Machine learning-based feature selection approach for no-show rate prediction: A case of aviation industry
Makine öğrenimi tabanlı özellik seçim yaklaşımıyla no-show oranı tahmini: Havacılık sektörü üzerine bir vaka analizi
- Tez No: 896701
- Danışmanlar: DOÇ. DR. İBRAHİM YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 164
Özet
Günümüzde artan rekabet koşulları, hızla değişen müşteri talepleri ve küreselleşme, şirketleri düşük kar marjlarıyla çalışmaya ve hızla değişen koşullara uyum sağlayarak, rekabet avantajı elde etmeye zorlamaktadır. Bu tez, günümüzün en yoğun rekabet ortamlarından birisi olan havacılık endüstrisinde, yapay zekâ ve büyük veri gibi teknolojilerin öneminin arttığı bir dönemde gerçekleştirilmiştir. Havacılık endüstrisi, yüksek sermaye gerektiren, düşük kar marjları, yoğun rekabet, karmaşık operasyonel yapıları ve yerel ya da küresel konjonktürün sürekli baskısı altında olmasıyla bilinmektedir. Bu durum, havacılık endüstrisindeki düşük kar marjları göz önüne alındığında, havayollarını sürekli olarak verimliliklerini artırmaya, müşteri memnuniyetlerini koruyarak operasyonel maliyetlerini azaltmaya veya ek gelir yaratabilecekleri alanları keşfetmeye teşvik etmektedir. Yolcuların bilet aldığı halde planlanan uçuşlarına gelmemesi azımsanamayacak bir oranda gerçekleşmektedir. Bu durum havayolları için overbooking imkânı tanımaktadır ve uçuşa gelmeyen yolcuların oranın doğruya yakın tahmin edilmesi durumunda ciddi miktarda ek gelir elde etme imkânı tanımaktadır. Ancak yolcuların tamamının uçuşa gelmesi durumda havayolları ek maliyetlere katlanmak zorunda kalacak ve itibar kaybı yaşayacağından no-show oranlarını doğru bir şekilde tahmin etmek ve operasyonel planlama süreçlerini optimize etmek havayolları için kritik öneme sahiptir. No-show oranları genel olarak tarihsel verilerin istatistiksel yöntemlerle analiziyle tahmin edilmektedir. Bununla beraber son dönemde hızla gelişen makine öğrenimi ve büyük veri analitiği, bu tür karmaşık sorunların çözümünde önemli bir rol oynama potansiyeline sahiptir. Literatürde no-show oranlarının makine öğrenimi yöntemleriyle tahminine yönelik çok az sayıda çalışma bulunmaktadır. Bu çalışmalarda no-show tahmini için yalnızca Passanger-Name-Record (PNR) bilgileri kullanılmakta ve bu durum birçok çevresel-dışsal faktörü göz ardı etmektedir. Yalnızca yolcu bilgilerinin kullanılması ise, her yolcunun birbirinden benzersiz özellikle sahip olması sebebiyle tahmin başarısını düşürmektedir. Bu çalışmada ise diğer çalışmalardan farklı olarak PNR kullanılmadan, hava durumu, trafik yoğunluğu gibi çevresel faktörlerin yanı sıra özel günler ve resmî tatiller gibi dışsal faktörlerin no-show üzerindeki etkisi büyük veri analizi ve makine öğrenimi yöntemleri kullanılarak araştırılmaktadır. Bu çalışma, havacılık endüstrisindeki operasyonel planlama süreçlerini iyileştirme konusunda benzersiz ve kritik ihtiyacına odaklanmaktadır. Aynı zamanda havacılık endüstrisindeki zorlukları anlama ve no-show oranını hesaplamadaki mevcut sınırlamaları ele alma konusunda katkı sunması amaçlanmıştır. Bu amacı gerçekleştirmek için no-show oranını doğru bir şekilde tahmin etmenin önemi ve etkileri kapsamlı bir şekilde incelenmiş, ele alınan probleme yönelik makine öğrenimi algoritmaları ile bir model sunulmuştur.
Özet (Çeviri)
In today's environment of increasing competition, rapidly changing customer demands, and globalization, companies are compelled to operate with low profit margins and adapt swiftly to changing conditions to gain a competitive advantage. This thesis was conducted during a period when the importance of technologies such as artificial intelligence and big data is increasing in the highly competitive aviation industry. The aviation industry is known for its high capital requirements, low profit margins, intense competition, complex operational structures, and constant pressure from local or global conditions. Considering the low profit margins in the aviation industry, airlines are continually encouraged to enhance their efficiency, reduce operational costs while maintaining customer satisfaction, or explore areas that could generate additional revenue. A significant proportion of passengers who purchase tickets do not show up for their scheduled flights. This situation allows airlines to practice overbooking, and accurately predicting the rate of no-shows can provide substantial additional revenue. However, if all passengers do show up, airlines would incur additional costs and suffer reputational damage. Therefore, accurately predicting no-show rates and optimizing operational planning processes are critically important for airlines. No-show rates are generally estimated by analyzing historical data using statistical methods. However, recently developed machine learning and big data analytics have the potential to play a significant role in solving such complex problems. There are very few studies in the literature on predicting no-show rates using machine learning methods. These studies typically use only Passenger Name Record (PNR) data for no-show prediction, neglecting many external factors. Using only passenger information reduces the accuracy of predictions due to the unique characteristics of each passenger. Unlike other studies, this research investigates the impact of external factors such as weather conditions, traffic density, special occasions, and public holidays on no-show rates without using PNR data, employing big data analysis and machine learning methods. This study focuses on the unique and critical need to improve operational planning processes in the aviation industry. It aims to contribute to understanding and addressing the challenges in the aviation industry, particularly in accurately calculating the no-show rate. To achieve this goal, the importance and effects of accurately predicting the no-show rate have been comprehensively examined, and a model has been proposed using machine learning algorithms to address the problem at hand.
Benzer Tezler
- Nesneye yönelik sistemlerde kusurlu sınıfların öngörülmesi için makine öğrenmesi temelli bir yöntem oluşturulması
Creating a machine learning based method for predicting defective classes in object oriented systems
FİKRET AKTAŞ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEZA BUZLUCA
- Antenna design for breast cancer detection and machine learning approach for birth weight prediction
Meme kanseri tespiti için anten tasarımı ve doğum ağırlığı tahmini için makine öğrenmesi yaklaşımı
HALUK KIRKGÖZ
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ONUR KURT
- Zihinsel ağırlıklı işler için bilişsel görev analizi yöntemi
Başlık çevirisi yok
NİLGÜN YAPICIOĞLU FIĞLALI
Doktora
Türkçe
1998
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET F. ÖZOK
- Türkçe metinlerde duygu analizi
Sentiment analysis in Turkish texts
CUMALİ TÜRKMENOĞLU
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET CÜNEYD TANTUĞ
- Çoruh, Seyhan ve Ceyhan havzalarında kuraklık analizi
Drought analysis in Çoruh, Seyhan and Ceyhan river basins
TOLGA BARIŞ TERZİ
Yüksek Lisans
Türkçe
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. BİHRAT ÖNÖZ