Aplicación de un modelo predictivo de consumo de combustible a partir de machine learning y random forest para una aerolínea comercial colombiana
DOI:
https://doi.org/10.18667/cienciaypoderaereo.826Palabras clave:
aprendizaje automático, bosques aleatorios, ingeniería de características, inteligencia artificial, métricas de evaluación, pronóstico de combustibleResumen
En la industria aeronáutica, los costos de producción del hidrocarburo JET A-1 experimentan un incremento cercano al 5% semanal a través de los años, lo cual ha repercutido en un alza de los gastos para los operadores aéreos. En esta investigación, se propone crear un modelo de predicción del consumo de combustible para vuelos regionales, con base en los datos recolectados de vuelos de una aerolínea colombiana durante el período 2018-2019. Para la creación del modelo predictivo, se utilizó la biblioteca Sci-Kit Learn del lenguaje de programación Python, y el enfoque del problema fue la perspectiva de ‘problema inverso’. Luego se procedió con la ingeniería de características para mejorar la calidad del conjunto de datos obtenido y permitir una mayor precisión en la predicción. Se implementó el modelo de predicción para las variables identificadas como dependientes e independientes y, finalmente, se evaluó su rendimiento utilizando las métricas de error absoluto promedio (MAE), error cuadrático medio (MSE) y raíz del error cuadrático medio (RMSE). Los resultados indican que el modelo es capaz de efectuar la predicción del consumo de combustible, con errores bajos en valores cuantitativos.
Descargas
Referencias
Baevski, A., Hsu, W.-N., Xu, Q., Babu, A., Gu, J. y Auli, M. (2022). data2vec: A General Framework for Self-Supervised Learning in Speech, Vision and Language. Proceedings of Machine Learning Research, 162, 1298-1312. https://proceedings.mlr.press/v162/baevski22a.html
Cándaño-Viñas, L. y Gómez, M. (2023). El impacto de la covid-19 en la demanda turística internacional. ININEE CIENCIA: Revista de Investigación Científica, 1(1), 23-38. https://doi.org/10.33110/inineeciencia.v1i1.5
Cheung, J. C. H., Wells, C. A. y Steele, E. C. C. (2023). Evaluation of Methods of Estimating Time-Optimal Flight Routes in a Changing Climate. Meteorological Applications, 30(2). https://doi.org/10.1002/met.2121
Duarte, J. M. y Berton, L. (2023). A Review of Semi-Supervised Learning for Text Classification. Artificial Intelligence Review, 56(9), 9401-9469. https://doi.org/10.1007/s10462-023-10393-8
Espinosa-Zúñiga, J. J. (2020). Aplicación de algoritmos Random Forest y xgBoost en una base de solicitudes de tarjetas de crédito. Ingeniería, Investigación y Tecnología, 21(3), 1-16. https://doi.org/10.22201/fi.25940732e.2020.21.3.022
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M. y Duchesnay, É. (2011). Scikitlearn: Machine Learning in Python. Journal of Machine Learning Research, 12(85), 2825-2830. https://tinyurl.com/5r9a3xsy
Fieri, B. y Suhartono, D. (2023). Offensive Language Detection Using Soft Voting Ensemble Model. mendel: Soft Computing Journal, 29(1), 1-6. https://doi.org/10.13164/mendel.2023.1.001
Gallet, A., Rigby, S., Tallman, T. N., Kong, X., Hajirasouliha, I., Liew, A., Liu, D., Chen, L., Hauptmann, A. y Smyl, D. (2022). Structural Engineering from an Inverse Problems Perspective. Proceedings of the Royal Society, 478(2257). http://doi.org/10.1098/rspa.2021.0526
Girón-Girón, L. Á (2023). Estimación de demanda de transporte aéreo de pasajeros desde un enfoque de redes para aeropuertos tipo hub: caso Aeropuerto El Dorado Bogotá (tesis de maestría, Universidad Nacional de Colombia). Repositorio institucional UNAL. https://tinyurl.com/56beb5c6
Hassan, T. H., Sobaih, A. E. E. y Salem, A. E. (2021). Factors Affecting the Rate of Fuel Consumption in Aircrafts. Sustainability, 13(14). https://doi.org/10.3390/su13148066
Hodson, T. O. (2022). Error cuadrático medio (rmse) o error absoluto medio (mae): cuándo usarlos o no. Geoscientific Model Development, 15(14), 5481-5487. https://doi.org/10.5194/gmd-15-5481-2022
International Air Transport Association (iata). (2024, abril 5). Jet Fuel Price Monitor [en línea]. https://tinyurl.com/n27pdcaz
Janiesch, C., Zschech, P. y Heinrich, K (2021). Machine Learning and Deep Learning. Electron Markets, 31, 685-695. https://doi.org/10.1007/s12525-021-00475-2
Lozano, C., Melo, P., Bermúdez, J., González, S. y Fuentes, S. (2023). Integración de algoritmos de inteligencia artificial en función del pronóstico de consumo de combustible en aeronaves ERJ 145 de una aerolínea colombiana [ponencia]. VII Congreso Argentino de Ingeniería Aeronáutica (CAIA 7), La Plata, Argentina, 29 de noviembre al 1 de diciembre de 2023. https://tinyurl.com/2sr8kmp6
Márquez Díaz, J. (2020). Inteligencia artificial y Big Data como soluciones frente a la covid-19. Revista de Bioética y Derecho, (50), 315-331. https://tinyurl.com/mr3mvac5
Morrison, J. K. D., Bonnefoy, P. A. y Hansman, R. J. (2010). Investigation of the Impacts of Effective Fuel Cost Increase on the US Air Transportation Network and Fleet [ponencia]. 10th AIAA Aviation Technology, Integration, and Operations Conference, 13-15 de septiembre de 2010. https://tinyurl.com/vyjhrd9y
Mouillet, V., Nuic, A., Casado, E. y López-Leonés, J. L. (2018). Evaluación de la aplicabilidad de un modelo moderno de rendimiento de aeronaves para la optimización de trayectorias. IEEE/AIAA 37th Digital Avionics Systems Conference (DASC), 23-27 de septiembre de 2018. https://doi.org/10.1109/dasc.2018.8569732
Orellano-Lasprilla, J. L. (2023). Análisis fluido dinámico computacional de un mezclador estático para combustible de aviación JET A-1 y biodiesel (tesis de maestría, Universidad ECCI). Repositorio institucional ECCI. https://doi.org/10.1109/DASC.2018.8569732
Panda, M., Mousa, A. A., & Hassanien, A. E. (2021). Developing an efficient feature engineering and machine learning model for detecting IOT-botnet cyber attacks. IEEE Access, 9, 91038–91052. https://doi.org/10.1109/access.2021.3092054
Pizlo, Z. (2001). Perception Viewed as an Inverse Problem. Vision Research, 41(24), 3145-3161. https://doi.org/10.1016/S0042-6989(01)00173-0
Rativa-Sáenz, E. A. (2022). Análisis de series de tiempo para la estimación del consumo combustible en aeronaves ATR42 para aerolínea colombiana (tesis de especialización, Fundación Universitaria Los Libertadores). https://tinyurl.com/3eaay68a
Rosenow, J., Fricke, H., Luchkova, T. y Schultz, M. (2019). Impact of Optimised Trajectories on Air Traffic Flow Management. The Aeronautical Journal, 123(1260), 157-173. https://doi.org/10.1017/aer.2018.155
Sardi, A., Sorano, E., Cantino, V. y Garengo, P. (2020). Big Data and Performance Measurement Research: Trends, Evolution and Future Opportunities. Measuring Business Excellence, 27(4), 531-548. https://doi.org/10.1108/mbe-06-2019-0053
Schröer, C., Kruse, F. y Gómez, J. M. (2021). A Systematic Literature Review on Applying crisp-dm Process Model. Procedia Computer Science, 181, 526-534. https://doi.org/10.1016/J.PROCS.2021.01.199
Singh, V., & Sharma, S. K. (2015). Fuel consumption optimization in air transport: A review, classification, critique, simple meta-analysis, and future research implications. European Transport Research Review, 7(2). https://doi.org/10.1007/s12544-015-0160-x
Ying, X. (2019). An Overview of Overfitting and its Solutions. Journal of Physics: Conference Series, 1168. https://doi.org/10.1088/1742-6596/1168/2/022022
Yu, L., Zhao, Y., Tang, L. y Yang, Z. (2019). Online Big Data-Driven Oil Consumption Forecasting with Google Trends. International Journal of Forecasting, 35(1), 213-223. https://doi.org/10.1016/j.ijforecast.2017.11.005
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Escuela de Postgrados de la Fuerza Aérea Colombiana
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Declaración de cesión de los derechos de autor a la revista
Los autores ceden la Revista los derechos de explotación (reproducción, distribución, comunicación pública y transformación) para explotar y comercializar la obra, entera o en parte, en todos los formatos y modalidades de explotación presentes o futuros, en todos los idiomas, por todo el periodo de vida de la obra y por todo el mundo.
Todos los contenidos publicados en la revista científica Ciencia y Poder Aéreo están sujetos a la licencia reconocimiento 4.0 Internacional de Creative Commons, cuyo texto completo se puede consultar en http://creativecommons.org/licenses/by/4.0/
La licencia permite a cualquier usuario descargar, imprimir, extraer, archivar, distribuir y comunicar públicamente este artículo, siempre y cuando el crédito se dé a los autores de la obra: a los autores del texto y a Ciencia y Poder Aéreo, Revista Científica de la Escuela de Postgrados de la Fuerza Aérea Colombiana. Excepto cuando se indique lo contrario, el contenido en este sitio es licenciado bajo una licencia Creative Commons Atribución 4.0 internacional.
Para usos de los contenidos no previstos en estas normas de publicación es necesario contactar directamente con el director o editor de la revista a través del correo cienciaypoderaereo@epfac.edu.
La Escuela de Postgrados de la Fuerza Aérea Colombiana y esta publicación no son responsables de los conceptos emitidos en los artículos, ni de los metadatos aportados ni de las filiaciones que los autores declaren, ya que esta es responsabilidad plena de los autores.
