PREDICTION PERFORMANCE OF AIRPORT TRAFFIC USING BILSTM AND CNN-BI-LSTM MODELS
Notice bibliographique
Résumé
The COVID-19 pandemic has had a significant and enduring impact on the aviation industry, necessitating the accurate prediction of airport traffic. This study compares the predictive accuracy of biLSTM (Bidirectional Long Short-Term Memory) and CNN-biLSTM (Convolutional Neural Network-Bidirectional Long Short-Term Memory) models using various optimization techniques such as RMSProp, Stochastic Gradient Descent (SGD), Adam, Nadam, and Adamax. The evaluation is based on Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) indices. In the United States, the biLSTM model utilizing the Nadam optimizer achieved an MAPE score of 9.76%. On the other hand, the CNN-biLSTM model utilizing the Nadam optimizer demonstrated a slightly improved MAPE score of 9.62%. For Australia, the biLSTM model using the Nadam optimizer obtained an MAPE score of 31.52%. However, the CNN-biLSTM model employing the RMSprop optimizer had a marginally higher MAPE score of 33.33%. In Chile, the biLSTM model using the Adam optimizer obtained an MAPE score of 44.04%. Conversely, the CNN-biLSTM model using the RMSprop optimizer had a slightly higher MAPE score of 44.09%. Lastly, in Canada, the biLSTM model using the Nadam optimizer achieved a comparatively low MAPE score of 14.99%. Similarly, the CNN-biLSTM model utilizing the Adam optimizer demonstrated a slightly better MAPE score of 14.75%. These results highlight that the choice of optimization technique, model architecture, and balanced dataset can significantly influence the prediction accuracy of airport traffic.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».