Uma abordagem de aprendizado profundo para a previsão de atrasos de voo

O aprendizado profundo alcançou melhorias significativas em várias tarefas de aprendizado de máquina, incluindo reconhecimento de imagem, reconhecimento de fala, tradução automática, entre outros. Inspirados pelo enorme sucesso desse paradigma, houve muitas tentativas de aplicar algoritmos de aprendizado profundo a problemas de análise de dados com grandes volumes de dados, incluindo a previsão de fluxo de tráfego. No entanto, não houve tentativa de aplicar os algoritmos de aprendizado profundo à análise de dados de tráfego aéreo. Este artigo investiga a eficácia dos modelos de aprendizado profundo nas tarefas de previsão de atrasos no tráfego aéreo. Ao combinar vários modelos baseados no paradigma de aprendizado profundo, um modelo de previsão preciso e robusto foi construído, permitindo uma análise detalhada dos padrões de atrasos no tráfego aéreo. Em particular, as Redes Neurais Recorrentes (RNN) mostraram grande precisão na modelagem de dados sequenciais. As sequências diárias dos atrasos de partidas e chegadas de voos de um aeroporto individual foram modeladas pela arquitetura RNN Long Short-Term Memory. Foi demonstrado que a precisão das RNN melhora com arquiteturas mais profundas. Neste estudo, também são discutidas quatro maneiras diferentes de construir a arquitetura RNN profunda. Por fim, a precisão do modelo de previsão proposto foi medida, analisada e comparada com métodos de previsão anteriores. Ele mostra a melhor precisão em comparação com todos os outros métodos.