Методы машинного обучения для анализа поведения оператора
Аннотация
Благодаря более эффективным управленческим командам авиакомпании становятся более стабильными, более продуктивными и более пунктуальными. Однако, проблемы, преследующие авиационную промышленность, никуда не исчезли, а наоборот, усложнились. Восстановление по расписанию - это процесс восстановления рабочих нарушений. Оператор может решить проблему вручную, использовать решение, созданное с помощью утилиты восстановления, или использовать их комбинацию. Утилита восстановления Jeppesen - это программный инструмент, который предлагает набор решений для устранения этих сбоев в работе. Это исследование было проведено в Jeppesen, компании Boeing. Для тщательного анализа системы авиакомпании Jeppesen и утилиты восстановления и определения различных алгоритмов машинного обучения, которые можно использовать для ответа на следующие вопросы: "Будет ли оператор использовать утилиту восстановления?" и "Если оператор использует программу восстановления, какое решение он предпочтет?" В этой статье мы тщательно изучаем исторически размеченные данные об оповещениях Мексиканской авиакомпании во время сбоев. Мы разделили точки данных на две категории: ручное решение и решение с помощью утилиты восстановления. Экспериментальные результаты, полученные в рамках этого проекта, показали, что модели нейронных сетей незначительно улучшают прогнозируемую производительность по сравнению с усиленными моделями.
Литература
[2] Acuna-Agost, R., Michelon, P., Feillet, D., Gueye, S.: Statistical Analysis of Propagation of Incidents for rescheduling simultaneously flights and passengers under disturbed operations. In: ROADEF 2009. 10eme Congres de la Societ Francaise de Recherche Operationnelle et d’Aide a la Decision. Nancy, France; 2009. Available at: https://www.roadef.org/challenge/2009/files/AcunaMichelonFeilletGueye.pdf (accessed 02.12.2019). (In Eng.).
[3] Choi S., Kim Y.J., Briceno S., Mavris D. Prediction of weather-induced airline delays based on machine learning algorithms. In: 2016 IEEE/AIAA 35th Digital Avionics Systems Conference (DASC), Sacramento, CA; 2016. p. 1-6. (In Eng.) DOI: https://doi.org/10.1109/DASC.2016.7777956.
[4] Clausen J., Larsen A., Larsen J., Rezanova N.J. Disruption management in the airline industry – Concepts, models and methods. Computers & Operations Research. 2010; 37(5):809-821. (In Eng.) DOI: https://doi.org/10.1016/j.cor.2009.3.27
[5] Huang S.-C. Airline Schedule Recovery Following Disturbances: An Organizationally-Oriented Decision-making Approach: dis. . Ph.D. (Engineering). Dept. Civil Environ. Eng., University of California, Berkeley, CA, USA; 2005. (In Eng.).
[6] Khaksar H., Sheikholeslami A. Airline delay prediction by machine learning algorithms. Scientia Iranica. 2019; 26(5):2689-2702. (In Eng.) DOI: https://doi.org/10.24200/SCI.2017.20020
[7] Kohl N., Larsen A., Larsen J., Ross A., Tiourine S. Airline disruption management – Perspectives, experiences and outlook. Journal of Air Transport Management. 2007; 13(3):149-162. (In Eng.) DOI: https://doi.org/10.1016/j.jairtraman.2007.1.1
[8] Lei Q., Jiang D., Zhao P., Ma T. Research on the disrupted airline scheduling. In: 2013 10th International Conference on Service Systems and Service Management, Hong Kong; 2013. p. 332-336. (In Eng.) DOI: https://doi.org/10.1109/ICSSSM.2013.6602575
[9] Patki N., Wedge R., Veeramachaneni K. The Synthetic Data Vault. In: 2016 IEEE International Conference on Data Science and Advanced Analytics (DSAA), Montreal, QC; 2016. p. 399-410. (In Eng.) DOI: https://doi.org/10.1109/DSAA.2016.49
[10] Rakshit A., Krishnamurthy N., Yu G. System Operations Advisor: A Real-Time Decision Support System for Managing Airline Operations at United Airlines. Interfaces. 1996; 26(2):50-58. (In Eng.) DOI: https://doi.org/10.1287/inte.26.2.50
[11] Rupp N.G., Holmes G.M., DeSimone J. Airline Schedule Recovery after Airport Closures: Empirical Evidence Since September 11th. NBER Working Papers. 2003; 9744. (In Eng.) DOI: https://doi.org/10.3386/w9744
[12] Serrano F.J.J., Kazda A. Airline disruption management: yesterday, today and tomorrow. Transportation Research Procedia. 2017; 28:3-10. (In Eng.) DOI: https://doi.org/10.1016/j.trpro.2017.12.162
[13] Sidorova J., Badia T. ESEDA: A Tool for Enhanced Speech Emotion Detection and Analysis. In: 2008 International Conference on Automated Solutions for Cross Media Content and Multi-Channel Distribution, Florence; 2008. p. 257-260. (In Eng.) DOI: https://doi.org/10.1109/AXMEDIS.2008.39
[14] Sidorova J., Karlsson S., Rosander O., Berthier M., Moreno-Torres I. Towards disorder-independent automatic assessment of emotional competence in neurological patients with a classical emotion recognition system: application in foreign accent syndrome. IEEE Transactions on Affective Computing.2019. (In Eng.) DOI: https://doi.org/10.1109/TAFFC.2019.2908365
[15] Sidorova J., Lundberg L., Rosander O., Grahn H., Skold L. Recommendations for marketing campaigns in telecommunication business based on the footprint analysis: Who is a good client? In: 2017 8th International Conference on Information, Intelligence, Systems & Applications (IISA), Larnaca; 2017. p. 1-6. (In Eng.) DOI: https://doi.org/10.1109/IISA.2017.8316396
[16] Sidorova J., Rosander O., Skold L., Grahn H., Lundberg L. Finding a Healthy Equilibrium of Geo-demographic Segments for a Telecom Business: Who Are Malicious Hot-Spotters?. In: G. Tsihrintzis, D. Sotiropoulos, L. Jain (ed.) Machine Learning Paradigms. Intelligent Systems Reference Library, vol.149. Springer, Cham; 2019. p. 187-196. (In Eng.) DOI: https://doi.org/10.1007/978-3-319-94030-4_8
[17] Sidorova J., Sköld L., Lennerstad H., Lundberg L. The Use of Fuzzy Logic in Creating a Visual Data Summary of a Telecom Operator’s Customer Base. In: I. Bajwa, F. Kamareddine, A. Costa (ed.) Intelligent Technologies and Applications. INTAP 2018. Communications in Computer and Information Science, vol.932. Springer, Singapore; 2019. p. 301-312. (In Eng.) DOI: https://doi.org/10.1007/978-981-13-6052-7_26
[18] Sidorova J., Sköld L., Rosander O., Lundberg L. Optimizing utilization in cellular radio networks using mobility data. Optimization and Engineering. 2019; 20(1):37-64. (In Eng.) DOI: https://doi.org/10.1007/s11081-018-9387-4
[19] Teodorovi ć D., Guberini ć S. Optimal dispatching strategy on an airline network after a schedule perturbation. European Journal of Operational Research. 1984; 15(2):178-182. (In Eng.) DOI: https://doi.org/10.1016/0377-2217(84)90207-8
[20] Teodorovi ć D., Stojkovi ć G. Model for operational daily airline scheduling. Transportation Planning and Technology. 1990; 14(4):273-285. (In Eng.) DOI: https://doi.org/10.1080/03081069008717431
[21] Teodorovi ć D., Stojkovi ć G. Model to Reduce Airline Schedule Disturbances. Journal of Transportation Engineering. 1995; 121(4):324-331. (In Eng.) DOI: https://doi.org/10.1061/(ASCE)0733-947X(1995)121:4(324)
[22] Sagar S., Lundberg L., Skold L., Sidorova J. Trajectory segmentation for a recommendation module of a customer relationship management system. In: The 2017 International Symposium on Advances in Smart Big Data Processing (SBDP-2017). (In Eng.).
[23] Podapati S., Lundberg L., Skold L., Rosander O., Sidorova J. Fuzzy Recommendations in Marketing Campaigns. In: M. Kirikova et al. (ed.) New Trends in Databases and Information Systems. ADBIS 2017. Communications in Computer and Information Science, vol.767. Springer, Cham, 2017. p. 246-256. (In Eng.) DOI: https://doi.org/10.1007/978-3-319-67162-8_24
[24] Sidorova J. Speech emotion recognition with TGI+.2 classifier. In: Proceedings of the 12th Conference of the European Chapter of the Association for Computational Linguistics: Student Research Workshop (EACL '09). Association for Computational Linguistics, USA; 2009. p. 54-60. Available at: https://dl.acm.org/doi/10.5555/1609179.1609186 (accessed 02.12.2019). (In Eng.).
[25] Sidorova J., Garcia J. Bridging from Syntactic to Statistical Methods: Classification with Automatically Segmented Features from Sequences. Pattern Recognition. 2015; 48(11):3749-3756. (In Eng.) DOI: https://doi.org/10.1016/j.patcog.2015.5.1
[26] Sidorova J, Anisimova M. NLP-inspired structural pattern recognition in a chemical application. Pattern Recognition Letters. 2014; 45:11-16. (In Eng.) DOI: https://doi.org/10.1016/j.patrec.2014.2.12
[27] Sidorova J., Fernandez J., Cester J., Rallo R., Giralt Fr. Predicting Biodegradable Quality of Chemicals with the TGI+.3 Classifier. In: R. Fox, M.H. Hamza (ed.) (717) Artificial Intelligence and Applications / 718: Modelling, Identification, and Control - 2011. February 14-16, 2011, Innsbruck, Austria; 2011. p. 108-115. (In Eng.) DOI: https://doi.org/10.2316/P.2011.717-044
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
