CC BY
0УДК 62 Матюнина А.И., Дятчин А.В.
Матюнина А.И.
магистр ИУТЦ Российский университет транспорта (МИИТ) (г. Москва, Россия)
Дятчин А.В.
магистр ИУТЦ Российский университет транспорта (МИИТ) (г. Москва, Россия)
ПРОГНОЗНАЯ АНАЛИТИКА В СФЕРЕ ГРАЖДАНСКОЙ АВИАЦИИ: ПРИМЕНЕНИЕ СОВРЕМЕННЫХ ТЕХНОЛОГИЙ ДЛЯ ОПТИМИЗАЦИИ ОПЕРАЦИЙ И ПОВЫШЕНИЯ БЕЗОПАСНОСТИ ПОЛЁТОВ
Аннотация: в условиях растущей конкуренции, увеличения пассажирских и грузовых потоков, расширения сетей маршрутов авиакомпании сталкиваются с необходимостью улучшения эффективности своих процессов. Статья посвящена анализу применения прогнозной аналитики в сфере гражданской авиации, авторы акцентируют внимание на преимуществах, недостатках и рисках технологии. Рассматривается использование прогнозной аналитики для оптимизации технических операций и повышения безопасности полётов, приводятся основные определения, классификации, риски, конкретные примеры и результаты применения этой технологии.
Ключевые слова: интеллектуальная аналитика, предиктивная аналитика, прогнозирование, большие данные.
Прогнозная аналитика является одним из типов интеллектуальной аналитики — одной из самых наиболее активно развивающихся сфер сквозных технологий, которая получила широкое распространение не только среди
специалистов сферы информационных технологий, но и экономистов, социологов, психологов, медиков и др.
Интеллектуальная аналитика представляет собой аналитические системы и предиктивные модели, способные самостоятельно находить способы решения задач, делать прогнозы и выводы, принимать решения. Аналитика на базе машинного обучения помогает принимать решения и минимизировать человеческий фактор.
Интеллектуальная аналитика в свою очередь подразделяется на несколько типов.
Описательная аналитика (Descriptive analytics, DA) содержит анализ данных, собранных для описания прошлых бизнес-ситуаций таким образом, чтобы их тенденции и закономерности стали очевидными. Этот уровень аналитики отвечает на вопрос «что произошло» и является способом получить представление о наилучшем подходе к будущему. Методология описательной аналитики (DA) подробно описана Болговой и др. и включает:
1) Стандартные отчеты и стандартную пакетную информацию,
2) Специальные отчеты: запросы, настроенные конечным пользователем в интерфейсе пакета,
3) Детали запроса: первый уровень интеллектуального анализа данных, позволяющий получать сложную многомерную информацию из баз данных,
4) Оповещения: формируются в любой из групп описательной аналитики путем выбора приоритетных для пользователя данных, когда параметр пересекает ссылку. ценить,
5) Визуализацию: данные в любой графической форме, иллюстрирующие совершаемые действия и события [1].
Предиктивная (также называемая прогнозной) аналитика (Predictive analytics, PA) анализирует данные в реальном времени и данные сценариев для разработки прогнозов и оценки вероятности будущих событий. По мнению Сигела, к ним относятся технологии, основанные на математических или алгоритмических методах, к которым относятся:
1) методы временных рядов и расширенное прогнозирование, широко используемые в управлении цепями поставок для маркетинга, прогнозирования продаж, оценки страховых резервов,
2) машинное обучение, в котором используются регрессия и алгоритмы статистического анализа,
3) метод «деревьев решений», использующий иерархическую последовательность структур,
4) кластеризация, усовершенствованный метод анализа на основе плотности [1].
Предписывающая аналитика (Prescriptive analytics, PrA) использует прогнозы на основе данных, которые способны предложить наборы действий, позволяющих достичь (или избежать) конкретного результата [1]. PrA включает в себя изучение проблемы вариативности ожидаемых результатов с помощью сценарного анализа «что будет, если» или математической теории игр. PrA связан с оптимизацией и моделированием и особенно актуален в неопределенных средах, где невозможно использовать детерминированные алгоритмы. отвечает на вопрос: «Как это можно осуществить?», представляет собой набор аналитических возможностей, которые определяют предпочтительный курс действий путем расчёта ожидаемых будущих результатов и альтернативных вариантов решения.
Использование продвинутой интеллектуальной аналитики (Advanced Analytics, ) основано технологии многомерного анализа баз данных, которая позволяет собирать, обрабатывать данные, отслеживать, прогнозировать и управлять большими бизнес-данными [1].
В гражданской авиации на современном этапе интеллектуальная аналитика используется для прогнозирования необходимости ремонта и технического обслуживания, оптимизации потребления топлива и времени оборота самолётов, сокращения дорогостоящего простоя самолётов.
Приведем некоторые конкретные примеры практического использования этой сквозной технологии:
Delta Air Lines разработала рекомендации по замене деталей и механизмов с точностью 95%. В апреле 2018 года компания заявила, что планирует оснастить свою систему технического обслуживания прогноенным функционалом под воздушные суда последнего поколения (Airbus A350 и Bombardier CS100), особенность которых заключается в том, что они генерируют значительно большие объёмы данных, чем предыдущие самолёты. Руководство Delta отметило, что используемая программа предиктивной аналитики для ТО помогает авиакомпании значительно снизить число сбоев в работе: За последние 12 месяцев использование предиктивного ТО помогло избежать 1.200 задержек с вылетом или отмен рейсов. По данным специалистов Delta Air Lines, используемая программа демонстрирует 95%-й уровень точности в части рекомендаций по необходимости замены деталей [2].
Honeywell и Cathay Pacific удалось снизить количество поломок оборудования самолёта на 35%, что позволило снизить затраты на ТО, сократить количество задержек вылета и время простоя самолётов. Протестировав разработку на воздушных судах типа Airbus A350, специалисты заявили, что точность предсказания поломок составила 99% [3].
Использование предиктивной аналитики S7 Airlines позволило сократить число задержанных по техническим причинам вылетов, повысить безопасность полетов и эффективность технического обслуживания судов, спрогнозировать вероятность возможных поломок для каждого самолета в парке компании [4].
Как можно видеть из вышеприведенных примеров, применение прогнозной аналитики позволяет снизить издержки, связанные с поломками, которые можно было бы предотвратить своевременным ТО. В передовых компаниях точность прогнозов составляет более 85% [5]. Однако, как и для любой сквозной технологии, внедрение и применение прогнозной аналитики влечет ряд рисков, для их выявления приведем SWOT-анализ.
Таблица 1. SWOT-анализ применения прогнозной аналитики.
Сильные стороны Слабые стороны
1. Повышение эффективности и оптимизации операционных возможностей ВС 2. Увеличение предсказуемости и точности планирования маршрутов 3. Сокращение финансовых затрат за счет оптимального распределения маршрутов и расписания 1. Необходимость наличия большого объема данных для построения точных прогнозов 2. Высокие затраты на разработку и внедрение предиктивной модели 3. Возможные проблемы, связанные с конфиденциальностью и защитой данных
Возможности Угрозы
1. Потенциал для расширения использования предиктивной аналитики на различных этапах логистического процесса 2. Разработка дополнительных сервисов на основе аналитических данных для клиентов 3. Увеличение конкурентоспособности и привлечение новых клиентов 1. Возможные технические проблемы и неполадки в алгоритме модели 2. Недостоверность прогноза, связанная с факторами, которые не учитываются в ретроспективном анализе (политические, экономические кризисы, эпидемии, стихийные бедствия)
Подробнее рассмотрим некоторые риски создания и внедрения прогнозной модели:
Некорректная обработка данных: качество данных, используемых для обучения модели, может влиять на точность прогнозов. Если данные были собраны некорректно или имеют пропуски, это может привести к ошибкам и неверным прогнозам.
Пропуск новых или необычных данных: модель может быть обучена на определенном наборе данных и не быть способной обрабатывать новые или отличающиеся данные, которые могут возникнуть в процессе эксплуатации.
Ошибки в алгоритме или модели: выбор неправильного алгоритма или создание модели, которая не учитывает все важные факторы, может привести к неверным предсказаниям или низкой точности.
Нестабильность модели: если модель основана на внешних переменных, таких как погода или спрос, ее точность может колебаться в зависимости от этих факторов.
Влияние человеческого фактора: даже при наличии точной предиктивной модели, ее применение может быть затруднено из-за человеческого фактора, например, ошибок при внедрении или неправильном использовании модели.
Ограничения в масштабировании: модель может хорошо работать на определенном масштабе, но не масштабироваться на большие объемы данных.
Недостоверность прогноза: ретроспективный анализ не учитывает многие факторы (политические, экономические кризисы, эпидемии, стихийные бедствия).
Исходя из всего вышеизложенного, можно сделать вывод о том, что прогнозная аналитика в сфере гражданской авиации представляет собой мощный инструмент, который позволяет повышать предсказуемость поломок, проводить предиктивный ремонт воздушных судов, рассчитывать оптимальное распределение маршрутов и расписания. Внедрение прогнозной аналитики не только повышает эффективность работы авиационных компаний, но и способствует снижению затрат и улучшению общей безопасности полётов.
СПИСОК ЛИТЕРАТУРЫ:
1. Bolgova E. V., Haitbaev V. A., Nikishchenkov S. A. Big data analytics in the model Cargo flow—transport and logistics infrastructure;
2. Delta's Maintenance Prognostics Will Continue On Newest Aircraft (Авиакомпания Delta Air Lines продолжит использовать технологию прогнозирования технического обслуживания на новейших самолетах) России: https://w.agbizweek.com/big-data/deltas-maintenance-prognostics-will-continue-newest-aircraft;
3. Honeywell и Cathay Pacific тестируют технологии Big Data // https://w.flugrevue.de/flugzeugbau/maintenance/honeywell-und-cathay-testen-big-data/724054/;
4. S7 спрогнозирует поломки самолетов с помощью машинного обучения // https://w.aex.ru/news/2018/3/6/182004/print/;
5. «Воздушная математика». Большие данные в мире гражданской авиации России // https://w.tadviser.ru/
Matyunina A.I., Dyatchin A. V.
Matyunina A.I.
Russian University of Transport (MIIT) (Moscow, Russia)
Dyatchin A.V.
Russian University of Transport (MIIT) (Moscow, Russia)
PREDICTIVE ANALYTICS IN CIVIL AVIATION: APPLICATION OF MODERN TECHNOLOGIES TO OPTIMIZING OPERATIONS AND IMPROVING FLIGHT SAFETY
Abstract: in the context of growing competition, increasing passenger and cargo flows, expanding route networks, airlines are faced with the need to improve the efficiency of their processes. The article is devoted to the analysis of the application ofpredictive analytics in the field of civil aviation, the authors focus on the advantages, disadvantages and risks of the technology. The use of predictive analytics to optimize technical operations and improve flight safety is considered, the main definitions, classifications, risks, specific examples and results of the application of this technology are given.
Keywords: intelligent analytics, predictive analytics, forecasting, big data.
