최고의 항공편 추적 앱인 Flighty는 항공 당국의 데이터와 더불어 머신 러닝을 사용하여 지연에 대한 조기 경고 신호를 제공하고 지연의 정확한 이유를 파악합니다. 이 최신 릴리스를 통해 앱은 이제 지연의 두 가지 가장 큰 원인인 항공기 지연과 공역 문제를 식별하여 항공사가 이를 수행하기 전에 사용자에게 지연에 대한 사전 경고를 제공할 수 있습니다. 이 업데이트의 아이디어는 항공사가 일반적으로 제공하지 않는 정보를 제공하여 여행 계획에 대한 정보에 입각한 결정을 내릴 수 있도록 돕는 것입니다.  예를 들어, 항공사가 여행을 30분, 그다음 1시간 등으로 지연시킬 수 있습니다. Flighty는 공항의 공식 지상 정차나 날씨 문제 등으로 인해 항공편이 최소 5시간 지연될 가능성이 있음을 미리 알려줄 수 있습니다. 재예약이나 공항으로 향하기 위해 조금 더 기다리는 것과 같은 조치를 취하고 싶을 수 있습니다.  Flighty의 새로운 기능의 원리를 자세히 살펴보고, LSTM을 사용하여 항공편 지연을 예측하는 강력한 기능을 프로젝트에 추가하는 방법을 안내해 드리겠습니다.  항공편 지연 예측 소개  항공편 지연 예측은 지연의 영향을 미칠 수 있는 요인이 많기 때문에 매우 어려울 수 있으며, 주로 날씨, 항공 교통 및 기술적 문제와 관련이 있습니다. 이러한 예측 모델은 항공사가 운영을 최적화하고, 승객 만족도를 높이고, 운영 비용을 낮추는 데 도움이 될 수 있습니다.  항공편 지연 예측의 주요 기능  효과적인 항공편 지연 예측 모델을 구축하려면 지연에 영향을 줄 수 있는 다양한 기능을 사용하는 것이 필수적입니다. 이 글에서는 다음 기능을 사용합니다.    : 비행 날짜. FL_DATE    : 출발 지연 시간(분)입니다. DEP_DELAY    : 항공편이 출발하는 도시입니다. ORIGIN_CITY_NAME    : 목적지 도시. DEST_CITY_NAME    : 예정된 출발 시간. CRS_DEP_TIME    : 비행 거리(마일)입니다. DISTANCE  데이터 준비  데이터 준비는 머신 러닝 모델을 구축하는 과정에서 중요한 단계 중 하나입니다. 항공편에 대한 과거 데이터를 사용하고 누락된 값 처리, 범주형 특성 인코딩, 데이터 정규화 등 몇 가지 전처리 단계를 수행합니다.     import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout # Load the flight data flights_df = pd.read_csv('path_to_your_flight_data.csv') # Convert FL_DATE to datetime and set as index flights_df['FL_DATE'] = pd.to_datetime(flights_df['FL_DATE']) flights_df.set_index('FL_DATE', inplace=True) # Select relevant columns and drop rows with NaN values features = ['DEP_DELAY', 'ORIGIN_CITY_NAME', 'DEST_CITY_NAME', 'CRS_DEP_TIME', 'DISTANCE'] flights_df = flights_df[features].dropna() # Convert categorical features to dummy variables flights_df = pd.get_dummies(flights_df, columns=['ORIGIN_CITY_NAME', 'DEST_CITY_NAME']) # Normalize the data scaler = MinMaxScaler() scaled_data = scaler.fit_transform(flights_df)  LSTM을 위한 시퀀스 생성  순환 신경망의 한 종류는 LSTM(Long Short-Term Memory) 네트워크로, 시계열 데이터에서 장기 종속성을 학습하도록 특별히 설계되었습니다. 먼저 LSTM을 사용하여 데이터 포인트 시퀀스를 만들어야 합니다.   # Create sequences def create_sequences(data, seq_length): sequences = [] for i in range(len(data) - seq_length): seq = data[i:i+seq_length] target = data[i+seq_length][0] # DEP_DELAY is the target sequences.append((seq, target)) return sequences seq_length = 30 sequences = create_sequences(scaled_data, seq_length)  훈련-테스트 분할  다음으로, 모델의 성능을 평가하기 위해 시퀀스를 훈련 세트와 테스트 세트로 나눕니다.   # Split into train and test sets train_size = int(len(sequences) * 0.8) train_sequences = sequences[:train_size] test_sequences = sequences[train_size:] # Prepare the input and output X_train, y_train = zip(*train_sequences) X_train, y_train = np.array(X_train), np.array(y_train) X_test, y_test = zip(*test_sequences) X_test, y_test = np.array(X_test), np.array(y_test)  LSTM 모델 구축  그런 다음 LSTM 모델을 정의하고 학습합니다. 이 모델은 오버피팅을 방지하기 위한 드롭아웃 레이어가 있는 두 개의 LSTM 레이어와 밀집 출력 레이어를 포함합니다.     # Build the LSTM model model = Sequential() model.add(LSTM(50, return_sequences=True, input_shape=(seq_length, X_train.shape[2]))) model.add(Dropout(0.2)) model.add(LSTM(50)) model.add(Dropout(0.2)) model.add(Dense(1)) model.compile(optimizer='adam', loss='mean_squared_error') # Train the model model.fit(X_train, y_train, epochs=20, batch_size=32, validation_data=(X_test, y_test))  예측하기  모델을 학습한 후에는 이를 사용하여 테스트 데이터에 대한 예측을 수행하고 결과를 시각화할 수 있습니다.   # Make predictions predictions = model.predict(X_test) predictions = scaler.inverse_transform(np.concatenate((predictions, np.zeros((predictions.shape[0], scaled_data.shape[1] - 1))), axis=1))[:, 0] from sklearn.preprocessing import MinMaxScaler future_flight_data = { 'DEP_DELAY': 0, 'ORIGIN_CITY_NAME': 'San Francisco, CA', 'DEST_CITY_NAME': 'New York, NY', 'CRS_DEP_TIME': 1230, 'DISTANCE': 2904 } future_flight_df = pd.DataFrame([future_flight_data]) future_flight_df = pd.get_dummies(future_flight_df, columns=['ORIGIN_CITY_NAME', 'DEST_CITY_NAME']) scaler_columns = list(scaler.feature_names_in_) for col in scaler_columns: if col not in future_flight_df.columns: future_flight_df[col] = 0 future_flight_df = future_flight_df[scaler_columns] # Normalize the data using the fitted scaler scaled_future_flight = scaler.transform(future_flight_df) seq_length = 30 # Repeat the future flight data to create a sequence future_sequence = np.array([scaled_future_flight] * seq_length) future_sequence = future_sequence.reshape(1, seq_length, future_sequence.shape[2]) predicted_delay = model.predict(future_sequence) predicted_delay = scaler.inverse_transform( np.concatenate( (predicted_delay, np.zeros((predicted_delay.shape[0], scaled_future_flight.shape[1] - 1))), axis=1 ) )[:, 0] print(f"Predicted delay for the specific future flight: {predicted_delay[0]:.2f} minutes")   Predicted delay for the specific future flight: 4.10 minutes  결과 해석  위의 플롯은 실제 지연과 예측 지연을 보여줍니다. 두 선이 매우 작은 편차를 보인다면, 모델은 지연을 예측하는 데 좋은 성과를 보이고 있는 것입니다. 그러나 하이퍼파라미터를 미세 조정하거나 더 많은 기능을 추가하거나 더 진보된 아키텍처를 사용하여 모델을 개선할 여지가 항상 있습니다.  과제 및 고려 사항  이러한 이점에도 불구하고 몇 가지 과제와 고려 사항이 있습니다.    : 데이터 자체의 품질과 완전성은 예측의 정확도에 큰 영향을 미칩니다. 데이터 품질    : 효과적인 모델을 구축하기 위해 올바른 특징을 선택하는 것입니다. 특징 선택    : 모델의 복잡성이 높을수록 계산 집약도가 높아지고 해석하기가 더 어렵습니다. 모델 복잡성  결론  일반적으로, 항공편 지연 예측의 머신 러닝은 매우 강력한 도구입니다. 항공사의 운영에 엄청난 효율성을 가져다주고 승객에게 더 나은 여행 경험을 제공하는 데 도움이 될 수 있습니다. 이 기사에서 제공하는 예를 통해 항공편 지연 예측기 모델을 구현하고 이 도메인에서 작동하는 머신 러닝의 힘을 느껴보세요.  이는 Flighty의 새로운 기능 중 하나일 뿐이며, 머신 러닝으로 실제 문제를 해결할 수 있는 가능성을 강조합니다. 기술 및 데이터 과학 발전 과정에서 이러한 종류의 모델은 정확도와 적용할 수 있는 문제 유형이 개선되어 더 스마트하고 효율적인 항공 여행을 향한 길을 열 것입니다.   다음 단계  모델을 더욱 개선하는 데 관심이 있는 사람이라면 다음 사항을 고려하세요.    : 그리드 탐색이나 무작위 탐색을 사용하여 모델의 최적 하이퍼파라미터를 찾습니다. 하이퍼파라미터 튜닝    : 날씨 조건, 항공 교통 데이터, 항공기 유형 등 항공편 지연에 영향을 미치는 다른 기능을 살펴보세요. 기능 엔지니어링    : 데이터에서 더 복잡한 패턴을 포착하기 위해 심층 아키텍처, 양방향 LSTM 또는 어텐션 메커니즘을 갖춘 GRU를 사용하여 실험을 설계합니다. 고급 아키텍처  지속적인 반복과 개선을 통해 더 높은 정확도를 달성하여 예측의 신뢰성을 높이고, 그 결과 항공 여행이 더 원활하고 효율적으로 이루어질 수 있습니다.

The code in this story is for educational purposes. The readers are solely responsible for whatever they build with it.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

이 오디오는 이야기의 원래 언어로 제작되었습니다!

너무 오래; 읽다

Make resilience your competitive advantage

Flighty 앱이 이제 항공편 지연을 예측할 수 있습니다. 머신 러닝을 사용하여 예측하는 방법도 있습니다.

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

사용자 중심의 암호화 제품 만들기: 고객 피드백의 중요성

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

AI의 힘을 발휘하세요. 최첨단 기술의 체계적 검토: 개요 및 소개

작업 흐름을 10배 향상하는 방법: 17가지 필수 앱

사용자 중심의 암호화 제품 만들기: 고객 피드백의 중요성

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

AI의 힘을 발휘하세요. 최첨단 기술의 체계적 검토: 개요 및 소개

작업 흐름을 10배 향상하는 방법: 17가지 필수 앱

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps