Geri Dön

Optimizing backup crew planning in airlines using machine learning

Havayolu şirketlerinde yedek ekip sayısının makine öğrenmesi algoritmaları ile tahminleme modeli

  1. Tez No: 898053
  2. Yazar: ŞUHEDA DÜZCAN BARAÇLI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET YASİN ULUKUŞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Büyük Veri ve İş Analitiği Ana Bilim Dalı
  12. Bilim Dalı: Büyük Veri ve İş Analitiği Bilim Dalı
  13. Sayfa Sayısı: 79

Özet

Havacılık sektörünün doğası gereği oldukça zorlu ve karmaşık bir operasyonel süreci yürütülmektedir. Operasyonel süreçleri etkileyen birçok iç ve dış faktör vardır. Tüm süreç adımları, farklı problemler olarak ele alınarak optimize edilir. Operasyonların da önemli bir parçası olan ve gider sıralamasında ikinci sırada yer alan ekip planlaması, gelirlerin maksimuma çıkarılmasında ve maliyetlerin minimuma indirilmesinde önemli bir rol oynamaktadır. Havacılık endüstrisinde mürettebat planlaması karmaşıktır ve hava değişiklikleri, kalabalık hava sahası ve beklenmedik teknik sorunlar gibi dış faktörler nedeniyle daha da zorlayıcı hale gelmektedir. Uçuşların planlanması, mürettebatın programlanması ve bunların birbiriyle eşleştirilmesi ayrı zor problemler olarak değerlendirilmektedir. Ayrıca bu bileşenler arasında etkin iletişim ve koordinasyonun sağlanması işi daha da karmaşık hale getiriyor. Bu süreçlerde yaşanabilecek aksaklıkların tüm uçuş ve operasyon sürecini etkilememesi için önlem alınması büyük önem taşıyor. Ayrıca, acil durum planlarının ve yedekleme stratejilerinin uygulanması, beklenmedik olayların etkisinin en aza indirilmesine, daha sorunsuz operasyonların sağlanmasına ve havacılık yönetiminde genel verimliliğin korunmasına yardımcı olabilir. Bu dinamik ortamda uyarlanabilirlik ve hızlı tepki hayati önem taşıyor. Dinamizmin ve hızlı problem çözmenin kritik olduğu bu süreçlerde, ekibin etkin yönetilmesi için ilave çabalara ihtiyaç duyulmaktadır. Bu noktada plansız uçuşların ve operasyonel aksaklıkların sorunsuz yönetimi için vazgeçilmez olan rezerve mürettebat planlaması devreye giriyor. Plansız uçuş ve operasyon kesintileri için yedek mürettebat planlaması gereklidir. Mürettebatın yokluğu tüm uçuş sürecini etkileyebileceğinden, günlük olarak bulundurulacak mürettebat sayısının optimize edilmesi çok önemlidir. Ayrılmış mürettebatın optimizasyonu, mürettebat atama problemi için çözüm yöntemleri kullanılarak ele alınmıştır. Havayolları, gelişmiş analitik ve makine öğrenimini kullanarak operasyonel eğilimleri daha iyi anlayabilir ve hareket halindeyken daha akıllı kararlar alabilir. Bu araştırma, bu çözümlerin ayrılmış mürettebat planlamasını nasıl geliştirebileceğini araştırıyor. K-En Yakın Komşular (KNN), Rastgele Orman, XGBoost ve Lojistik Regresyon gibi çeşitli makine öğrenme modelleri kullanılarak bir sınıflandırma problemi üzerinde deneyler yapıldı. Her modelin performansı çeşitli değerlendirme kriterleri kullanılarak karşılaştırıldı.

Özet (Çeviri)

Due to the inherent nature of the aviation sector, it entails a highly challenging and complicated operational process. There are many internal and external factors that affect operational processes. All process steps are optimized by addressing them as separate challenges. Crew planning, which is also a significant part of operations and ranks second in terms of expenses, plays a crucial role in maximizing revenue and minimizing costs. Crew planning in the aviation industry is complex, made even more challenging by external factors like weather changes, crowded airspace, and unexpected technical problems. Planning flights, scheduling crews, and matching them with each other are considered as separate difficult problems. Additionaly, ensuring efficient communication and coordination between these components further complicates the task. Taking precautions against disruptions in these processes is essential to prevent them from affecting the entire flight and operation process. Moreover, implementing contingency plans and backup strategies can help minimize the impact of unexpected events, ensuring smoother operations and maintaining overall efficiency in aviation management. Adaptability and quick response are vital in this dynamic environment. In these processes where dynamism and fast problem-solving are critical, additional efforts are required to manage the team effectively. In this regard, reserved crew planning comes into play, which is essential for the smooth management of unplanned flights and operational disruptions. Reserved crew planning is necessary for unplanned flight and operation disruptions. As crew absence can impact the entire flight process, it's crucial to optimize the number of crew members to be kept on reserved daily. The optimization of the reserved crew is addressed using solution methos for crew assignment problem. Using advanced analytics and machine learning, airlines can better understand operational trends and make smarter decisions on the fly. This research explores how these solutions can enhance reserved crew planning. Experiments were conducted on a classification problem using various machine learning models such as K-Nearest Neighbors (KNN), Random Forest, XGBoost, and Logistic Regression. The performance of each model was compared using various evaluation criteria.

Benzer Tezler

  1. Developing a microgrid system for Buyukada island in Istanbul

    Başlık çevirisi yok

    SALAH MASRY

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Enerjiİstanbul Bilgi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FÜSUN SERVİN TUT HAKLIDIR

  2. Analytical investigation of quasi-aeroservoelastic behaviour of an aircraft spoiler

    Bir uçak spoilerının quasi-aeroservoelastik davranışının analitik olarak incelenmesi

    YİĞİT KURTİŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. ZAHİT MECİTOĞLU

    PROF. DR. ATA MUGAN

  3. A321 Airbus in-flight network optimization based on spanning tree protocol

    STP baz alınarak A321 uçak içi ağ optimizasyonu

    OSMAN BAĞCI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı

    PROF. DR. MEHMET KEMAL ÖZDEMİR

  4. Dağıtık mimari tasarımı ve yönetim sistemi geliştirilmesi

    Distributed architecture design and management system development

    MUSTAFA HALUK AKGÜNDÜZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. EŞREF ADALI

  5. Gemi trafik hizmetleri yönetiminin emniyet tabanlı işlevsel risk analizi

    Safety-based functional risk analysis of vessel traffic services management

    ADEM VİRAN

    Doktora

    Türkçe

    Türkçe

    2024

    Denizcilikİstanbul Teknik Üniversitesi

    Gemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYHAN MENTEŞ