Лучшее приложение для отслеживания рейсов Flighty использует машинное обучение, а также данные авиационных властей, чтобы теперь подавать ранние сигналы предупреждения о задержках и точно определять точную причину задержек. С этой последней версией приложение теперь способно определять две основные причины задержек — опоздание самолетов и проблемы с воздушным пространством — предоставляя пользователям заблаговременное предупреждение о задержках до того, как это сделают авиакомпании. Идея обновления заключается в том, чтобы помочь вам принимать более обоснованные решения о ваших планах путешествий, предоставляя вам информацию, которую авиакомпании обычно не предоставляют.  Например, авиакомпания может задержать ваш рейс на полчаса, затем на час и так далее. Flighty может заранее предупредить вас о том, что ваш рейс, скорее всего, будет задержан как минимум на пять часов из-за чего-то вроде официальной остановки на земле в вашем аэропорту или проблем с погодой. Возможно, вам захочется предпринять такие шаги, как перебронирование или немного подождать, прежде чем отправиться в аэропорт.  Мы подробно рассмотрим механизм работы новой функции Flighty и покажем, как добавить эту мощную функцию в ваш проект: прогнозирование задержек рейсов с использованием LSTM.  Введение в прогнозирование задержки рейсов  Прогнозирование задержки рейса может быть очень сложным из-за ряда факторов, которые могут оказаться влияющими причинами задержек, в основном связанных с погодой, воздушным движением и техническими проблемами. Такие модели прогнозирования могут быть важны для помощи авиакомпаниям в оптимизации операций, повышении удовлетворенности пассажиров и снижении эксплуатационных расходов.  Ключевые особенности прогнозирования задержки рейса  Для построения эффективной модели прогнозирования задержки рейсов необходимо использовать различные признаки, которые могут влиять на задержки. В этой статье мы будем использовать следующие признаки:    : Дата полета. FL_DATE    : Задержка отправления в минутах. DEP_DELAY    : Город, из которого отправляется рейс. ORIGIN_CITY_NAME    : Город назначения. DEST_CITY_NAME    : Запланированное время отправления. CRS_DEP_TIME    : Расстояние полета в милях. DISTANCE  Подготовка данных  Подготовка данных — один из основных шагов в процессе построения модели машинного обучения. Мы будем использовать некоторые исторические данные о полетах и выполним несколько шагов предварительной обработки: обработку пропущенных значений, кодирование категориальных признаков и нормализацию данных.     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)  Создание последовательности для LSTM  Одним из видов рекуррентной нейронной сети является сеть с долговременной краткосрочной памятью или LSTM, которая специально разработана для изучения долгосрочных зависимостей в данных временных рядов. Сначала необходимо создать последовательность точек данных с использованием LSTM.   # 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)  Разделение на обучение и тестирование  Затем мы разделяем последовательности на обучающие и тестовые наборы, чтобы оценить эффективность модели.   # 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)  Построение модели LSTM  Затем мы определяем и обучаем модель LSTM. Модель включает два слоя LSTM со слоями исключения для предотвращения переобучения и плотный выходной слой.     # 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))  Делать прогнозы  После обучения модели мы можем использовать ее для составления прогнозов на основе тестовых данных и визуализации результатов.   # 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  Интерпретация результатов  На приведенном выше графике показаны фактические и прогнозируемые задержки. Если две линии показывают очень небольшое отклонение, то модель отлично справляется с прогнозированием задержек. Однако всегда есть возможность улучшить модель путем тонкой настройки гиперпараметров или путем добавления дополнительных функций или использования более продвинутых архитектур.  Проблемы и соображения  Несмотря на преимущества, существует ряд проблем и соображений:    : Качество и полнота самих данных во многом влияют на то, насколько хорошими могут быть прогнозы. Качество данных    : выбор правильных признаков для построения эффективной модели. Выбор признаков    : чем выше сложность модели, тем больше она требует вычислений и тем сложнее ее интерпретировать. Сложность модели  Заключение  В целом, машинное обучение в прогнозировании задержки рейсов является очень мощным инструментом; оно может помочь обеспечить гигантскую эффективность авиакомпаний в их работе и обеспечить лучший опыт путешествия для пассажиров. Ознакомьтесь с примерами, приведенными в этой статье, чтобы реализовать собственную модель предиктора задержки рейсов и почувствовать силу машинного обучения, работающего в этой области.  Это лишь одна из новых функций Flighty, демонстрирующая возможности машинного обучения для решения реальных проблем. В процессе развития технологий и науки о данных этот тип модели будет совершенствоваться в плане точности и типов проблем, к которым он может быть применен, прокладывая путь к более умным и эффективным авиаперевозкам.   Следующие шаги  Тем, кто заинтересован в дальнейшем совершенствовании своей модели, следует рассмотреть следующее:    : используйте поиск по сетке или случайный поиск, чтобы сосредоточиться на оптимальных гиперпараметрах вашей модели. Настройка гиперпараметров    : изучите другие функции, которые влияют на задержки рейсов, такие как погодные условия, данные о воздушном движении и тип самолета. Разработка функций    : разрабатывайте эксперименты с глубокими архитектурами, двунаправленными LSTM или GRU с механизмами внимания, чтобы выявлять более сложные закономерности в этих данных. Расширенные архитектуры  Благодаря непрерывной итерации и совершенствованию можно добиться более высокой точности и более надежных прогнозов, а значит, более плавных и эффективных авиаперелетов.

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

Этот звук создан на языке оригинала истории!

Слишком долго; Читать

Make resilience your competitive advantage

Приложение Flighty теперь может предсказывать задержки рейсов: вот как это можно сделать с помощью машинного обучения

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Повысьте свою производительность с помощью этих 18 инструментов разработчика 🚀🔥

Valhalla Флоки станет ассоциированным спонсором индийского тура по Шри-Ланке

Раскрытие силы ИИ. Систематический обзор передовых методов: Краткое содержание и введение

Модель Bitcoin UTXO, обеспечивающая работу уникальной экосистемы

Повысьте свою производительность с помощью этих 18 инструментов разработчика 🚀🔥

Valhalla Флоки станет ассоциированным спонсором индийского тура по Шри-Ланке

Раскрытие силы ИИ. Систематический обзор передовых методов: Краткое содержание и введение

Модель Bitcoin UTXO, обеспечивающая работу уникальной экосистемы

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps