自互联网技术发展以来，客户满意度一直是公司发展中的主要因素之一。在线平台已成为分享评论的主要场所之一，Twitter 是其中之一，客户经常在这些平台上发布自己的感想。对于航空公司而言，在这些平台上的航班点评已成为问题。正面的点评可以帮助公司发展，而负面的点评则可能迅速损害收入和声誉。因此，对于航空公司来说，研究客户的反馈和体验，并改进他们的服务以保持竞争力至关重要。然而，研究数千条推文，并分析它们以确定客户满意度是一项相当困难的任务。可以通过使用机器学习方法来分析推文，以确定客户满意度水平，从而简化这个繁琐的过程。对于自动化过程，已经对这种策略进行了一些工作，并使用机器学习和深度学习技术。然而，它们完全只关注对文本情感的评估。除了文本，推文还包括时间、地点、用户名、航空公司名称等信息。这些附加信息对于改进模型的结果至关重要。为了提供一个基于机器学习的解决方案，本研究扩大了其视野，包括这些特性。而且，不出所料，超出文本情感分析的附加特征会产生更好的机器学习模型结果。

Feb, 2024

本研究旨在使用机器学习方法分析 Twitter 上提到的航空公司航班服务的客户满意度，通过情感分析、词汇分析和时间序列分析，检测顾客情感的异常波动，以帮助航空公司及其他客户面对顾客的快速变化而采取适当措施。

Sep, 2022

利用在线顾客数据，结合人工智能和游戏理论，本研究提出了一种方法用于产品设计和市场研究，提供全面的顾客需求理解，且在多标准决策的领域中表现优于基准方法。

Feb, 2024

使用深度前馈神经网络和因果贝叶斯网络框架进行顾客流失预测，并通过测试数据的评估度量验证了该模型的优越性。同时，文中还提出了客户超额保证金交纳水平、账户增长和客户任期等独立因果变量可能会成为顾客流失的混淆因素。

Apr, 2023

本研究论文探讨了飞机延误问题，重点关注其对安全和经济损失的影响。为了缓解这些问题，提出了一种创新的机器学习增强的降落调度方法，旨在提高自动化和安全性。通过分析飞行到达延误的情景，发现了到达飞行时间持续的多峰分布和聚类。一种多阶段条件机器学习预测器增强了基于飞行事件的分离时间预测。机器学习预测结果被整合为安全约束，并在时间约束下使用整数线性规划求解旅行推销员问题。通过历史飞行记录和模型预测来处理连续飞行之间的不确定性，确保可靠性。所提出的方法使用来自亚特兰大空中交通管制中心（ARTCC ZTL）的实际数据进行验证。案例研究表明，与先到先服务（FCFS）规则相比，总降落时间平均减少了 17.2％。与 FCFS 不同，所提出的方法考虑了不确定性，增强了调度的可信度。研究总结并提出了未来的研究方向。

Nov, 2023

本文介绍了两种自然语言处理技术（词袋和 TF-IDF）以及各种机器学习分类算法（支持向量机，逻辑回归，多项式朴素贝叶斯，随机森林）来分析大型，不平衡和多类数据集上的情感分析。最佳方法使用支持向量机和逻辑回归的词袋技术提供 77％的准确性。

Oct, 2021

该研究提出了一种基于预测的优化框架，通过调整航班频率，在美国国内航空客运市场上最大化市场影响力。通过神经网络预测市场影响力，进而定义一个预算约束下的航班频率优化问题，并提出了一种新型的自适应梯度上升（AGA）方法进行优化。该方法在清空采用实验中，效果显著优于传统方法。

May, 2021

自动化技术在支持票据分类中的应用性测试研究表明，自动化机器学习（AutoML）可用于训练具有良好分类性能的机器学习模型（ML 模型），并填补了在不借助专业人员利用 AutoML 开发 AI 解决方案方面的研究空白，进而使该技术更容易为没有专门 AI 部门和员工的公司所采用。

Jun, 2024

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

本研究使用数据挖掘和自然语言处理技术，通过分析网站上的评论数据来找到影响客户满意度的因素，结果表明此方法非常准确。

Sep, 2022