Aplicação de um modelopreditivo de consumo decombustível usando machinelearning e random forestpara uma companhia aéreacomercial colombiana
DOI:
https://doi.org/10.18667/cienciaypoderaereo.826Palavras-chave:
Aprendizado de máquina, engenharia de recursos, floresta aleatória, inteligência artificial, métricas de avaliação, previsão de combustívelResumo
Na indústria aeronáutica, os custos de produção do hidrocarboneto JET A-1 experimentam um aumento de aproximadamente 5% semanalmente ao longo dos anos, o que resultou em um aumento nos gastos para os operadores aéreos. Esta pesquisa propõe criar um modelo de previsão de consumo de combustível para voos regionais, com base em dados coletados de voos de uma companhia aérea colombiana durante o período de 2018-2019. Para criar o modelo preditivo, foi utilizada a biblioteca Sci-Kit Learn da linguagem de programação Python, e o problema foi abordado a partir de uma perspectiva de ‘problema inverso’. Em seguida, foi realizada a engenharia de características para melhorar a qualidade do conjunto de dados obtido e permitir uma maior precisão na previsão. O modelo de previsão foi implementado para as variáveis identificadas como dependentes e independentes e, finalmente, seu desempenho foi avaliado usando as métricas de Erro Absoluto Médio (MAE), Erro Quadrático Médio (MSE) e Raiz do Erro Quadrático Médio (RMSE). Os resultados indicam que o modelo é capaz de prever o consumo de combustível, com baixos erros em valores quantitativos.
Downloads
Referências
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
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2024 Escuela de Postgrados de la Fuerza Aérea Colombiana
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Declaração de cessão de direitos autorais à revista
O autor cede exclusivamente à Revista os direitos de exploração (reprodução, distribuição, comunicação pública e transformação) para explorar e comercializar a obra, no todo ou em parte, em todos os formatos e modalidades de exploração presentes ou futuros, em todas as línguas, por todo o período de vida da obra e pelo mundo inteiro.
Todo o conteúdo publicado na revista científica Ciencia y Poder Aéreo está sujeito à licença de reconhecimento internacional Creative Commons 4.0, cujo texto completo pode ser encontrado em http://creativecommons.org/licenses/by/4.0/
A licença permite que qualquer usuário baixe, imprima, extraia, arquive, distribua e comunique publicamente este artigo, desde que seja dado o devido crédito aos autores: ao(s) autor(es) do texto e a Ciencia y Poder Aéreo, Revista da Escola de Pós-Graduação da Força Aérea Colombiana. Exceto quando for indicado o contrário, o conteúdo deste site será licenciado sob uma licença Creative Commons Attribution 4.0 Internacional.
Para usos de conteúdo não previstos nestas normas de publicação é necessário entrar em contato diretamente com o diretor ou editor da revista através do e-mail cienciaypoderaereo1@gmail.com
A Escola de Pós-Graduação da Força Aérea Colombiana e esta revista não são responsáveis pelos conceitos expressos nos artigos, nem pelos metadados fornecidos ou pelas afiliações que os autores declarem, sendo assim de inteira responsabilidade dos autores.
Licença Creative Commons
Os autores concedem à revista os direitos de exploração (reprodução, distribuição, comunicação pública e transformação) para explorar e comercializar a obra, inteira ou parcialmente, em todos os formatos e modalidades de exploração presentes ou futuras, em todas as línguas, por todo o período de vida da obra e no mundo inteiro.
Todos os conteúdos publicados na revista científica Ciencia y Poder Aéreo estão sujeitos à licença de reconhecimento 4.0 4.0 Internacional de Creative Commons, cujo texto completo pode-se consultar em http://creativecommons.org/licenses/by/4.0/
A licença permite a qualquer usuário baixar, imprimir, extrair, arquivar, distribuir e comunicar publicamente um artigo, desde que seja dado crédito aos autores do trabalho: aos autores do texto e a Ciencia y Poder Aéreo, Revista Científica da Escola de Pós-Graduação da Força Aérea Colombiana. Salvo onde for indicado o contrário, o conteúdo deste site é licenciado sob uma licença Creative Commons Atribución 4.0 internacional.
Para usos de conteúdo não previstos nestas normas de publicação é necessário entrar em contato diretamente com o diretor ou editor da revista através do e-mail cienciaypoderaereo1@gmail.com
A Escola de Pós-Graduação da Força Aérea Colombiana e esta revista não são responsáveis pelos conceitos expressos nos artigos, nem pelos metadados fornecidos ou pelas afiliações que os autores declarem, sendo assim de inteira responsabilidade dos autores.
