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

30-04-2021

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

v. 29 n. 1 (2021)

Seção

Artigos

Licença

Copyright (c) 2021 Rosana Batista Teixeira

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Ao submeter um manuscrito para publicação neste periódico, todos os seus autores concordam, antecipada e irrestritamente, com os seguintes termos:

  1. Os autores mantém os direitos autorais e concedem à Revista TRANSPORTES o direito de primeira publicação do manuscrito, sem nenhum ônus financeiro, e abrem mão de qualquer outra remuneração pela sua publicação pela ANPET.
  2. Ao ser submetido à Revista TRANSPORTES, o manuscrito fica automaticamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e da publicação inicial neste periódico.
  3. Os autores têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada neste periódico (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento da publicação inicial nesta revista, desde que tal contrato não implique num endosso do conteúdo do manuscrito ou do novo veículo pela ANPET.
  4. Os autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) depois de concluído o processo editorial. Como a Revista TRANSPORTES é de acesso livre, os autores são estimulados a usar links para o site da Revista TRANSPORTES nesses casos.
  5. Os autores garantem ter obtido a devida autorização dos seus empregadores para a transferência dos direitos nos termos deste acordo, caso esses empregadores possuam algum direito autoral sobre o manuscrito. Além disso, os autores assumem toda e qualquer responsabilidade sobre possíveis infrações ao direito autoral desses empregadores, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.
  6. Os autores assumem toda responsabilidade sobre o conteúdo do trabalho, incluindo as devidas e necessárias autorizações para divulgação de dados coletados e resultados obtidos, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.