A carregar...
Publicação
Using predictive machine learning models to analyse weather resilience and robustness in U.S Airp
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 8.8 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Flight delays pose a major challenge to the aviation sector, disrupting operations, reducing efficiency, and undermining passenger experience. This thesis examines airport resilience through the lens of robustness, defined as the ability to sustain operational performance under adverse weather conditions. A dataset combining meteorological information from Meteostat/NOAA and airline performance metrics from Sage Data was constructed for six major U.S. airports (ATL, DEN, DFW, JFK, LAX, ORD) covering 2010–2025. Machine learning models, including linear regression, random forest, and gradient boosting, were applied to predict on-time flight performance and quantify the impact of meteorological variables such as precipitation, wind speed, and temperature extremes. Tree-based models outperformed linear models, with random forest achieving the highest predictive accuracy. Crucially, results reveal substantial variation in robustness across airports: Denver (DEN) and Atlanta (ATL) exhibited the highest resilience, maintaining more stable on-time performance despite weather disruptions, whereas New York (JFK) and Chicago (ORD) were most sensitive, with delays strongly linked to adverse conditions. Dallas/Fort Worth (DFW) and Los Angeles (LAX) showed intermediate robustness. By integrating predictive modelling with the conceptual framework of resilience, this thesis advances both academic understanding and practical assessment of airport performance. The comparative insights provide an evidence base for targeted strategies to mitigate vulnerabilities and strengthen resilience within the U.S. aviation system.
Os atrasos nos voos representam um grande desafio para o setor da aviação, perturbando as operações, reduzindo a eficiência e prejudicando a experiência dos passageiros. Esta tese examina a resiliência dos aeroportos através da lente da robustez, definida como a capacidade de manter o desempenho operacional em condições meteorológicas adversas. Foi construído um conjunto de dados combinando informações meteorológicas da Meteostat/NOAA e métricas de desempenho das companhias aéreas da Sage Data para seis grandes aeroportos dos EUA (ATL, DEN, DFW, JFK, LAX, ORD), cobrindo o período de 2010 a 2025. Modelos de aprendizagem automática, incluindo regressão linear, Random Forest e Gradient Boosting, foram aplicados para prever o desempenho dos voos em termos de pontualidade e quantificar o impacto de variáveis meteorológicas, tais como precipitação, velocidade do vento e temperaturas extremas. Os modelos “tree based” superaram os modelos lineares, com a Random Forest a atingir a maior precisão preditiva. Fundamentalmente, os resultados revelam uma variação substancial na robustez entre os aeroportos: Denver (DEN) e Atlanta (ATL) exibiram a maior resiliência, mantendo um desempenho mais estável em termos de pontualidade, apesar das perturbações meteorológicas, enquanto Nova Iorque (JFK) e Chicago (ORD) foram os mais sensíveis, com atrasos fortemente ligados a condições adversas. Dallas/Fort Worth (DFW) e Los Angeles (LAX) mostraram uma robustez intermédia. Ao integrar a modelagem preditiva com a estrutura conceitual da resiliência, esta tese promove tanto o entendimento acadêmico quanto a avaliação prática do desempenho dos aeroportos. As perceções comparativas fornecem uma base de evidências para estratégias direcionadas para mitigar vulnerabilidades e fortalecer a resiliência dentro do sistema de aviação dos EUA.
Os atrasos nos voos representam um grande desafio para o setor da aviação, perturbando as operações, reduzindo a eficiência e prejudicando a experiência dos passageiros. Esta tese examina a resiliência dos aeroportos através da lente da robustez, definida como a capacidade de manter o desempenho operacional em condições meteorológicas adversas. Foi construído um conjunto de dados combinando informações meteorológicas da Meteostat/NOAA e métricas de desempenho das companhias aéreas da Sage Data para seis grandes aeroportos dos EUA (ATL, DEN, DFW, JFK, LAX, ORD), cobrindo o período de 2010 a 2025. Modelos de aprendizagem automática, incluindo regressão linear, Random Forest e Gradient Boosting, foram aplicados para prever o desempenho dos voos em termos de pontualidade e quantificar o impacto de variáveis meteorológicas, tais como precipitação, velocidade do vento e temperaturas extremas. Os modelos “tree based” superaram os modelos lineares, com a Random Forest a atingir a maior precisão preditiva. Fundamentalmente, os resultados revelam uma variação substancial na robustez entre os aeroportos: Denver (DEN) e Atlanta (ATL) exibiram a maior resiliência, mantendo um desempenho mais estável em termos de pontualidade, apesar das perturbações meteorológicas, enquanto Nova Iorque (JFK) e Chicago (ORD) foram os mais sensíveis, com atrasos fortemente ligados a condições adversas. Dallas/Fort Worth (DFW) e Los Angeles (LAX) mostraram uma robustez intermédia. Ao integrar a modelagem preditiva com a estrutura conceitual da resiliência, esta tese promove tanto o entendimento acadêmico quanto a avaliação prática do desempenho dos aeroportos. As perceções comparativas fornecem uma base de evidências para estratégias direcionadas para mitigar vulnerabilidades e fortalecer a resiliência dentro do sistema de aviação dos EUA.
Descrição
Palavras-chave
Airport resiliency Robustness Weather disruptions; Predictive modelling Machine learning Resiliência de aeroportos Robustez Perturbações climáticas Modelagem preditiva Machine learning
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC