октябрь    2025

Пн	Вт	Ср	Чт	Пт	Сб	Вс
		1	2	3	4	5
6	7	8	9	10	11	12
13	14	15	16	17	18	19
20	21	22	23	24	25	26
27	28	29	30	31

показать все 

01.10.2025

На форуме GIS DAYS представят совместное решение компаний «Газинформсервис» и «Код безопасности»

Читать далее 

01.10.2025

«Аквариус» — золотой партнёр форума GIS DAYS

Читать далее 

30.09.2025

AMUR запустил программу прямых поставок со склада

Читать далее 

30.09.2025

Облачные технологии — один из ключевых драйверов роста экономики рунета

Читать далее 

30.09.2025

«Норникель» и Рексофт разработали уникальную систему бесконтактного измерения объемов и веса на основании оптических средств и видеоаналитики

Читать далее 

показать все 

25.09.2025

От синтаксиса к смыслу

Читать далее 

25.09.2025

Трансформация креативных индустрий под влиянием AI-систем: от автоматизации рутины к гибридным моделям производства

Читать далее 

19.09.2025

Бизнес-кейс: DBI создал аналитическую модель прогнозирования расчета веса багажа для компании «Уральские авиалинии»

Читать далее 

16.09.2025

ЭДО 3.0: Глобальный анализ рынков электронного документооборота и новая парадигма цифрового доверия из России

Читать далее 

05.09.2025

DevOps как методология в 2025 году — что уже устарело, что становится must-have, какие инструменты и подходы реально работают в продакшене

Читать далее 

29.07.2025

Точность до метра и сантиметра: как применяют технологии позиционирования

Читать далее 

18.04.2024

Как искусственный интеллект изменит экономику

Читать далее 

22.09.2023

Эпоха российской ориентации на Запад в сфере программного обеспечения завершилась

Читать далее 

22.09.2023

Сладкая жизнь

Читать далее 

22.09.2023

12 бизнес-концепций, которыми должны овладеть ИТ-руководители

Читать далее 

показать все 

Главная / Статьи / Проекты / Бизнес-кейс: DBI создал аналитическую модель прогнозирования расчета веса багажа для компании «Уральские авиалинии»

Бизнес-кейс: DBI создал аналитическую модель прогнозирования расчета веса багажа для компании «Уральские авиалинии»

У каждого вида транспорта существует свой ограниченный ресурс грузоподъемности, который необходимо учитывать и рационально использовать в экономике предприятия. В случае с пассажирскими авиаперевозками для расчета грузоподъемности лайнера особое значение имеет вес багажа. О том, как системный интегратор DBI с помощью глубокой аналитики данных помог одной из ведущих российских авиакомпаний - «Уральские авиалинии», перейти к более точному прогнозированию веса багажа, мы расскажем далее.

О проекте

 Приоритетная цель проекта – повышение экономической эффективности авиаперевозчика. Стоимость летного часа зависит от множества параметров, начиная с технического обслуживания и оплаты труда персонала и заканчивая стоимостью аэронавигационных сервисов и услуг аэропортов.

Однако одной из наиболее капиталоемких статей затрат при организации воздушного сообщения было и остается топливо, расход которого во многом зависит от загрузки самолета. Здесь нужна точность прогнозирования и отклонения в любую сторону нежелательны.

Перевес багажа требует задержки вылета, внеплановой дозаправки лайнера или снятия части груза и отправки его другим рейсом. Так теряется время, дополнительно тратятся материальные ресурсы.

Недостаточная загрузка также ведет к экономическим потерям, учитывая, что часть авиационного ресурса может быть использована впустую.

 Задача

 В настоящее время, без цифровой прогностической модели с использованием искусственного интеллекта авиаперевозчик выполняет расчеты на основе среднего арифметического значения веса багажа, исходя из загрузки самолёта.

Подобный метод слишком несовершенен, а результаты – недостаточно объективны, чтобы оптимизировать процесс расчета топлива на каждый авиарейс. Шагом вперед в решении вопроса прогнозирования расчета веса багажа станет оригинальная разработка постоянных партнеров авиакомпании «Уральские авиалинии» – инженеров IT-компании DBI.
Предложенная аналитическая модель позволит авиаперевозчику по-новому взглянуть на тему заправки самолетов топливом в зависимости от веса багажа.

 Решение

 Первое, что выполнили специалисты DBI – сбор исчерпывающей информации из различных источников именно таких данных, которые могут влиять на вес багажа. Например, даты вылета, направления рейсов, количество и сезонность пользования клиентами услугами компании, возрастная классификация, гендерная принадлежность пассажиров, статистика движения багажа на различных маршрутах – все это было учтено при создании аналитической цифровой модели DBI.

Следующим шагом стало внедрение в аналитическую модель методов машинного обучения (ML). Используя алгоритм градиентного бустинга ML программисты смогли добиться оптимального баланса скорости и качества обработки информации.

Поскольку речь идет и об использовании статических данных, полученных после завершения событий, можно оценивать объективность полученного прогноза, сравнивая его с реальной ситуацией, когда достоверно известно количество пассажиров на завершенном рейсе, суммарный вес их багажа и т. д.

По мере продолжения машинного обучения модели уточнялось количество параметров анализа, отдавалось предпочтение наиболее информативным. Например таким, как фактор сезонности и маршрут следования.  

Как признают сами специалисты, этап обучения цифровой модели стал наиболее сложным моментом в проекте. Имеющиеся данные о весе багажа не были должным образом систематизированы и не охватывали больших временных периодов.

 Однако благодаря взаимодействию инженеров DBI с сотрудниками профильных подразделений «Уральских авиалиний» команде проекта удалось выявить ключевые паттерны данных, которые и были заложены в модель. 

 Результат работы

 К настоящему времени команда DBI прошла путь от изучения проблемной ситуации до создания, тестирования и отладки аналитической модели более точного прогнозирования веса багажа пассажиров «Уральских авиалиний». 

Как отметил руководитель проектного офиса DBI Сергей Харитонов, дальнейшее развитие цифровой модели сделает возможным выделение объективных закономерностей между сезонной загрузкой авиарейсов, категориями пассажиров, особенностями и характеристиками багажа, определяющими его среднестатистический вес.

Уже эти полученные данные позволят объективнее решать вопросы использования результатов прогнозирования в планировании бюджетных расходов на авиатопливо и в повышении экономической эффективности авиапредприятия в целом.

В начало⇑

Комментарии отсутствуют

Комментарии могут отставлять только зарегистрированные пользователи