Divisão de Engenharia Civil Ano: 2022
(Turma 2022, TGs 2022)
Análise e previsão de indicadores de performance do tráfego aéreo brasileiro (pdf 5,11 MB)
Autor: Alexandre de Castro Fernandes
Orientador(es): Marcelo Xavier Guterres
Relator(es): Mayara Condé Rocha Murça
Ano: 2022
Resumo:
O transporte aéreo brasileiro tem apresentado crescimento em sua demanda de forma que a medição do desempenho da operação de gestores de aeroportos e companhias aéreas cumpre papel fundamental na manutenção da qualidade do serviço prestado aos passageiros. O presente estudo busca analisar indicadores de performance do setor aeroportuário de forma a obter os principais fatores que influenciam na eficiência da operação. A pesquisa é feita levando-se em consideração os voos com decolagem no território brasileiro e insere-se no estudo informações detalhadas do voo como condições meteorológicas do local no momento da partida e dados sobre demanda e capacidade da respectiva aeronave e aeroporto. Com essas informações primeiramente visualizou-se o indicador de pontualidade de partida (KPI 01) levando-se em consideração quatro categorias na classificação. A partir disso, utilizou-se o método de Aumento de Gradiente Extremo (XGBoost) como algoritmo de aprendizado de máquina supervisionado com o objetivo de predizer a pontualidade de partida de um voo. Os resultados obtidos mostram que a pressão local, a quantidade de decolagens na mesma hora que a do respectivo voo e o volume de bagagem franqueada são os principais fatores que influenciam na pontualidade de partida. Por fim, analisou-se a eficiência na gestão da demanda e capacidade horárias dos aeroportos. Abstract:
Brazil's air transportation has shown growth in its demand. Hence, the measurement of the operation performance of airport managers and airlines plays a crucial role in maintaining the quality of service provided to passengers. This study seeks to analyze performance indicators in the airport sector to obtain the main factors that influence the efficiency of the operation. The research takes into account the flights with takeoff in The Brazilian territory and inserts in the study detailed information of the flight as weather conditions of the site at the time of departure and data on demand and capacity of the respective aircraft and airport. With this information, the starting punctuality indicator (KPI 01) was first visualized, taking into account four categories in the classification. From this, the Extreme Gradient Boosting (xgboost) method was used as a supervised machine-learning algorithm to predict the punctuality of a flight's departure. The results obtained show that local pressure, the number of take-offs at the same time as the respective flight, and the volume of franchised baggage are the main factors that influence the punctuality of departure. Finally, the efficiency in management of the hourly demand and capacity of airports was analyzed.
