| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Mašīnmācīšanās metožu salīdzināšana datu prognozēšanai un segmentācijai aviācijas nozarē |
| Nosaukums angļu valodā |
Comparison of Machine Learning Methods for Data Forecasting and Segmentation in the Aviation Industry |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ilze Birzniece |
| Recenzents |
Katrīna Šmite |
| Anotācija |
AVIĀCIJAS EMISIJAS, PASAŽIERU PLŪSMA, MAŠĪNMĀCĪŠANĀS, PROGNOZĒŠANA, KLASTERĒŠANA
Bakalaura darbs ir 2.tipa – aktuālo jomas problēmu risinājums.
Darbā pētīta mašīnmācīšanās metožu pielietošana Eiropas Savienības aviācijas pasažieru plūsmas un CO₂ emisiju prognozēšanā, kā arī dalībvalstu segmentācijā. Lai gan publicētajos pētījumos mašīnmācīšanās metodes ir plaši izmantotas atsevišķiem aviācijas datu analīzes uzdevumiem, vienota salīdzinošā novērtējuma trūkst – īpaši ES dalībvalstu kontekstā ar ierobežotu datu apjomu un strukturāliem pārtraukumiem laika rindās.
Darba mērķis ir izvērtēt un salīdzināt mašīnmācīšanās metodes ES aviācijas pasažieru plūsmas un CO₂ emisiju prognozēšanai un dalībvalstu segmentācijai. Salīdzinošajā eksperimentā piemērotas trīs prognozēšanas metodes – lineārā regresija, gadījumu meži un XGBoost, kā arī divas klasterēšanas metodes – K-Means un hierarhiskā klasterēšana ar Ward sasaisti. Eksperiments īstenots uz integrētas datu kopas par 27 ES dalībvalstīm laikposmā no 2013. līdz 2024. gadam.
Iegūtie rezultāti liecina, ka gadījumu meži sniedz vislabāko prognozēšanas precizitāti gan pasažieru plūsmai (MAPE = 32,43%; R² = 0,687), gan CO₂ emisijām (MAPE = 30,17%; R² = 0,813), pārspējot lineāro regresiju un XGBoost. Segmentācijas eksperimentā konstatēta augsta K-Means un Ward hierarhiskās klasterēšanas savstarpējā konverģence (ARI no 0,794 līdz 1,0; NMI no 0,691 līdz 1,0) trīs analīzes dimensijās, kas apliecina iegūtās dalībvalstu struktūras robustumu.
Bakalaura darbā ir 72 lappuses, 9 attēli, 13 tabulas, 1 pielikums, 56 informācijas avoti. |
| Atslēgas vārdi |
AVIĀCIJAS EMISIJAS, PASAŽIERU PLŪSMA, MAŠĪNMĀCĪŠANĀS, PROGNOZĒŠANA, KLASTERĒŠANA |
| Atslēgas vārdi angļu valodā |
AVIATION EMISSIONS, PASSENGER FLOW, MACHINE LEARNING, FORECASTING, CLUSTERING |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 10:56:22 |
