[論文レビュー] On the relevance of data science for flight delay research: a systematic review

Alice Sternberg, Jorge de Abreu Soares+2 more|arXiv (Cornell University)|Dec 24, 2020

Air Traffic Management and Optimization参考文献 211被引用数 31

ひとこと要約

本系統的レビューでは、フライト遅延予測におけるデータサイエンス的手法を検討し、特に機械学習に重点を置いて、範囲、データ、計算手法に基づく分類法を提案している。研究のトレンド、主要な業績、および手法の進化を特定し、航空交通管理における予測精度の向上に向けた包括的なフレームワークを提供する。

ABSTRACT

Flight delays hurt airlines, airports, and passengers. Their prediction is crucial during the decision-making process for all players of commercial aviation. Moreover, the development of accurate prediction models for flight delays became cumbersome due to the complexity of air transportation system, the number of methods for prediction, and the deluge of flight data. In this context, this paper presents a thorough literature review of approaches used to build flight delay prediction models from the Data Science perspective. We propose a taxonomy and summarize the initiatives used to address the flight delay prediction problem, according to scope, data, and computational methods, giving particular attention to an increased usage of machine learning methods. Besides, we also present a timeline of significant works that depicts relationships between flight delay prediction problems and research trends to address them. The published version of this paper is made available at \url{this https URL}. Please cite as: L. Carvalho, A. Sternberg, L. Maia Goncalves, A. Beatriz Cruz, J.A. Soares, D. Brandao, D. Carvalho, e E. Ogasawara, 2020, On the relevance of data science for flight delay research: a systematic review, Transport Reviews

研究の動機と目的

• 商業航空におけるフライト遅延予測の課題にデータサイエンスが果たす役割を分析すること。
• 研究の範囲、データソース、計算手法に基づいて、既存のアプローチを特定および分類すること。
• フライト遅延モデリングにおいて、機械学習手法の採用が増加していることを強調すること。
• 年表を用いて、重要な研究貢献と時間的変化のトレンドをマッピングすること。
• 今後の研究およびシステム開発を支援するための構造的分類法を提供すること。

提案手法

• データサイエンスの視点から、フライト遅延予測に関する査読付き論文の系統的文献レビューを実施すること。
• 研究の範囲（例：航空会社レベル、空港レベル）、データタイプ（例：歴史的フライトデータ、天候、空域交通）、計算手法（例：統計モデル、機械学習、ディープラーニング）の3つの次元に沿って、既存のアプローチを分類すること。
• 研究間の手法を整理・比較できる分類法を作成し、特に手法の進化に注目すること。
• 研究のトレンドとフライト遅延モデリングにおける技術的シフトを可視化するため、主要な出版物を年表形式でマッピングすること。
• ランダムフォレスト、勾配ブースティング、ニューラルネットワークなどの機械学習手法を、主なアプローチとして焦点を当てる。
• 研究結果を統合し、データドリブンなフライト遅延予測におけるギャップ、繰り返し現れる課題、および機会を特定すること。

実験結果

リサーチクエスチョン

• RQ1 フライト遅延予測で使用されている主要なデータサイエンス手法は何か。また、それらは時間経過とともにどのように進化してきたか。
• RQ2 フライトスケジュール、天候、空域交通などの異なるデータソースは、予測モデルのパフォーマンスにどのように寄与しているか。
• RQ3 この分野において、従来の統計モデルと現代の機械学習アプローチとの間で、主な手法的差異は何か。
• RQ4 フライト遅延予測の研究トレンドは、データサイエンスの進歩およびデータの可用性の向上とどのように相関しているか。
• RQ5 データサイエンスの観点から、現在のフライト遅延予測モデルにおける最も顕著な課題と制限は何であるか。

主な発見

• XGBoost や LightGBM といったアンサンブルモデルを含む機械学習手法が、近年のフライト遅延予測研究において支配的アプローチとなっている。
• 天候、空港混雑、歴史的遅延などの多様なデータソースの統合は、単にフライトスケジュールのみを用いるモデルと比較して、予測精度を顕著に向上させている。
• より複雑でデータ集約型のモデルへの傾向が明確に見られ、高解像度のフライトおよび運用データの増加に呼応している。
• 手法の進歩にもかかわらず、モデルの解釈可能性、異なる空港間での一般化、リアルタイムでの導入という課題は依然として残っている。
• 系統的レビューにより、特徴工学と時系列モデリングが予測パフォーマンスの向上に重要であるという合意が高まっていることが明らかになった。
• 主要業績の年表は、2015年以降、ルールベースおよび統計モデルから高度な学習ベースのシステムへのシフトが顕著に見られることを示している。