PUBLISHED PAPERS
2025 |
Modelos Supervisionados para Previsão de Atrasos em Voos: Impacto da SMOTE no Aprendizado Proceedings Article Lucas Almeida Soares Silva; Ramiro de Paiva Fagundes; Bruno Santos Luiz; Camile da Costa Ramos; Daniel Alberto Pamplona; Mateus Habermann Resumo | Links | BibTeX | Tags: Balanceamento de Classes, Machine Learning, Transporte Aéreo @inproceedings{daSilva2025ModelosSupervisionados,Atrasos em voos domésticos no Brasil representam um problema crítico, com severos impactos operacionais e financeiros. Embora o Machine Learning ofereça ferramentas para prever esses eventos, o desbalanceamento natural dos dados, onde voos pontuais são a maioria, cria modelos com alto viés, incapazes de identificar as classes minoritárias de atraso. Este trabalho aborda essa lacuna ao analisar o impacto da técnica de sobreamostragem SMOTE em três algoritmos: Regressão Logística Ordinal, Decision Tree e Random Forest. Os modelos foram treinados para classificar atrasos em categorias distintas. Os resultados demonstram que, sem o balanceamento, os algoritmos são ineficazes. Após a aplicação da SMOTE, a capacidade de prever atrasos aumenta drasticamente, com o Random Forest mostrando o melhor desempenho. O estudo conclui que a SMOTE é um pré-processamento essencial para a utilidade prática de modelos preditivos no setor aéreo. |