοντικές καθυστερήσεις. Το TGNN αξιοποιεί τα χαρακτηριστικά κόμβων και ακμών μέσω των διαθέσιμων δεδομένων και εφαρμόζει δοκιμές πάνω σε αληθινά δεδομένα ώστε να εξάγει ουσιαστικές χρονικές αναπαραστάσεις χωρίς να βασίζεται σε μελλοντικές. Η αξιολόγηση των αποτελεσμάτων πραγματοποιείται με τις μετρικές MAE, MSE και R², ώστε να εκτιμηθεί η ακρίβεια του μοντέλου. Τα αποτελέσματα δείχνουν ότι το TGNN καταφέρνει να παρέχει αξιόπιστες προβλέψεις καθυστερήσεων. Τα ευρήματα αναδεικνύουν το δυναμικό των μεθόδων μάθησης βασισμένων σε χρονικούς γράφους για τη βελτίωση του σχεδιασμού και των διαδικασιών λήψης αποφάσεων σε μεγάλης κλίμακας αεροπορικά συστήματα.