پیش‌بینی تاخیر در پروازها در فرودگاه بین‌المللی امام خمینی: یک رویکرد مبتنی بر xgboost

تاخیر در پروازها یکی از چالش‌های اساسی در صنعت هوانوردی است که منجر به نارضایتی مسافران، خسارات مالی برای شرکت‌های هواپیمایی و اختلال در عملیات فرودگاهی می‌شود. اگرچه مطالعات بسیاری به بررسی عوامل موثر بر تاخیر پرداخته‌اند، اما همچنان نیاز به تحقیقات بیشتری در این زمینه، به ویژه در خصوص استفاده از الگوریتم‌های پیشرفته یادگیری ماشین و بررسی تاثیر عوامل مختلف بر تاخیرها در فرودگاه‌های خاص وجود دارد. در این پژوهش، با استفاده از الگوریتم یادگیری درختی xgboost و زبان برنامه‌نویسی r، تاثیر شرایط آب و هوایی و عوامل مرتبط با پرواز بر تاخیر پروازها در فرودگاه امام خمینی مورد بررسی قرار گرفته است. هدف این پژوهش، توسعه یک مدل پیش‌بینی دقیق برای تاخیر پروازها و شناسایی عوامل کلیدی موثر بر آن‌ها است. با تحلیل داده‌های تاریخی پروازها و اطلاعات هواشناسی، مدل پیش‌بینی توسعه داده شده قادر به شناسایی عوامل کلیدی موثر بر تاخیرها بوده و به دقت 99.63 درصد در تشخیص تاخیر دست یافته است. نتایج این پژوهش نشان می‌دهد که عواملی همچون سرعت باد، بارش، دید، نوع هواپیما، زمان حرکت و مسیر پرواز، تاثیر قابل توجهی بر وقوع و مدت زمان تاخیرها دارند. این یافته‌ها می‌توانند به تصمیم‌گیری آگاهانه‌تر در مدیریت فرودگاه، برنامه‌ریزی پروازها و کاهش تاخیرها کمک کنند و در نهایت منجر به بهبود کارایی عملیاتی و افزایش رضایت مسافران شوند.

predicting flight delays at imam khomeini international airport: an xgboost-based approach

flight delays represent a significant challenge in the aviation industry, leading to passenger dissatisfaction, financial losses for airlines, and disruptions in airport operations. while numerous studies have investigated the factors influencing delays, further research is needed, particularly in utilizing advanced machine learning algorithms and examining the impact of various factors on delays at specific airports. in this study, we leverage the xgboost tree-based learning algorithm and the r programming language to investigate the influence of weather conditions and flight-related factors on flight delays at imam khomeini international airport (ikia). the objective is to develop an accurate flight delay prediction model and identify the key factors contributing to delays. by analyzing historical flight data and meteorological information, the developed prediction model effectively identifies key factors influencing delays, achieving a 99.63% accuracy in delay detection. the results indicate that factors such as wind speed, precipitation, visibility, aircraft type, departure time, and flight route significantly impact the occurrence and duration of delays. these findings can facilitate informed decision-making in airport management, flight scheduling, and delay mitigation, ultimately leading to improved operational efficiency and enhanced passenger satisfaction.