Spatio-Temporal Feature Engineering and Selection-Based Flight Arrival Delay Prediction Using Deep Feedforward Regression Network
Notice bibliographique
Résumé
Flight delays continue to pose a substantial concern in the aviation sector, impacting both operational efficiency and passenger satisfaction. Existing systems, while attempting to predict delays, often lack accurate predictive capabilities due to poor modeling setups, insufficient feature engineering, and inadequate feature selection processes, leading to suboptimal predictions and ineffective decision-making. Precisely forecasting flight arrival delays is essential for improving airline scheduling and resource allocation. The aim of our research is to create a superior prediction model that surpasses current modeling approaches. This study aims to forecast airline arrival delays by examining data from five prominent U.S. states in 2023—California (CA), Texas (TX), Florida (FL), New York (NY), and Georgia (GA). Our proposed modeling approach involves feature engineering to identify significant variables, followed by a novel feature selection algorithm (CFS) designed to retain only the most relevant features. Delay forecasts were generated using our proposed Deep Feed Forward Regression Network (DFFRN), a five-layer deep learning approach designed to enhance predictive accuracy by incorporating extensively selected features. The findings indicate that the DFFRN model substantially outperformed conventional models documented in the literature. The DFFRN had the highest R2 score (99.916%), indicating exceptional predictive efficacy, highlighting the efficacy of the DFFRN model for predicting flight delays and establishing it as a significant asset for improving decision-making and minimizing operational delays in the aviation sector.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».