|
Abstract:
|
Atrasos em voos comerciais provocam prejuízos tanto para os usuários, tal como perda de compromissos, como para as companhias aéreas, que por vezes são obrigadas a pagar taxas e indenizações, entre outros. A literatura não aponta nenhuma solução analítica para esse problema, visto que os motivos para estes atrasos são muitas vezes uma combinação de diversos fatores. Sendo assim, este trabalho apresenta uma solução de mineração de dados e aprendizado de máquina, em conjunto com uma aplicação Web, para estimar atrasos em voos comerciais no Brasil. Dados de voos comerciais passados, disponibilizados pela ANAC, Agência Nacional de Aviação Civil, bem como dados meteorológicos históricos fornecidos pelo INMET, Instituto Nacional de Meteorologia, foram utilizados para criar um conjunto de dados unificado. Os dados passam pelo fluxo clássico de mineração de dados, que inclui integração, limpeza, tratamento e transformação. Uma etapa de engenharia de features (atributos) também foi realizada a fim de melhorar o desempenho dos modelos treinados. Após o tratamento dos dados, é realizado o treinamento de modelos preditivos utilizando métodos baseados em árvores (Decision Trees e Random Forests). Os resultados de treinamento apontam que uma Random Forest, com os devidos ajustes de hiperparâmetros, tem o melhor desempenho, alcançando uma acurácia de 85%. A aplicação Web disponibilizará interações com o usuário para consulta intuitiva dos voos, informando a ocorrência, ou não, de atraso. |
