Flugpassagierprognose
Projektziel
Die zunehmende Anzahl von Personen, die den Flughafen jedes Jahr nutzen, bringen auch größere Herausforderungen bei der Passagierabfertigung mit sich, z. B. beim Einchecken oder bei der Sicherheitskontrolle. Mögliche Unzufriedenheit der Passagiere ist meist auf Probleme bei der Flughafenabfertigung von Passagieren und Gepäck zurückzuführen. Dies gilt insbesondere für Verspätungen beim Einchecken und Probleme bei der Sitzplatzzuweisung, Gepäckverlust oder langsame Zustellung am Bestimmungsort sowie unzureichenden Informationsfluss und schlechte Behandlung bei ungewöhnlichen Ereignissen wie verpassten Flügen, Streiks und Witterungseinflüssen.
Um die Unzufriedenheit der Verbraucher durch Einchecken und verspätete Sicherheitskontrollen zu verringern, müssen die Flughäfen das erforderliche Sicherheitspersonal im Voraus planen. Ziel ist es, genügend Mitarbeiter bereit zu haben um eine möglichst schnelle Passagierabwicklung ohne lange Warteschlangen zu gewährleisten; gleichzeitig aber auch eine möglichst hohe Mitarbeiterauslastung zu erreichen. Daher ist ein intelligentes Passagiervorhersagesystem erforderlich, das dem Flughafenpersonal automatisch alle erforderlichen Informationen zur Verfügung stellt.
Die wichtigste Information für die Personalplanung ist die erwartete Anzahl der Fluggäste für jede Zeitinstanz mit einem Vorhersagehorizont von mehreren Wochen oder sogar Monaten. Das bedeutet, dass eine Nachfrageprognose für den gesamten Flughafen einschließlich aller Strecken und Fluggesellschaften erforderlich ist.
Im Rahmen dieses Projekts hat Knowtion eine hochmoderne Algorithmen-Pipeline entwickelt, die alle Flughafeninformationen und -daten aus der Vergangenheit verwendet und für jeden Flug in den nächsten Monaten die erwartete Passagierzahl vorhersagt. Dies wird verwendet, um die erwartete Anzahl von Fluggästen auf dem Flughafen für jede zukünftige Zeitinstanz zu berechnen.
Vorgehen und Lösungsweg
Aus Sicht der Datenverarbeitung gibt es mehrere Herausforderungen zu lösen, um ein System zu haben, das die Anzahl der Passagiere für jeden einzelnen Flug genau und effizient vorhersagen kann. Die Algorithmen-Pipeline muss mit vielen Unsicherheiten und besonderen Ereignissen wie Streik, Wetterbedingungen, Feiertagen oder unbekannten Routen und Zeitplanänderungen berücksichtigen. Die Berücksichtigung all dieser Faktoren und ihrer Abhängigkeiten führt zu einem großen Merkmalsvektor für jeden Flug. Die Algorithmen-Pipeline muss automatisch die Faktoren finden, die für eine genaue Vorhersage relevant sind. Es werden moderne datengetriebene Modelle und Algorithmen für maschinelles Lernen verwendet, beispielsweise Random Forests und neuronale Netze.
Der große Merkmalsvektor und die große Anzahl zu berücksichtigender Flüge führen zu einem riesigen Datensatz der verarbeitet werden muss. Um mit so großen Datenmengen effizient umzugehen, wurden moderne Big-Data-Technologien eingesetzt. Um beispielsweise alle Flüge auf mehreren verteilten Clusterknoten parallel zu verarbeiten, wurde die Algorithmen-Pipeline auf ein verteiltes Verarbeitungsframework wie Spark implementiert. Dies ermöglicht eine effiziente Verarbeitung zur Passagiervorhersage aller Flüge.
Ergebnis und Nutzen
