Штучний інтелект

Анотація: Авіаційний транспорт з кожним роком відіграє все більшу роль у світовій економіці. Цьому сприяють технологічний розвиток і новітні розробки в авіаційній галузі, глобалізація. У даній статті наведено огляд методів навчання штучних нейронних мереж для передбачення вартості авіаквитка. Було проаналізовано статті за 2017-2019 роки з метою визначення моделі з найточнішим результатом передбачень. Науковці проводили дослідження на відкритих даних, зібраних власноруч, та ставили собі за мету створити модель, яка б радила користувачу найкращий час для купівлі авіаквитка, коли ціна на нього була б найнижчою. У результаті огляду праць було виявлено, що найвищі результати мають моделі Bagging Regression Tree із точністю в 88% та метод випадкового лісу із точністю в 87%. Цивільна авіація відіграє важливу роль в економіці кожної держави. Авіація – найкращий засіб для подолання великих відстаней із комфортом за найкоротший час. Авіакомпанії пропонують клієнтам різноманітні можливості для подорожі як всередині країни, так і за її межами. Головною проблемою взаємодії авіакомпаній та клієнтів є вартість авіаквитків: перші хочуть продати побільше й подорожче, а другі ‒ купити подешевше. Тому компанії використовують власні закриті алгоритми динамічного ціноутворення та постійно відслідковують ринкову ситуацію, швидко реагуючи на зміни попиту та дії конкурентів. Така поведінка дозволяє досягти балансу між бажаннями авіакомпаній та клієнтів. Науковці намагаються відшукати спосіб передбачення ціни на авіаквитки, аби авіамандрівники могли придбати їх за найнижчою ціною. Результати проведеної роботи у цій сфері складають загальні правила влучної покупки. Наприклад, згідно зі статтею (Udachny, 2016), для купівлі квитка через сайт expedia.com на внутрішній рейс у США найкращим днем є неділя, а найкращим періодом – за 57 днів до вильоту. У даній статті наведено огляд праць, автори яких порівнювали моделі машинного навчання. Досягнення даного напрямку роботи обмежуються лише прямими рейсами певного внутрішнього ринку (США, Індія) та 88% точності прогнозу (Tziridis et al., 2017). Найкращим результатом можна вважати Bagging Regression Tree-модель, описану в статті (Tziridis et al., 2017). Описана навчена модель може робити передбачення лише на основі двох параметрів: кількості безкоштовного вантажу та кількості днів, що залишились до вильоту, та має точність у 88%.

Ключові слова: машинне навчання; порівняльний аналіз; авіакомпанії; прогнозування цін

Посилання:

1. Serikov, P. (2019). Kak kupit aviabilet maksimalno deshevo ili udarim monitoringom po dinamicheskomu tsenoobrazovaniyu. Retrieved from https://habr.com/ru/post/460213/
2. Abdella, J. A., Zaki, N., Shuaib, K., & Khan, F. (2019). Airline ticket price and demand prediction: A survey. Journal of King Saud University - Computer and Information Sciences. DOI: 10.1016/j.jksuci.2019.02.001.
3. Chawla, B., Kaur, C. (2017). Airfare Analysis And Prediction Using Data Mining And Machine Learning. International Journal of Engineering Science Invention, 6(11), 7.
4. Groves, W., & Gini, M. (2013). An agent for optimizing airline ticket purchasing. Proceedings of the 2013 international conference on Autonomous agents and multi-agent systems, 1341–1342.
5. Raja, V., Vakil, J., Shah, Y., & Relan, S. (2018). Prediction of Airfare Using Machine Learning. International Journal of Science & Engineering Development Research, 3(4), 256-259.
6. Rajankar, S., Sakharkar, N., & Rajankar, O. (2019). Predicting The Price Of A Flight Ticket With The Use Of Machine Learning Algorithms. International Journal of Scientific & Technology Research, 8(12), 4.
7. Shy, O. (2008). How to Price: A Guide to Pricing Techniques and Yield Management. Almatourism, Cambridge University Press. DOI: Tziridis, K., Kalampokas, Th., Papakostas, G. A., & Diamantaras, K. I. (2017). Airfare prices prediction using machine learning techniques. 25th European Signal Processing Conference (EUSIPCO), 1036–1039. DOI: 10.23919/EUSIPCO.2017.8081365.
8. Tziridis, K., Kalampokas, Th., Papakostas, G. A., & Diamantaras, K. I. (2017). Airfare prices prediction using machine learning techniques. 25th European Signal Processing Conference (EUSIPCO), 1036–1039. DOI: 10.23919/EUSIPCO.2017.8081365.
9. Udachny, A. (2016). Proven the best time to buy airline tickets. AirHint. Retrieved from https://www.airhint.com/articles/best-time-to-buy- airline-tickets.
10. Wang, T., Pouyanfar, S., Tian, H., Tao, Y., Alonso, M., Luis, S., & Chen, S.-C. (2019). A Framework for Airfare Price Prediction: A Machine Learning Approach. 2019 IEEE 20th International Conference on Information Reuse and Integration for Data Science, 200-207. DOI: 10.1109/IRI.2019.00041.