Resumen

Este estudio presenta un método combinado de Memoria a Largo Plazo y Corto Plazo y Extreme Gradient Boosting (LSTM-XGBoost) para la predicción del flujo de llegadas de vuelos en el aeropuerto. Se realiza un análisis de correlación entre el flujo de llegadas histórico y las características de entrada. El método XGBoost se aplica para identificar la importancia relativa de diversas variables. Los datos históricos de series temporales del flujo de llegadas al aeropuerto y las características seleccionadas se toman como variables de entrada, y el flujo de llegadas de vuelos subsiguiente es la variable de salida. Los parámetros del modelo se actualizan secuencialmente en función de los datos recopilados recientemente y los nuevos resultados de predicción. Se encontró que la precisión de la predicción mejora significativamente al incorporar las características meteorológicas. Los resultados del análisis de datos indican que el método desarrollado puede caracterizar bien la dinámica del flujo de llegadas al aeropuerto, proporcionando así resultados de predicción satisfactorios. El rend

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Estudio; LSTM-XGBoost; Flujo de llegada al aeropuerto; Predicción; Modelo; Rendimiento
• Keywords:Study; LSTM-XGBoost; Airport arrival flow; Prediction; Model; Performance