[論文レビュー] Flight Delay Prediction using Airport Situational Awareness Map

Wei Shao, Arian Prabowo+7 more|arXiv (Cornell University)|Nov 5, 2019

Air Traffic Management and Optimization参考文献 10被引用数 6

ひとこと要約

本稿では、航空機および車両の軌道データから得られる空港の状況把握マップ特徴量（空港交通複雑度（ATC）を定量化）を、天候およびフライト情報と統合した、新しいフライト遅延予測フレームワークを提案する。LightGBMを用い、設計されたATC特徴量を組み合わせたモデルは、出発4時間前でも18分のRMSEを達成し、ATC特徴量が天候データよりも遅延予測に優れていることを示している。

ABSTRACT

The prediction of flight delays plays a significantly important role for airlines and travelers because flight delays cause not only tremendous economic loss but also potential security risks. In this work, we aim to integrate multiple data sources to predict the departure delay of a scheduled flight. Different from previous work, we are the first group, to our best knowledge, to take advantage of airport situational awareness map, which is defined as airport traffic complexity (ATC), and combine the proposed ATC factors with weather conditions and flight information. Features engineering methods and most state-of-the-art machine learning algorithms are applied to a large real-world data sources. We reveal a couple of factors at the airport which has a significant impact on flight departure delay time. The prediction results show that the proposed factors are the main reasons behind the flight delays. Using our proposed framework, an improvement in accuracy for flight departure delay prediction is obtained.

研究の動機と目的

• 空港の状況把握マップ特徴量を組み込むことで、フライト出発遅延予測の精度を向上させること。
• 実世界の軌道データを用いて、空港交通複雑度（ATC）が出発遅延に与える影響を調査すること。
• 遅延予測において、ATC特徴量、天候データ、および歴史的フライト属性の予測力を比較すること。
• 航空会社および空港管制官のための能動的遅延管理を支援するデータ駆動型フレームワークを構築すること。

提案手法

• 著者らは、地上運用中の航空機および車両の軌道データから、空港交通複雑度（ATC）特徴量を抽出する。
• ATC特徴量を歴史的フライトデータおよび天候条件と組み合わせ、予測に用いる包括的な特徴量セットを構築する。
• 本研究では、線形回帰、SVR、MLP、LightGBMを含む複数の機械学習モデルを用いて性能を評価する。
• 特徴量の重要度は、パーミュテーションベースの分析を用いて評価され、出発遅延の予測に最も影響を与える要因を同定する。
• 予測タスクは回帰問題として定式化され、主な評価指標として、平均二乗誤差（RMSE）が用いられる。
• 遅延予測ギャップは、出発ゲート出発時刻の前から予測が行われる時間窓として定義され、早期予測を可能にする。

実験結果

リサーチクエスチョン

• RQ1 地上軌道データから抽出された空港交通複雑度（ATC）特徴量は、フライト出発遅延予測の精度にどのように影響を与えるか？
• RQ2 ATC特徴量の導入は、天候および歴史的フライトデータを用いた遅延予測と比較して、どのように優れているか？
• RQ3 ATC、天候、フライトデータを統合した場合に、どの機械学習モデルが最も優れた性能を示すか？
• RQ4 提案されたフレームワークを用いて、出発4時間前までに正確な出発遅延予測が可能か？
• RQ5 ATC特徴量は、遅延緩和の観点から天候条件よりも、どれほど制御可能で実行可能であるか？

主な発見

• LightGBMは、すべての他のモデルを上回り、あらゆるデータ組み合わせで最小のRMSEを達成した。
• ATC特徴量の追加により、予測精度が顕著に向上し、天候データを追加するよりもRMSEがより顕著に低減された。
• 最も優れた性能を示したモデルは、フライト到着データ、ATC特徴量、天候データを組み合わせており、出発4時間前での予測でRMSEが18分に達した。
• ATC特徴量は、天候条件よりも出発遅延予測においてより大きな影響を持つことが判明し、空港交通管理における制御可能性が高いためである。
• 訓練データが限られている状況でも、モデルは安定した性能を維持しており、そのロバスト性が示された。
• 特徴量の重要度分析により、ATC関連特徴量が、出発遅延予測において最も重要な予測要因であることが確認された。