Modeling ground time and departure delay using machine learning and survival models for a Greek airline

Abstract

Η παρούσα εργασία αναλύει τον χρόνο εδάφους και τις καθυστερήσεις αναχώρησης αεροσκαφών για μια ελληνική αεροπορική εταιρεία χρησιμοποιώντας Random Forest regression και Cox proportional hazards μοντέλα. Πρακτικά εξετάζουμε επιχειρησιακά δεδομένα από δρομολόγια εσωτερικών και διεθνών πτήσεων της αεροπορικής εταιρείας για το έτος 2023 με σκοπό τον εντοπισμό παραγόντων που επηρεάζουν τις καθυστερήσεις, όπως οι λόγοι καθυστέρησης, ο τύπος του αεροσκάφους, το επιβατικό φορτίο και η εποχικότητα. Η ανάλυση επιβίωσης δείχνει διακριτά μοτίβα καθυστερήσεων μεταξύ των εσωτερικών και διεθνών δρομολογίων, ενώ η μοντελοποίηση παλινδρόμησης προβλέπει τον χρόνο εδάφους και υποδεικνύει τους κωδικούς καθυστέρησης πτήσεων που οδηγούν στις μεγαλύτερες διάρκειες παραμονής του αεροσκάφους στο έδαφος. Αυτή η ολοκληρωμένη προσέγγιση παρέχει πολύτιμες πληροφορίες, και υποστηρίζει ότι απαιτούνται στοχευμένες στρατηγικές για την κατανομή των πόρων, τη διαχείριση του επιπλέον χρόνου για τη διαχείριση των καθυστερήσεων και τον προγραμματισμό των πτήσεων, προκειμένου να βελτιωθεί η αποτελεσματικότητα της αεροπορικής εταιρείας. Συνολικά, τα ευρήματα μπορούν να συμβάλουν στην ακριβέστερη κατανόηση των λειτουργιών της αεροπορικής εταιρείας.

This thesis analyses aircraft ground time and departure delays for a Greek airline using Random Forest regression and Cox proportional hazards models. Operational data from domestic and international routes of the airline for the year 2023 are examined to identify factors affecting delays, such as delay reasons, aircraft type, passenger load, and seasonality. Survival analysis reveals distinct delay patterns between domestic and international operations, while regression modeling predicts ground time and points to the delay codes that drive the largest overruns. This integrated approach provides valuable insights, and supports that targeted strategies for resource allocation, time buffer management, and scheduling are needed in order to improve the airline’s efficiency. Overall the findings can contribute to a more precise understanding of the airline’s operations.