صنعت هوانوردی، به عنوان یکی از شریان‌های حیاتی اقتصاد جهانی، همواره نیازمند پیش‌بینی‌های دقیق و به‌موقع در زمینه‌های مختلف، از جمله تقاضای پرواز، بوده است. پیش‌بینی دقیق تقاضا، نقش بسزایی در بهینه‌سازی تخصیص منابع، کاهش تاخیرها، و بهبود تجربه مسافران دارد. در این راستا، مقاله حاضر به بررسی کاربرد مدل‌های ترنسفورمر، که در سال‌های اخیر انقلابی در حوزه پردازش زبان طبیعی (NLP) ایجاد کرده‌اند، در پیش‌بینی تقاضای پرواز می‌پردازد. این مقاله با عنوان اصلی “Flight Demand Forecasting with Transformers” به قلم لییا وانگ، امی میکیتیشین، کریگ جانسون و جیلیان چنگ نگاشته شده و در دسته‌بندی‌های یادگیری ماشین و هوش مصنوعی قرار می‌گیرد.

پیش‌بینی دقیق تقاضای پرواز، فواید متعددی برای ذینفعان مختلف صنعت هوانوردی به همراه دارد:

• شرکت‌های هواپیمایی: بهینه‌سازی برنامه‌ریزی پروازها، تخصیص ناوگان، و مدیریت درآمد.
• فرودگاه‌ها: تخصیص بهینه منابع، از جمله گیت‌ها، پارکینگ هواپیما، و نیروی انسانی.
• کنترل ترافیک هوایی: مدیریت موثر جریان ترافیک هوایی و کاهش تاخیرها.
• مسافران: بهبود تجربه سفر و کاهش احتمال تاخیر در پروازها.

به طور کلی، پیش‌بینی دقیق تقاضا به افزایش کارایی، کاهش هزینه‌ها، و بهبود رضایت مشتریان منجر می‌شود.

نویسندگان این مقاله، لییا وانگ، امی میکیتیشین، کریگ جانسون و جیلیان چنگ، محققان فعال در زمینه یادگیری ماشین و هوش مصنوعی هستند. این تحقیق در راستای پشتیبانی از اپلیکیشن موبایلی به نام Pacer، که توسط MITRE توسعه یافته، انجام شده است. اپلیکیشن Pacer، تقاضای پیش‌بینی‌شده برای پروازهای خروجی را به اپراتورهای هوانوردی عمومی (GA) نمایش می‌دهد تا آن‌ها آگاهی بهتری از احتمال تاخیر در زمان‌های شلوغ داشته باشند. نتایج حاصل از آزمایش‌های میدانی با استفاده از روش‌های پیش‌بینی مبتنی بر قوانین، نشان داد که دقت پیش‌بینی تقاضای پرواز هنوز جای بهبود دارد. از این رو، این تحقیق در تلاش است تا دقت پیش‌بینی را از دو جنبه کلیدی بهبود بخشد: منابع داده بهتر و الگوریتم‌های پیش‌بینی قوی‌تر.

MITRE، یک سازمان غیرانتفاعی است که در زمینه‌های مختلف، از جمله هوانوردی و فناوری اطلاعات، فعالیت می‌کند و به دولت ایالات متحده خدمات مشاوره‌ای ارائه می‌دهد.

این مقاله به بررسی کاربرد مدل‌های ترنسفورمر در پیش‌بینی تقاضای پرواز می‌پردازد. نویسندگان با الهام از موفقیت ترنسفورمرها در حوزه پردازش زبان طبیعی، این تکنیک را برای پیش‌بینی استراتژیک تقاضای پروازهای خروجی در افق‌های زمانی مختلف به کار گرفته‌اند. ترنسفورمرها، مدل‌های هوش مصنوعی را قادر می‌سازند تا به صورت پویا بر روی بخش‌های خاصی از ورودی خود تمرکز کرده و در نتیجه، استدلال موثرتری داشته باشند. این تحقیق با استفاده از دو منبع داده اصلی، یعنی Aviation System Performance Metrics (ASPM) و System Wide Information Management (SWIM)، به آموزش مدل‌های پیش‌بینی با استفاده از Temporal Fusion Transformer (TFT) برای پنج فرودگاه مختلف پرداخته است. نتایج مطالعات موردی نشان می‌دهد که TFTها می‌توانند عملکرد بهتری نسبت به روش‌های پیش‌بینی سنتی داشته باشند و منجر به پیش‌بینی‌های بهتری در فرودگاه‌های مختلف و با قابلیت تفسیر بهتر شوند.

به عبارت دیگر، این مقاله نشان می‌دهد که ترنسفورمرها، به ویژه مدل TFT، ابزاری قدرتمند برای پیش‌بینی تقاضای پرواز هستند و می‌توانند به بهبود کارایی و دقت پیش‌بینی در صنعت هوانوردی کمک کنند.

روش‌شناسی این تحقیق شامل مراحل زیر است:

1. جمع‌آوری داده: جمع‌آوری داده‌های تاریخی تقاضای پرواز از دو منبع ASPM و SWIM. ASPM اطلاعاتی در مورد عملکرد سیستم هوانوردی، از جمله زمان پروازها و تاخیرها، ارائه می‌دهد. SWIM یک سیستم مدیریت اطلاعات گسترده است که اطلاعات مربوط به عملیات پروازی را در اختیار کاربران قرار می‌دهد.
2. آماده‌سازی داده: پاکسازی، نرمال‌سازی و تبدیل داده‌های جمع‌آوری‌شده به فرمت مناسب برای آموزش مدل.
3. انتخاب مدل: انتخاب مدل Temporal Fusion Transformer (TFT) به عنوان مدل پیش‌بینی. TFT یک مدل ترنسفورمر است که به طور خاص برای داده‌های سری زمانی طراحی شده است و قابلیت مدیریت داده‌های با ویژگی‌های زمانی مختلف را دارد.
4. آموزش مدل: آموزش مدل TFT با استفاده از داده‌های تاریخی برای پنج فرودگاه مختلف.
5. ارزیابی مدل: ارزیابی عملکرد مدل با استفاده از معیارهای مختلف، از جمله میانگین مربعات خطا (MSE) و میانگین قدر مطلق خطا (MAE).
6. مطالعات موردی: انجام مطالعات موردی برای مقایسه عملکرد TFT با روش‌های پیش‌بینی سنتی.

استفاده از TFT به دلیل توانایی آن در مدیریت داده‌های سری زمانی پیچیده و در نظر گرفتن روابط زمانی بین داده‌ها، یک انتخاب استراتژیک بوده است.

یافته‌های کلیدی این تحقیق عبارتند از:

• عملکرد بهتر TFT نسبت به روش‌های سنتی: مدل TFT عملکرد بهتری نسبت به روش‌های پیش‌بینی سنتی، مانند مدل‌های ARIMA و شبکه‌های عصبی بازگشتی (RNN)، در پیش‌بینی تقاضای پرواز دارد.
• دقت بالاتر در فرودگاه‌های مختلف: مدل TFT قادر است تقاضای پرواز را با دقت بالاتری در فرودگاه‌های مختلف با الگوهای ترافیکی متفاوت پیش‌بینی کند.
• قابلیت تفسیر بهتر: مدل TFT قابلیت تفسیر بهتری نسبت به روش‌های پیش‌بینی سنتی دارد. به عبارت دیگر، می‌توان فهمید که کدام عوامل در پیش‌بینی تقاضا نقش مهم‌تری ایفا می‌کنند.

این یافته‌ها نشان می‌دهد که ترنسفورمرها، به ویژه TFT، ابزاری قدرتمند برای پیش‌بینی تقاضای پرواز هستند و می‌توانند به بهبود کارایی و دقت پیش‌بینی در صنعت هوانوردی کمک کنند. برای مثال، در یک مطالعه موردی، TFT توانست تقاضای پرواز یک فرودگاه شلوغ در زمان اوج ترافیک را با خطای بسیار کمتری نسبت به یک مدل ARIMA پیش‌بینی کند.

کاربردها و دستاوردهای این تحقیق عبارتند از:

• بهبود دقت پیش‌بینی تقاضای پرواز: این تحقیق منجر به توسعه یک مدل پیش‌بینی دقیق‌تر برای تقاضای پرواز شده است که می‌تواند به شرکت‌های هواپیمایی، فرودگاه‌ها و کنترل‌کننده‌های ترافیک هوایی در تصمیم‌گیری‌های بهتر کمک کند.
• ارائه اطلاعات دقیق‌تر به اپراتورهای هوانوردی عمومی: این تحقیق به بهبود عملکرد اپلیکیشن Pacer کمک کرده است و اطلاعات دقیق‌تری را در اختیار اپراتورهای هوانوردی عمومی قرار می‌دهد تا آن‌ها بتوانند تصمیمات بهتری در مورد زمان پروازهای خود بگیرند.
• افزایش کارایی و کاهش تاخیرها: با استفاده از مدل پیش‌بینی توسعه‌یافته در این تحقیق، می‌توان کارایی سیستم هوانوردی را افزایش داد و تاخیرها را کاهش داد.

به طور کلی، این تحقیق به بهبود عملکرد و کارایی صنعت هوانوردی کمک می‌کند و می‌تواند منجر به صرفه‌جویی در هزینه‌ها و بهبود تجربه مسافران شود.

در این مقاله، کاربرد مدل‌های ترنسفورمر، به ویژه مدل Temporal Fusion Transformer (TFT)، در پیش‌بینی تقاضای پرواز مورد بررسی قرار گرفت. نتایج نشان داد که TFT می‌تواند عملکرد بهتری نسبت به روش‌های پیش‌بینی سنتی داشته باشد و منجر به پیش‌بینی‌های دقیق‌تر و با قابلیت تفسیر بهتر شود. این تحقیق می‌تواند به بهبود کارایی و دقت پیش‌بینی در صنعت هوانوردی کمک کند و به شرکت‌های هواپیمایی، فرودگاه‌ها و کنترل‌کننده‌های ترافیک هوایی در تصمیم‌گیری‌های بهتر یاری رساند. با توجه به موفقیت ترنسفورمرها در این حوزه، انتظار می‌رود که در آینده شاهد کاربردهای گسترده‌تری از این مدل‌ها در صنعت هوانوردی باشیم. تحقیقات آینده می‌توانند بر روی بهبود مدل TFT و بررسی کاربرد آن در پیش‌بینی سایر متغیرهای مرتبط با صنعت هوانوردی، مانند قیمت بلیط هواپیما و تقاضای بار، تمرکز کنند.