Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.11779/1217
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorTaş Küten, Duygu-
dc.contributor.authorKurt, Mustafa-
dc.date.accessioned2019-11-12T13:42:05Z
dc.date.available2019-11-12T13:42:05Z
dc.date.issued2019-
dc.identifier.citationKurt, M. (2019). Flight delay prediction, MEF Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiyeen_US
dc.identifier.urihttps://hdl.handle.net/20.500.11779/1217-
dc.description.abstractThis study aims to create a model to predict flight departure delays. Various factors might affect a flight delay, and thus different features might be selected as input to create a model concerning priorities and the power of control over the features for the party who makes the analysis. In this study, domestic commercial flights in the U.S. operated in August 2018 are studied. Besides, airplane, passenger boarding, and cargo data are combined with flight data to benefit from possible insights related to these factors. For predicting the flight delays, machine learning methods such as decision trees, random forest, bagging classifier, extra trees classifier, gradient boosting and xgboost classifier are used and results are analyzed. Further studies could be adding extra features such as data related to flight planning, personnel data, loading data, data about technical processes to prepare a plane to a flight to improve prediction capacity.en_US
dc.description.abstractBu çalışma, uçuş kalkış gecikmelerini tahmin etmek için bir model oluşturmayı amaçlamaktadır. Çeşitli faktörler bir uçuş gecikmesini etkileyebilir ve bu nedenle, öncelikleri ve analizi yapan tarafın faktörler üzerindeki kontrolüne göre bir model oluşturmak için girdi olarak farklı özellikler seçilebilir. Bu çalışmada, ABD’de Ağustos 2018’de düzenlenen iç hat uçuşları incelenmiştir. Ayrıca, uçak, yolcu uçağı ve kargo verileri, bu faktörlerle ilgili olası iç görülerden yararlanmak için uçuş verileriyle birleştirilmiştir. Uçuş gecikmelerini tahmin etmek için karar ağacı, rastgele orman, torbalama sınıflandırcı, ekstra ağaçlar, grade takviyeli sınflandırıcı ve ekstra grade takviyeli sınıflandırıcı gibi makine öğrenme metotları ve sonuçları analiz edilmiştir. Çalışmanın ileriki aşamaları için uçuş planlama verileri, personel verileri, yükleme verileri ve bir uçağı uçuşa hazırlamak için teknik süreçler ile ilgili veriler kullanılarak modelin tahminleme kapasitesi artırılabilir.en_US
dc.language.isoenen_US
dc.publisherMEF Üniversitesi, Fen Bilimleri Enstitüsüen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectFlight Delaysen_US
dc.subjectPredictionen_US
dc.subjectMachine Learningen_US
dc.subjectClassificationen_US
dc.subjectTreeBased Algorithmsen_US
dc.subjectUçuş Gecikmelerien_US
dc.subjectTahminlemeen_US
dc.subjectMakine Öğrenmesien_US
dc.subjectSınıflandırmaen_US
dc.subjectKarar ağacı Temelli Algoritmalaren_US
dc.titleFlight delay predictionen_US
dc.title.alternativeUçuş gecikme tahminlemesien_US
dc.typeMaster's Degree Projecten_US
dc.relation.publicationcategoryYL-Bitirme Projesien_US
dc.departmentBüyük Veri Analitigi Yüksek Lisans Programıen_US
dc.institutionauthorKurt, Mustafa-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.grantfulltextopen-
item.languageiso639-1en-
item.cerifentitytypePublications-
item.fulltextWith Fulltext-
item.openairetypeMaster's Degree Project-
Appears in Collections:FBE, Yüksek Lisans, Proje Koleksiyonu
Files in This Item:
File Description SizeFormat 
MustafaKurt.pdfYL-Proje Dosyası572.99 kBAdobe PDFThumbnail
View/Open
Show simple item record



CORE Recommender

Page view(s)

2
checked on Jun 26, 2024

Google ScholarTM

Check





Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.