Construction de modèles avancés d'apprentissage automatique pour le trafic aérien

Ce livre explore l'application de diverses séries temporelles et de techniques d'apprentissage automatique pour modéliser et prévoir le trafic aérien national. Il fournit une étude complète des approches prédictives traditionnelles et modernes. Il présente une vaste revue de la littérature sur la modélisation du trafic aérien couvrant les méthodes traditionnelles de séries temporelles (Holt's Winter ARIMA SARIMA) ainsi que les techniques avancées d'apprentissage automatique (FFNN MLP LSTM). Une analyse comparative de ces méthodes soulignant leurs points forts et leurs limites est également incluse. En outre il explore l'estimation bayésienne des paramètres du modèle SARIMA. Les paramètres estimés et les prévisions sont comparés à l'approche traditionnelle du maximum de vraisemblance. Il étend la recherche en introduisant des modèles de mélange des approches hybrides et des techniques simples de calcul de moyenne pour améliorer la précision des prédictions. L'efficacité de ces modèles est évaluée par une analyse comparative.