航空業的人工智能和數據科學

去年《紐約時報》的一篇文章解決了這個問題，“你準備好在沒有人類飛行員的情況下飛行嗎?”這在Facebook上引發了熱烈的討論。許多用戶的評論非常情緒化，其他用戶也自愿提供了他們在航空領域的專業知識。其他人則聲稱，與無人駕駛飛機相比，人們更愿意接受自動駕駛汽車，這可能是因為駕駛比飛行更安全。

計算機視覺等技術為自動化和自動駕駛汽車提供動力，但我們是否接近由人工智能系統而不是飛行員控制的商用飛機?波音和空中客車公司的自動駕駛客運飛行器原型已經完成了首次試飛。但就目前而言，我們可以拋開商用飛機在無人控制的情況下飛行的未來場景。在航空旅行完全無人駕駛之前，需要多年的認證和測試。好消息是航空公司確實使用人工智能或更確切地說是數據科學和機器學習來自動化公關加速運營。因此，我們將討論現實生活中的用例，這些用例不會因AI恐懼癥而加劇您的恐空癥。

航空領域的人工智能和數據科學

收入管理和路線規劃

許多波蘭航空公司在芝加哥奧黑爾和波蘭城市克拉科夫之間的直飛航班可能會讓您覺得太過分了。芝加哥和克拉科夫都是大型機場樞紐，但足以在非首都城市之間運行跨大西洋航班。嗯，是的，芝加哥大都市區估計有150萬波蘭人后裔。對這對城市的真正需求很高。航空公司必須解決的關鍵問題之一是如何為航班定價和確定旅客對特定城市對的需求。運營商必須在評估數據的同時考慮數千個參數才能做到這一點。

分析師仍然可以使用傳統的統計方法。借助數據科學，現在可以以更復雜的方式進行需求分析。國際航空運輸協會(IATA)建議航空公司可以利用旅客行為數據并放棄在線旅行社、元搜索引擎或社交媒體聊天來定義休閑需求。來自專業社交網站、招聘和采購活動的數據可能預示著新興的商務旅行目的地。在2017年航空公司的展示中，Skyscanner使用基于機器學習的聚類分析了大約50,000個相似的出發地和目的地。他們考慮了大約30個參數，例如旅行月份、預訂時間、人們在目的地停留的時間等等。有些結果相當令人驚訝。例如，傳統上被認為最適合浪漫旅行的城市同樣受到單身旅行者的歡迎，與目的地的距離可能比城市本身更重要。最重要的是，節日、會議或博覽會等活動會推動需求的短期飆升。因此，收入團隊可以依靠事件數據來提高特定路線和日期的票價，從而從不斷增長的需求中受益。

為了確定特定事件可能對旅客需求產生多大影響，預測總部的航空排名系統使用排名算法將之前的航班預訂與事件數據進行比較。Qantas該公司的客戶之一是澳大利亞的國家航空公司。

機上銷售和食品供應

想象一下你有一個清晨的航班。具有挑戰性的東西!一旦你經歷了機場夾盤并最終坐下，你可能會想到一杯咖啡和一個三明治，還有一個胡蘿卜蛋糕在菜單上看起來很好吃。但有些人從不點飛機餐。因此，航空公司供應管理專家必須估算他們在機上向食客提供多少零食和飲料，而不會造成浪費?？团摾且粋€嚴重的環境問題。

2018年，航空公司產生了610萬噸垃圾。其中大部分被焚燒或轉移到垃圾填埋場。2008年春天，easyJet首席執行官John Lundgren調動數據科學團隊分析不同航線對食品的需求。團隊了解到，早上6:00飛往愛丁堡的航班對物品的需求與周五晚上飛往伊維薩島的航班的需求大不相同。因此，EC噴氣式飛機在每次飛行后或每年近800,000次后將三件新鮮食品扔進垃圾桶。John Lundgren指出，這樣的錯誤使承運人損失了數百萬英鎊。最終，數據科學家創建了一種新的需求預測算法。這些見解幫助航空公司節省了大量資金并為環境做正確的事情。

油耗優化

2018年，商業航空在全球使用化石燃料產生的二氧化碳排放中貢獻了2.4%。這個百分比似乎并不顯著，但這是另一個事實，碳排放在過去五年中增加了32%。這就是為什么飛機制造商和航空公司正在尋找提高燃油效率的方法。運營商減少碳排放的第二個重要原因是財務方面的。2018年，航空公司將23.5%的總開支用于航空燃油。好多啊!為了提高燃油效率，航空公司必須準確預測每次定期航班需要多少燃油來供應飛機。最好的方案是擁有一個單一的分析工具。

西南航空公司在其燃料消耗項目中研究了這種解決方案。該團隊開發了八個預測模型，其中包括時間序列算法和神經網絡。該系統可以為每個月和航空公司飛往的每個機場生成9600個燃料消耗預測。此前，該團隊每月生成1,200個預測，每位分析師最多花費三天時間做出預測。新的解決方案在五分鐘內完成。它生成12個月的預測，并考慮燃料價格、出行次數和時間段等影響因素。預測也變得更加準確。

帶面部識別的登機和托運行李

面部識別技術是針對特定目的分析一個人的面部標志。航空公司使用這種生物識別技術作為登機選項。該設備掃描旅客的面部并將其與存儲在邊境管制機構數據庫中的照片進行匹配。這些可以是護照、簽證或其他旅行證件中的照片。它是這樣工作的，旅行者首先在自助服務亭獲得自己的護照，然后是他們的護照，然后用掃描儀檢查他們的背部-并通過另一個面部掃描儀。

為什么需要它?美國海關和邊境保護局等政府機構強調，該技術可以創造無縫的旅行者體驗。這樣更快更安全。許多航空公司要么正在試點，要么已經在選定的機場使用生物識別登機口。達美就是其中之一。2018年11月，該航空公司在亞特蘭大機場開設了一個生物識別終端。該航空公司聲稱該航站樓是美國首個此類航站樓。達美航空還指出，它將在2018年12月中旬開始在底特律麥克納馬拉航站樓的所有14個國際登機口測試這項技術。并補充說，在2019年，客戶將能夠在路邊到登機口使用生物識別登機。2019年夏天，達美航空在另一個亞特蘭大機場航站樓以及明尼阿波利斯、底特律和鹽湖城機場引入了面部識別。那49個大門配備了面部識別軟件。旅行者似乎喜歡新的登機選擇。達美航空對大西洋航站樓F的客戶進行了調查，發現其中70%的人認為生物識別登機體驗很有吸引力，72%的人更喜歡這種體驗。

為下一次飛行準備飛機

當飛機尚未準備好登機和起飛時，乘客有時不得不在登機口等待登機。也許餐飲卡車遲到了，或者清潔團隊正忙于另一架噴氣式飛機。飛機著陸和下一次起飛之間的時間稱為“周轉”。2018年，美國客運航空公司因延誤平均每分鐘損失74美元和20美分。據美國交通部計算，由飛機維修造成的延誤占所有延誤航班的5.8%。這幾乎是因極端天氣而延誤的白人的六倍。

位于蘇黎世的初創公司提供軟件，使用圖像識別算法和神經網絡處理來自機場的視頻流，這些算法和神經網絡為軟件提供動力并識別物體、運動和交互。航空公司員工可以實時監控飛機如何為下一次飛行做準備，包括加油、貨物裝載或餐飲配送。因此，他們可以決定是否需要采取措施。

漢莎航空系統通過其深度周轉解決方案解決了同樣的問題。這家航空業的IT服務提供商開設了子公司zero-g來開展其AI計劃。該解決方案還分析視頻數據并實時更新用戶在飛機服務期間發生的事情。

結論

航空公司使用數據科學和機器學習來評估不同航線的乘客需求。使用數據洞察優化飛機地面處理和加油，或通過生物識別登機重新定義乘客的機場體驗。借助新的分銷技術，我們可能期望航空公司開始根據個人旅客的偏好和支付意愿為他們提供個性化的服務。個性化是iota概述的優先事項之一。對于人工智能自動駕駛儀，航空公司在涉及直接影響飛行安全的新技術時非常保守。運營商可能會等到人工智能足夠成熟，直到旅行的公眾準備好信任它。