Spatio-Temporal Feature Engineering and Selection-Based Flight Arrival Delay Prediction Using Deep Feedforward Regression Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle