Uçuş Yolcu Sayısı Tahmini

Bir uçuşun kaç yolcu taşıyacağını bilmek, havayolunun neredeyse her kararının altında yatar: hangi uçağın atanacağı, kaç koltuğun hangi sınıfa ayrılacağı, fiyatın ne olacağı. Yanlış tahminin iki yönü de pahalıdır - boş uçan koltuk da, doldurulamayan talep de.

Bu tahmin geleneksel olarak deneyime dayanır. Ama tek aktarmalı rotalarda değişken sayısı bir insanın kafasında tutabileceğinin ötesine geçiyor: taşıyıcı, uçak tipi, kalkış-aktarma-varış üçlüsü, satış ve kabin sınıfı, kalkış günü ve saati.

İhtiyaç, bu değişkenleri birlikte değerlendiren ve her uçuş için somut bir sayı üreten bir modeldi.

Dünya genelindeki tek aktarmalı uçuş rezervasyon verisi üzerinde, uçuş başına yolcu sayısını tahmin eden bir regresyon modeli geliştirdim.

1. Ham operasyon verisini modele uygun hâle getirdim. Veri büyük ölçüde kategorik: taşıyıcı kodu, uçak tipi, havalimanı üçlüsü, satış ve kabin sınıfı. Bunlar kodlandı; kalkış tarihi ve saatinden haftanın günü, ay ve zaman dilimi gibi öznitelikler türetildi - talep bir salı sabahıyla cuma akşamı arasında aynı davranmıyor.
2. Çarpık dağılımı dönüştürdüm. Yolcu sayısı dağılımı sağa çarpık: çok sayıda düşük değer, az sayıda çok yüksek. Hedef değişkene logaritmik dönüşüm uygulandı, böylece model birkaç büyük uçuşun peşinden sürüklenmek yerine dağılımın tamamını öğrendi.
3. On bir modeli aynı koşullarda yarıştırdım. Doğrusal regresyon, Ridge, Lasso, ElasticNet, KNN, karar ağacı, rastgele orman, gradyan artırma, XGBoost, LightGBM ve CatBoost - hepsi 10 katlı çapraz doğrulamada RMSE ile ölçüldü. Model seçimi tercihe değil sonuca dayandı.
4. Kazananı ayarladım. En iyi sonucu veren LightGBM, GridSearch ile hiperparametre araması yapılarak ince ayarlandı ve nihai performans yeniden çapraz doğrulamayla raporlandı.

Sonuç, planlama ekibine tecrübeye dayalı bir tahmin yerine uçuş başına sayısal bir talep öngörüsü veriyor - ve daha önemlisi, hangi özelliklerin talebi sürüklediğini görünür kılıyor.

Teknoloji: Python, pandas, scikit-learn, XGBoost, LightGBM, CatBoost; kategorik kodlama, tarih-saat öznitelik türetme, logaritmik hedef dönüşümü, 10 katlı çapraz doğrulama, GridSearchCV.