Детальная информация

Данная работа посвящена созданию и исследованию программного обеспечения, объединяющего в себе два взаимосвязанных направления: прогнозирование объемов пассажирских перевозок на основе исторических и экономических данных и валидацию и анализ автоматизированного составления расписания воздушных судов по заданным критериям. В ходе выполнения работы было создано программное обеспечение, предоставляющее возможность проводить обучение, прогнозирование и оценку качества прогноза пассажиропотока с выходными файлами, выгружаемыми напрямую в программу для создания расписания воздушных судов. Также был разработан веб-интерфейс, предоставляющий возможности загрузки файла с сформированной моделью расписания, вывода его последующего анализа в виде таблиц и интерактивных графиков и скачивания журналов ошибок. Проведённые эксперименты подтвердили, что используемая для прогнозирования пассажиропотока модель Bi-LSTM с механизмом внимания обеспечивает наилучшие показатели точности по сравнению с классическими методами и однонаправленной LSTM. Модуль анализа расписания эффективно выявляет нарушения требований технических спецификаций и аномалии, и поэтому представленное приложение может быть применимым для автоматизированной проверки планирования работы авиакомпаний. Работа выполнена на основе языка Python с использованием библиотек PyTorch, scikit-learn, statsmodels, pandas, Plotly и Flask; в качестве СУБД применён PostgreSQL.

This work is devoted to the design and investigation of software that integrates two interrelated components: forecasting passenger traffic volumes based on historical and economic data, and validation and analysis of automatically generated aircraft schedules according to specified criteria. During the course of the project, a software package was created that allows training, forecasting, and evaluation of passenger-flow forecasts, with output files exported directly to the aircraft scheduling program. A web-based interface was also developed, providing functionality for uploading a file containing the generated schedule model, displaying its subsequent analysis as tables and interactive charts, and downloading error logs. Experiments confirmed that the Bi-LSTM model with an attention mechanism used for passenger-flow forecasting delivers superior accuracy compared to classical methods and a unidirectional LSTM. The schedule-analysis module efficiently detects violations of technical-specification requirements and anomalies, making the presented application suitable for automated verification of airline planning. The work was implemented in Python using the PyTorch, scikit-learn, statsmodels, pandas, Plotly, and Flask libraries; PostgreSQL was used as the database management system.