CBL - Campus del Baix Llobregat

Projecte llegit

Títol: Caracterització de la demanda del servei d'atenció a passatgers de mobilitat reduïda en un aeroport emprant xarxes neuronals

Estudiants que han llegit aquest projecte:

Director/a: TRAPOTE BARREIRA, CÉSAR

Departament: FIS

Títol: Caracterització de la demanda del servei d'atenció a passatgers de mobilitat reduïda en un aeroport emprant xarxes neuronals

Data inici oferta: 02-02-2024     Data finalització oferta: 02-10-2024


Estudis d'assignació del projecte:
    DG ENG AERO/TELEMÀT
Tipus: Individual
 
Lloc de realització: EETAC
 
Segon director/a (UPC): MESEGUER PALLARÈS, ROC
 
Paraules clau:
PMR, mobilitat reduïda, xarxa neuronal, predicció, passatger, demanda, caracterització, ML, anàlisi de dades, operacions aeroportuàries, aeroport, previsió, preavís
 
Descripció del contingut i pla d'activitats:
El proyecto tiene la finalidad de utilizar técnicas de ML para realizar una caracterización del perfil de llegadas de pasajeros a la terminal del aeropuerto.

La curva de presentación y el tipo de pasajero determina la carga de trabajo para la cual se deben planificar y asignar los recursos de la terminal. Las técnicas de ML pueden contribuir notablemente a mejorar la información y procesos aeroportuarios.
 
Overview (resum en anglès):
People with reduced mobility (PRM) have the right to accessibility at the airport, which can be ensured through a dedicated service for this community. However, this service impacts airport operations and is increasingly relevant due to the growing demand. Therefore, demand forecasting is necessary to provide quality service and optimize airport resources. This is challenging because less than two-thirds of PRMs notify in advance of their need for the service.

A model based on neural networks is proposed to predict the number of PRM passengers, which determines the amount of resources the airport needs to prepare for each hour of the day. To this end, data from an anonymous airport over a specified period is used, including information on each flight, including the amount of PRMs separated by categories.

The network is developed using Python, employing libraries such as TensorFlow and Keras. Data analysis is performed using Excel, with tables and graphical representations.

The results show that the network is accurate when predicting a high volume of PRMs. A detailed analysis focuses on January and July, with average relative errors of 16% and 11% during peak hours, respectively, compared to the 36% error rate that would result from only considering prior notices.

© CBLTIC Campus del Baix Llobregat - UPC