Este projeto visa desenvolver um modelo preditivo para antecipar a ocorrência de atrasos nos voos, permitindo uma gestão ágil e eficiente do planejamento de estacionamento de aeronaves.
- Descrição do Projeto
- Funcionalidades e Demonstração da Aplicação
- Tecnologias utilizadas
- Conclusão
- Licença
Este repositório visa a otimização aeroportuária através de um modelo preditivo para a previsão de atrasos em voos. Foi feito construção de um modelo de regressão para antecipar atrasos, permitindo ajustes ágeis nos planos de estacionamento. O objetivo é reduzir o tempo de espera dos passageiros e aprimorar as operações do aeroporto. Este projeto foi criado para fins de aprendizado e aplicação dos conhecimentos adquiridos referente o modelo de regressão.
- O modelo prevê atrasos de voos a partir de dados de entradas, retornando o tempo de atraso em minutos.
Para acessar e executar o projeto, seguir os seguintes passos:
- Faça download do arquivo modelo_producao.pkl
- Importe biblioteca pickle para carregar o modelo salvo da seguinte forma ou faça download do arquivo testando_modelo.ipynb:
import pickle
from warnings import simplefilter
simplefilter(action='ignore', category=UserWarning)
file_path = 'modelo_producao.pkl'
try:
with open(file_path, 'rb') as file:
model = pickle.load(file)
print("Modelo carregado com sucesso!")
except Exception as e:
print("Ocorreu um erro ao carregar o modelo:", str(e))
- Insira novos dados para o modelo retornar a previsão de atraso. No exemplo abaixo, estamos inserindo os seguintes dados:
schengen: 0
arrival_time: 10.8941
is_holiday: 0
is_weekend: 0
airline_BZ: 0
airline_MM: 0
airline_YE: 1
aircraft_type_Airbus A320: 1
aircraft_type_Airbus A330: 0
aircraft_type_Boeing 737: 0
aircraft_type_Boeing 777: 0
aircraft_type_Boeing 787: 0
aircraft_type_Embraer E175: 0
nova_amostra = [0.0, 10.8941, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0]
# Exemplo de previsão com dados de entrada 'X'
print(f'Previsão de atraso: {round(model.predict([nova_amostra])[0], 2)} minutos')
- Linguagem: Python 3.11.5
- Bibliotecas:
- Pandas: 2.1.1
- Matplotlib: 3.8.0
- Seaborn: 0.12.2
- NumPy: 1.24.3
- Scikit-learn: 1.3.0
- Yellowbrick: 1.5
Neste projeto foi possível adquirir uma boa base para realizar:
- Análise exploratória dos dados;
- Preparação dos dados via Feature engineering;
- Implementação e otimização do algoritmo RandomForestRegressor;
- Seleção das features mais importantes;