Konstruktion fortschrittlicher Modelle für maschinelles Lernen im Luftverkehr

In diesem Buch wird die Anwendung verschiedener Zeitreihen- und maschineller Lerntechniken zur Modellierung und Vorhersage des inländischen Flugverkehrs untersucht. Es bietet eine umfassende Untersuchung traditioneller und moderner Vorhersageansätze. Es enthält einen umfassenden Literaturüberblick über die Modellierung des Luftverkehrs, der sowohl traditionelle Zeitreihenmethoden (Holt's Winter, ARIMA, SARIMA) als auch fortschrittliche maschinelle Lerntechniken (FFNN, MLP, LSTM) umfasst. Eine vergleichende Analyse dieser Methoden, die ihre Stärken und Grenzen aufzeigt, ist ebenfalls enthalten. Außerdem wird die Bayes'sche Schätzung der Parameter des SARIMA-Modells untersucht. Die geschätzten Parameter und Vorhersagen werden mit dem traditionellen Maximum-Likelihood-Ansatz verglichen. Die Forschung wird durch die Einführung von Mischmodellen, hybriden Ansätzen und einfachen Mittelungstechniken zur Verbesserung der Vorhersagegenauigkeit erweitert. Die Wirksamkeit dieser Modelle wird durch eine vergleichende Analyse bewertet.

Autorentext

Dr. Mounika Panjala, Absolventin des M.Sc. (Angewandte Statistik) und Ph.D. (Statistik) der Osmania University, ist Fakultätsmitglied an der University of Hyderabad, Hyderabad, Telangana, Indien. Sie hat akademische Spitzenleistungen erbracht und sich für UGC-NET, GATE (Statistik) und TSSET qualifiziert. Ihr Forschungsschwerpunkt ist "Datenmodellierung durch maschinelles Lernen".