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.