การประเมินประสิทธิภาพของโมเดลการทำนายการดีเลย์ของเที่ยวบินในสภาวะแวดล้อมที่ไม่แน่นอน

ในอุตสาหกรรมการบินเชิงพาณิชย์ ปัญหาการดีเลย์ของเที่ยวบินเป็นประเด็นสำคัญที่ส่งผลกระทบทั้งต่อผู้โดยสารและสายการบิน ซึ่งทำให้เกิดความสูญเสียทางด้านเวลา ทรัพยากร และโอกาสทางธุรกิจ งานวิจัยนี้มีวัตถุประสงค์เพื่อประเมินประสิทธิภาพของโมเดลการทำนายการดีเลย์ ของเที่ยวบินในสภาวะแวดล้อมที่ไม่แน่นอน โดยใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) และปัญญาประดิษฐ์ (AI) หลากหลายรูปแบบ เช่น Random Forest, XGBoost, Support Vector Machines (SVM), Neural Networks รวมถึงการประยุกต์ใช้อัลกอริทึมเสริมประสิทธิภาพ (Optimization Algorithms) และการจัดกลุ่มข้อมูล (Clustering) เพื่อรับมือกับข้อมูลที่มีความแปรปรวนสูงงานวิจัยนี้ดำเนินการทดลองโดยเก็บรวบรวมข้อมูลเที่ยวบินจากแหล่งต่าง ๆ ทั้งข้อมูลสภาพอากาศ การจราจรทางอากาศ ปัจจัยด้านมนุษย์ ตลอดจนข้อมูลเชิงเทคนิคของเครื่องบิน จากนั้นทำการวิเคราะห์ และปรับพารามิเตอร์ของโมเดลอย่างเหมาะสมเพื่อให้ได้ค่าความแม่นยำสูงที่สุด ผลการวิจัยพบว่า โมเดล XGBoost และ Random Forest มีความโดดเด่นในการทำนาย เมื่อผสานการใช้คุณลักษณะระยะสั้น (short-term features) เช่น การดีเลย์ของเที่ยวบินก่อนหน้าและเวลาที่ออกเดินทางจริง (Departure Delay) สามารถเพิ่มค่าความถูกต้อง (Accuracy) สูงถึง 0.93 และค่า F1-Score อยู่ในระดับที่น่าพึงพอใจอยู่ที่ 0.92 ซึ่งบ่งชี้ถึงความสามารถในการจำแนกเที่ยวบินที่มีแนวโน้มเกิดดีเลย์ได้อย่างมีประสิทธิภาพ ผลการศึกษานี้จะช่วยสนับสนุนการตัดสินใจของผู้เกี่ยวข้องในอุตสาหกรรมการบิน ตั้งแต่สายการบิน สนามบิน ไปจนถึงผู้โดยสาร ให้สามารถวางแผนล่วงหน้าและบริหารจัดการทรัพยากรได้อย่างเหมาะสม นอกจากนี้ ยังเปิดโอกาสในการพัฒนาระบบทำนายการดีเลย์แบบเรียลไทม์ที่ผสานกับข้อมูลขนาดใหญ่ (Big Data) เพื่อเพิ่มศักยภาพในการรับมือสถานการณ์ฉุกเฉิน เช่น ความแปรปรวนของสภาพอากาศ หรือเหตุขัดข้องทางเทคนิค ซึ่งจะเป็นประโยชน์ต่อการปรับปรุงประสบการณ์ของผู้โดยสารและลดผลกระทบด้านต้นทุนต่อธุรกิจการบินในระยะยาว