Antecipação de mudança de regime na fatia diária de voos atrasados e cancelados no aeroporto internacional de São Paulo/Guarulhos

Autores

  • Rosana Batista Teixeira Instituto Tecnológico de Aeronáutica, São Paulo, Brasil
  • Rodrigo Arnaldo Scarpel Instituto Tecnológico de Aeronáutica, São Paulo, Brasil

DOI:

https://doi.org/10.14295/transportes.v29i1.2236

Palavras-chave:

Detecção de pontos de mudança, Modelos escondidos de Markov, Modelos de Classificação, Atrasos de voos

Resumo

Atrasos e cancelamentos de voos são ocorrências frequentes na maioria dos aeroportos em todo o mundo. No Brasil, a liberalização do transporte aéreo provocou a concentração de voos em alguns aeroportos gerando o aumento da ocorrência de atrasos e cancelamentos de voos em razão de dias congestionados. O Aeroporto Internacional de São pulo/Guarulhos (GRU) é um dos mais afetados por atrasos causados por congestionamento no país. O objetivo deste trabalho é a criação de um modelo de previsão para a antecipação da ocorrência de dias congestionados no Aeroporto Internacional de São Paulo/Guarulhos.  A precisão do modelo foi considerada satisfatória e antecipou a mudança de regime na fatia diária de voos atrasados e cancelados para um período à frente.

Downloads

Não há dados estatísticos.

Referências

Abdel-Ary, M.; Lee, C.; Bai, Y.; Li, X. e M. Michalak (2007) Detecting periodic patterns of arrival delay. Journal of Air Transport Management, v. 13, n. 6, p. 355–361.

ANAC – Agência Nacional de Aviação Civil, acessado 2020, Metadados do conjunto de dados: Voo Regular Ativo (VRA), .

Bendinelli, W. E.; H. F. A. J. Bettini e A. V. M. Oliveira (2016) Airline delays, congestion internalization and non-price spillover effects of low cost carrier entry. Transportation Research: Part A, Policy and Practice, v. 85, p. 39-52.

Bureau of Transportation Statistics, acessado 2020. Airline On-Time Performance Data, .

Breiman, L. (2001) Random Forests. Machine Learning, v. 45, n.1, p. 5-32.

Chandramouleeswaran, K. R.; Krzemien, D.; Burns, K. e H. T. Tran (2018) Machine Learning Prediction of Airport Delays in the US Air Transportation. 2018 Aviation Technology, Integration, and Operations Conference, AIAA, Atlanta, Georgia, USA, p. 1–10.

Costa, T.F.G.; Lohmann, G.; Oliveira, A.V.M.; (2010) A model to identify airport hubs and their importance to tourism in Brazil. Research in Transportation Economics, v. 26, p. 3–11.

Jacquillat, A. e A. R. Odoni (2015) An Integrated Scheduling and Operations Approach to Airport Congestion Mitigation. Operations Research, v. 63, n. 6, p. 1390–1410.

James, G.; Witten, D.; Hastie, T. e R. TibshiraniI (2013) An Introduction to Statistical Learning with Applications in R. Ed. Spring-er , NewYork, NY, USA.

Janic, M. (2015) Modelling the resilience, friability and costs of an air transport network affected by a large-scale disruptive event. Transportation Research Part A: Policy and Practice, v. 71, p. 1-16.

Kandhasamy, J. P. e S. Balamurali (2015) Performance Analysis of Classifier Models to Predict Diabetes Mellitus. Procedia Computer Science, v. 47, p. 45–51.

Killic, R. e A. I. Eckley (2014) changepoint: An r package for changepoint analysis. Journal of Statistical Software, v. 58, n. 3, p. 1–19.

Maindonald, J. e W. J. Braun (2003) Data Analysis and Graphics Using R an Example-Based Approach. Ed. Cambridge University Press, New York, NY, USA.

Rebollo, J. J. e H. Balakrishnan (2014) Characterization and prediction of air traffic delays. Transportation Research Part C: Emerging Technologies, v. 44, p. 231–241.

Santos, G. e M. Robin (2010) Determinants of delays at European airports. Transportation Research Part B: Methodolo-gical, v. 44, n. 3, p. 392-403.

Santos, T. A. dos; Vendrame, I.; Alves, C. J. P.; Caetano, M. e J. P. S. Silva (2018) Modelo de identificação do impacto futuro de chuvas extremas nos atrasos/cancelamentos de voos. Transportes, v. 26, n. 2, p. 44–53.

Scarpel, R. A. (2014) A demand trend change early warning forecast model for the city of São Paulo multi-airport system. Transportation Research Part A: Policy and Practice, v. 65, p. 23–32.

Scarpel, R. A. e L. C. Pelicioni (2018) A data analytics approach for anticipating congested days at the São Paulo International Airport. Journal of Air Transport Management, v. 72, p. 1–10.

Xiong, J. e M. Hansen (2013) Modelling airline light cancellation decisions. Transportation Research Part E: Logistics and Transportation Review, v. 56, p. 64-80.

Visser, I. (2011) Seven things to remember about hidden Markov models: A tutorial on Markovian models for time series. Journal of Mathematical Psychology, v. 55, n. 6, p. 403–415.

Wensveen, J. G. (2016) Air Transportation: A Management Perspective (8ª. ed.). Routledge, New York, NY, USA and London, UK.

Yu, B.; Guo, Z.; Asian, S.; Wang, H. e G. Chen (2019) Flight delay prediction for commercial air transport: A deep learning approach. Transportation Research Part E, v. 125, p. 203–221.

Zucchini, W.; Macdonald, I. L. e R. Langrock (2017) Hidden Markov Models for Time Series: An Introduction Using R. Ed. CRC Press, Boca Raton, FL, USA.

Downloads

Publicado

2021-04-30

Como Citar

Teixeira, R. B., & Scarpel, R. A. (2021). Antecipação de mudança de regime na fatia diária de voos atrasados e cancelados no aeroporto internacional de São Paulo/Guarulhos. TRANSPORTES, 29(1), 117–131. https://doi.org/10.14295/transportes.v29i1.2236

Edição

Seção

Artigos