[논문 리뷰] Flight Delay Prediction using Airport Situational Awareness Map

Wei Shao, Arian Prabowo외 7명|arXiv (Cornell University)|2019. 11. 05.

Air Traffic Management and Optimization참고 문헌 10인용 수 6

한 줄 요약

이 논문은 항공기 및 차량의 이동 경로 데이터로부터 유도된 공항 상황 인식 지ap 특징(공중 교통 복잡도(ATC)를 정량화함)과 기상 및 항공편 정보를 통합한 새로운 비행 지연 예측 프레임워크를 제안한다. 경량GBM에 의해 공학된 ATC 특징을 사용하여, 출발 지연 예측에서 4시간 전에도 루트 평균 제곱 오차(RMSE)가 18분에 불과하여 ATC 특징이 기상 데이터보다 지연 예측에 더 유용하다는 것을 입증한다.

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.

연구 동기 및 목표

• 공항 상황 인식 지도 특징을 통합하여 비행 이륙 지연 예측 정확도를 향상시키기 위해.
• 실제 이동 경로 데이터를 사용하여 공중 교통 복잡도(ATC)가 이륙 지연에 미치는 영향을 조사하기 위해.
• 지연 예측에서 ATC 특징, 기상 데이터, 역사적 항공편 특징의 예측 능력을 비교하기 위해.
• 항공사 및 공중 교통 관제사가 능동적으로 지연을 관리할 수 있도록 지원하는 데이터 기반 프레임워크를 개발하기 위해.

제안 방법

• 저자들은 지상 운영 동안 수집된 항공기 및 차량의 이동 경로 데이터에서 공항 교통 복잡도(ATC) 특징을 추출한다.
• ATC 특징을 역사를 기반으로 한 항공편 데이터 및 기상 조건과 융합하여 예측을 위한 종합적인 특징 세트를 구성한다.
• 성능 평가를 위해 선형 회귀, 서포트 벡터 회귀(SVR), 다층 퍼셉트론(MLP), LightGBM를 포함한 여러 기계학습 모델을 활용한다.
• 특징 중요도 평가를 위해 순열 기반 분석을 사용하여 이륙 지연의 가장 영향을 미치는 예측 변수를 특정한다.
• 예측 작업은 회귀 문제로 설정되며, 주요 평가 지표로 루트 평균 제곱 오차(RMSE)를 사용한다.
• 지연 예측 갭은 이륙 지점에서 출발 시간 이전의 예측 가능 시간 창을 정의하여 조기 예측을 가능하게 한다.

실험 결과

연구 질문

• RQ1 지상 이동 경로 데이터에서 유도된 공항 교통 복잡도(ATC) 특징이 비행 이륙 지연 예측 정확도에 어떤 영향을 미치는가?
• RQ2 ATC 특징의 포함 여부가 기상 데이터 및 역사적 항공편 데이터에 비해 이륙 지연 예측에 어떻게 영향을 미치는가?
• RQ3 ATC, 기상, 항공편 데이터를 통합했을 때 이륙 지연 예측에서 가장 우수한 성능을 보이는 기계학습 모델은 무엇인가?
• RQ4 제안된 프레임워크를 사용하여 4시간 전에 정확한 이륙 지연 예측을 수행할 수 있는가?
• RQ5 지연 완화를 위한 관리 측면에서 ATC 특징이 기상 조건보다 얼마나 더 제어 가능하고 실행 가능하다고 볼 수 있는가?

주요 결과

• LightGBM는 모든 다른 모델보다 우수한 성능을 보이며, 모든 데이터 조합에서 가장 낮은 RMSE를 기록한다.
• ATC 특징의 추가로 인해 예측 정확도가 유의미하게 향상되며, 기상 데이터를 추가하는 것보다 RMSE 감소 효과가 더 크다.
• 가장 뛰어난 성능을 보이는 모델은 도착 항공편 데이터, ATC 특징, 기상 데이터를 모두 통합하여 4시간 전 예측 시 RMSE가 18분에 도달한다.
• ATC 특징이 기상 조건보다 이륙 지연 예측에 더 큰 영향을 미치며, 이는 공중 교통 관리 측면에서 더 높은 제어 가능성을 시사한다.
• 제한된 학습 데이터 조건에서도 모델의 성능이 안정적으로 유지되어 강건성을 입증한다.
• 특징 중요도 분석 결과, ATC 관련 특징이 이륙 지연 예측의 가장 핵심적인 예측 변수로 확인되었다.