[논문 리뷰] On the relevance of data science for flight delay research: a systematic review

Alice Sternberg, Jorge de Abreu Soares외 2명|arXiv (Cornell University)|2020. 12. 24.

Air Traffic Management and Optimization참고 문헌 211인용 수 31

한 줄 요약

이 체계적 리뷰는 항공편 지연 예측을 위한 데이터 과학 접근법을 검토하며, 범위, 데이터, 계산 방법—특히 기계학습에 중점을 두고 계층 구조를 제안한다. 연구는 추세, 주요 연구 성과, 방법론의 진화를 파악하여 항공교통 관리에서 예측 정확도 향상을 위한 종합적인 프레임워크를 제공한다.

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

연구 동기 및 목표

• 상업 항공에서 항공편 지연 예측 과제를 해결하기 위한 데이터 과학의 역할을 분석하기 위해.
• 범위, 데이터 소스, 계산 방법에 따라 기존 접근법을 식별하고 분류하기 위해.
• 항공편 지연 모델링에서 기계학습 기법의 점진적인 도입을 부각하기 위해.
• 연도별 시간선을 통해 주요 연구 기여와 점진적인 추세를 매핑하기 위해.
• 향후 항공편 지연 예측 분야의 연구 및 시스템 개발을 안내하기 위한 체계적인 분류 체계를 제공하기 위해.

제안 방법

• 데이터 과학 시각에서 항공편 지연 예측에 관한 동료 심사 논문을 체계적으로 검토하기 위해.
• 연구 범위(예: 항공사 수준, 공항 수준), 데이터 유형(예: 이력 항공편 데이터, 기상 정보, 항공 교통), 계산 방법(예: 통계 모델, 기계학습, 딥 러닝)의 세 가지 차원에 따라 기존 접근법을 분류하기 위해.
• 연구 간 방법론을 정리하고 비교하기 위한 분류 체계를 구축하여 방법론의 진화에 중점을 두기 위해.
• 연구 추세와 항공편 지연 모델링에서의 기술적 전환을 시각화하기 위해 주요 논문들을 연도별로 매핑하기 위해.
• 랜덤 포레스트, 기울기 부스팅, 신경망과 같은 기계학습 기법을 중심으로 주로 사용되는 접근법으로 집중하기 위해.
• 결과를 종합하여 데이터 기반 항공편 지연 예측 분야에서의 격차, 반복적인 과제, 기회를 식별하기 위해.

실험 결과

연구 질문

• RQ1 항공편 지연 예측에서 주로 사용되는 데이터 과학 방법은 무엇이며, 시간이 지남에 따라 어떻게 진화해 왔는가?
• RQ2 비행 일정, 기상, 항공 교통 등 다양한 데이터 소스가 예측 모델 성능에 어떻게 기여하는가?
• RQ3 이 분야에서 전통적인 통계 모델과 현대의 기계학습 접근법 간의 주요 방법론적 차이는 무엇인가?
• RQ4 항공편 지연 예측의 연구 추세는 데이터 과학의 발전과 데이터 가용성 증가와 어떻게 연관되어 있는가?
• RQ5 데이터 과학 관점에서 현재의 항공편 지연 예측 모델에서 가장 중요한 과제와 제약 조건은 무엇인가?

주요 결과

• 최근 항공편 지연 예측 연구에서 기계학습 기법, 특히 앙상블 모델인 XGBoost와 LightGBM가 주요 접근법으로 자리 잡았다.
• 기상 정보, 공항 혼잡도, 이력 지연 정보 등 다양한 데이터 소스의 통합은 단순히 비행 일정만을 사용하는 모델보다 예측 정확도를 크게 향상시킨다.
• 더 복잡하고 데이터 집약적인 모델로의 명백한 추세가 나타나며, 이는 고해상도 항공편 및 운영 데이터의 가용성 증가를 반영하고 있다.
• 방법론적 진보에도 불구하고, 모델의 해석 가능성, 다양한 공항 간 일반화 능력, 실시간 구현 등 과제가 여전히 남아 있다.
• 체계적 리뷰는 특성 공학과 시간적 모델링이 예측 성능 향상에 있어 중요성이 점점 더 부각되고 있음을 규명했다.
• 주요 연구 성과의 시간선은 2015년 이후 특히 규칙 기반 및 통계 모델에서 고도화된 학습 기반 시스템으로의 전환을 보여준다.