借助美国航空公司的大量数据，本研究提出了一种新颖的多模态深度学习方法，以准确预测航班客流量，相较传统模型获得了显著的准确性提升。将循环神经网络（RNN）和卷积神经网络（CNN）相结合，并利用数据的时间和空间关系来增强预测性能，同时运用全面的数据处理策略，如构建三维张量、谨慎的遮掩策略和数据增强技术。研究结果表明，相较于传统基准模型，该方法的均方误差（MSE）约提高了 33%。因此，本研究强调了深度学习技术和细致数据处理在航班客流量预测领域的重要潜力。

Jan, 2024

本论文通过利用 r2（确定系数）和 RMSE 研究了航班定价数据的预测性能和过程，结合了从 Expedia.com 获取的大型数据集，包含约 2000 万条记录或 4.68GB。该项目旨在确定在真实世界中用于预测美国境内直达航班机票价格的最佳模型。因此，良好的泛化能力和优化的处理时间是衡量模型的重要指标。通过特征重要性发现了关键业务洞见，并讨论了我们分析所使用的过程和工具。使用了四种回归机器学习算法：随机森林、梯度提升树、决策树和分解机，利用交叉验证和训练验证函数来评估性能和泛化能力。

Oct, 2023

该研究提出了一种新的基于深度学习技术的车辆路径问题求解方法，以优化机场地勤中的车队调度，实验结果表明该方法在处理多达 200 个航班和 10 种操作时表现非常优秀，并在不同情况下表现出了很好的鲁棒性和广泛适用性。

Feb, 2023

本文提出了一种基于图神经网络和注意力机制的乘客 OD 流量预测框架，通过捕获不同位置出发的请求之间的各种线性和非线性依赖关系以及该地点的重复模式和上下文数据，预测乘客的 OD 流量，同时确定覆盖道路网络的网格单元的最佳大小，得到较优的预测效果。

Jan, 2023

本文提出了一种基于图强化学习的方法，用于在线规划多个垂降站之间的电动飞机航班和目的地。训练数据表明，这种方法在性能和效率方面表现优秀。

Jan, 2024

提出了一种新的数据管理和预测系统，可准确预测国家空域系统（NAS）特定空域区域内的飞机计数。对美国的大量实际轨迹、天气和空中交通数据进行评估，验证了我们的系统在每个空域部门高效准确地预测飞机计数。

Oct, 2023

本文使用神经方法和强化学习解决了机场地勤服务的多航班车辆路径问题，实验证明我们的方法相对于传统的启发式和一些特殊的方法更加高效。

Mar, 2023

本文介紹了一種基於 Pointer Networks 的新型選擇模型，並使用深度學習技術結合 Recurrent Neural Networks 和 Attention Mechanism 來學習給定多個選擇時如何選擇最可能被顧客選擇的路線。與傳統的 MNL 模型相比，實驗結果顯示該模型在多個指標上表現優異。

Mar, 2018

该研究探讨了航空业中提高顾客满意度的方式，这是保留顾客和建立品牌声誉的关键因素，对于收入增长至关重要。通过机器学习和因果推断方法的结合，我们研究了服务改进对顾客满意度的具体影响，重点关注在线登机牌体验。通过详细的数据分析，涉及多个预测和因果模型，我们证明了客户服务的数字方面的改进显著提高了整体顾客满意度。这篇论文强调了航空公司如何战略性地利用这些见解做出数据驱动的决策，以提升顾客体验，从而增强市场竞争力。

May, 2024

我们设计和开发了一个新颖的数据分析和机器学习系统，通过主动支持路由决策，以减少延误。该系统使用历史路由数据和天气数据进行预测，并采用一系列竞争算法来生成最终结果，在实验中获得了高于 90% 的平均准确性。

Oct, 2023