Projeto: Prevendo atrasos de voos

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.

Índice

• Descrição do Projeto
• Funcionalidades e Demonstração da Aplicação
• Tecnologias utilizadas
• Conclusão
• Licença

Descrição do projeto

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.

Funcionalidades e Demonstração da Aplicação

• 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:

1. Faça download do arquivo modelo_producao.pkl
2. 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))

3. 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')

Tecnologias utilizadas

• 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

Conclusão

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;

Licença

MIT License