原始研究的文章

前面。未来的透明。,17April 2023
秒。交通系统建模
卷4 - 2023 | https://doi.org/10.3389/ffutr.2023.1070533

巴西航空运输法律行动:机器学习和多项逻辑回归分析

加布里埃尔·德·奥利维拉托雷斯 ¹*

马塞洛泽维尔古特雷斯 ¹

维克多拉斐尔Rezende Celestino ²

¹航空技术研究所、圣荷西dos坎波斯,巴西
²教师管理经济学、管理部门,会计和公共管理,巴西利亚大学巴西利亚,巴西

在巴西,一个航空公司的成本是最有害的针对他们的诉讼。这是一个可以影响其操作的问题,减少新竞争者的进入和创建的法律不确定性。这项工作旨在突出因素最有助于司法赔偿的崛起,最相关的问题进行讨论并确定最好的技术来预测补偿值。目标是为航空公司提供补贴来减轻法律行动的数量通过使用机器学习模型。本研究的贡献,讨论最相关的科目之一,巴西航空运输和机器学习模型的性能进行比较。这项研究是基于2016年和2021年之间的诉讼使用公司的数据。朴素贝叶斯的性能,随机森林,支持向量机,和多项逻辑回归模型评估精度,ROC曲线下的面积,混淆矩阵。结果显示随机森林和逻辑回归更好的预测能力。后者显示航班延误、取消和航空公司的缺点对赔偿有负面影响。高于平均水平的薪酬是一个趋势在一些州,被道德损害授予客户更高薪酬的主要原因。

1介绍

航空运输行业,狭窄的利润率,取决于外部因素,不仅是在公司的控制,但也很难控制,如燃料的价格(Doganis 2019)。其他因素,如天气、航空基础设施、空中交通的问题,和意想不到的飞机维修,也可以阻碍航空业务。除了增加操作的复杂性,某些方面可能会产生额外费用的公司,如与诉讼成本,食品供应,运输援助,对乘客和住宿,因为失败的几率可能阻挠客户的期望(Gasparotto et al ., 2018)。

一些条件没有控制的公司,如气象学、研究de Oliveira et al。(2021)在运输途中,飞机和空中交通系统可以生成更多的诉讼。不得不取消航班的飞行安全是常见的。提供的服务提出了作为一个因素可以直接影响消费者的关系(Sezgen et al ., 2019;Lucini et al ., 2020)。客户满意度的最相关的方面之一是相关公司的守时,观察到Arora, Mathur (2020)。尽管巴西航空公司面临许多诉讼,他们的表现类似于美国,这是80%左右。非经营性位于萨玛拉州、空中交通强度和航班延误是诉讼的其他原因。简而言之,这些额外的成本与乘客大约3%的公司的总成本¹。

航空公司的低效率,解决冲突,保证赔偿,或诉讼在中国根深蒂固的文化有助于在巴西的问题。一些公司鼓励法律行动通过购买旅客获得补偿的权利。这些公司有助于抑制巴西航空的发展,法律可能会增加不确定性,减少外国企业经营的机会,减少竞争和影响票价。

根据Yadav和Goriet (2022),航空公司的性能受到外部因素的影响,如政治、经济和法律指令。遵守法律的成本是影响收入和性能的一个例子。讨论这个问题的难度也出现在中国的航空运输。王(2015)州有相关的一些法律问题。差异和争议了承运人的责任范围,责任固定原则,补偿相关法律规定的数量产生这些困难。

航空公司的责任是一个问题,超出了延迟和取消航班。它存在于事故和疾病。桃花心木(2021)法官解释说,有些情况下,建立了事故和航空公司的责任。然而,它需要事故之间的因果关系的存在和航空公司的过失。欧盟的法院²表明,航空公司可能会释放他们的赔偿义务如果他们证明取消或推迟是由于特殊情况超出了他们的实际控制,无法避免,即使已采取一切合理的措施。此外,固定费率的监管提供补偿。

在巴西,航空公司必须遵守规则的400号决议,2016年12月13日推荐的ANAC(国家民航机构)关于协助乘客。协助消费者的假设中列出解决类似于所表现出的不满的原因徐和李(2016)。如果不提供客户支持,它仍有可能求助于特殊民事法庭在一些巴西的机场。根据Sabo et al。(2021),这些法院使公民获得正义。解决冲突的另一种方法是直接通过联系该公司Consumidor.gov公共服务平台,解决消费公司纠纷考虑诉讼的最后措施。

航空运输的消费关系是受消费者保护代码(Sabo et al ., 2021)。本法建立消费者保护规则,比如获得司法和行政机关,以防止或修复属性和道德的破坏³。巴西的司法判决是基于这种法律,不影响国际条约中,巴西是一个政党,如蒙特利尔和华沙公约与国际航空运输有关。Non-etheless,法官仍困惑于一个或另一个规则的应用。

讨论法律行动在航空运输是复杂的,因为不同的国家法律、区域文化、条约,和司法。一些法官不承认这些法律,大多数乘客不知道他们的权利和义务。此外,很难找到数据很难获取信息、全国或国际。一般来说,客户和航空公司支付的补偿数据进行分类,使访问相关信息困难。

这项研究考虑了随机森林,支持向量机,朴素贝叶斯、和多项逻辑回归(高)模型来解决以下研究问题:什么是最相关的因素定义司法赔偿价值?时,模型具有最好的性能预测最后的赔偿?

随机森林使用装袋更换取样和随机选择的属性和变化原因引起树木,这使得它竞争与其他方法相比。它是闻名的预测能力。SVM允许用一个合适的核函数解决复杂的问题,这有助于有满意的结果如果使用适当的内核。此外,它可以处理数据库与相对较高的维度和嘈杂的数据。朴素贝叶斯提出假设的属性值是条件独立的,这让简单解决算法和更少的计算成本。尽管如此,它可以执行同样的神经网络和决策树在某些领域。多项式回归是划算的。它可以建立变量之间的关系,没有不同的结果,如果参考基础是另一个类别,并提供的方向(正面或负面)的变量之间的关系。这些模型是研究选择的一部分。

这些模型在文献中被广泛使用在几个领域,如推荐系统Rrmoku et al。(2022)、语音的检测Alaoui et al。(2022),道路交通事故Bokaba et al。(2022)、空气污染预测Kumar和潘德(2022)电动汽车的充电需求黛比和高(2022)、预测风险的无人驾驶飞机Truong和崔(2020),出租飞机航空需求的预测Rajendran et al。(2021)。性能结果评估基于混淆矩阵,准确性,ROC曲线下的面积,算法的处理时间。使用这些算法的原因是他们的表现显示在文学和计算成本。

适用的假设基于文献引用显示随机森林模型,作为一个整体和健壮的一个,可能是最好的方法来分类补偿值给定的属性出现在诉讼。基于数据库的知识,道德损害,北部地区,取消航班的主要因素是高赔偿。

本研究的主要贡献是突出主要因素导致客户采取法律行动,展示最影响补偿值。此外,它指出可能的假设不同的行为在每个巴西地区和礼物帮助成本预测的模型。这些知识帮助航空公司在预测诉讼费用,在策略来缓解该问题,证据的可能性在法庭上解决问题。这些方面的缺乏知识学术文献证明这部小说研究的执行。

本文的组织结构如下:第二节介绍de当前文学作品相同的技术应用。第三节描述了方法和数据库。在第4部分,5突出显示的结果和讨论,检查变量之间的关系。最后,第六节介绍了研究结论和局限性,和未来的工作的可能性。

2背景

知道不满的情况下处理客户和航空公司之间在世界不同地区的理解是至关重要的,往往缺乏或过剩的规定,没有定义具体行动。这使得司法的主体性和空间冲突解决缺乏标准化。另一方面,使用已知的和普遍的方法在各领域的知识,如机器学习模型,有助于对理解某些情况下有信心受到不好的影响探讨变量。因此,本节提出了文学,讨论主题相关的法律行动,航空公司的责任,研究表明机器学习技术的相关性。

2.1责任的航空公司

信息法律行动在航空运输是一个很大的困难,因为他们的机密性的话题。缺乏研究关于这个问题因为没有信息被收集。的一些研究航空公司在特殊情况下的责任。王(2015)调查涉及航空公司和乘客的冲突是如何在中国定居。几个法律治理国家的一些限制承运人的责任和其他人建立最低为乘客权利。困难是由于差异和争议的承运人的责任范围、责任固定原则,补偿相关法律规定的数量。这些方面是频繁的在巴西的情况。不同的解释的不同法律阻碍标准化问题。

Mazaheri和Basiri (2018)评估了航空公司的民事责任在国际和国家的水平。研究集中在延误造成的航空公司。Non-etheless,它不存在一个特定的定义。乘客很难在延迟要求适当的服务。由于缺少信息监管法律,乘客应该争取在伊朗法律诉讼体系。这可以覆司法。

Hipp (2019)旨在分析新形式的索赔管理公司的业务模式已经成功地建立了自己的市场。这是一个有趣的话题,因为什么原因导致这个数字在巴西与这些公司的诉讼。乘客不觉得损失时需要向管理公司支付的税收。他们仍然感觉得到,因为他们不希望钱。这些企业帮助通知消费者对他们的权利。

桃花心木(2021)试图回答这个航空公司责任的损害所引起的疾病在飞机和乘客的健康运营。根据华沙公约进行分析。有情况下,航空公司被认为是对事故负责。然而,这需要一个因果关系的发生事故和航空公司的过失。例如,如果航空公司不否认运输旅客展现COVID-19症状,它有责任,以防感染。

Yadav和Goriet (2022)列出几个因素影响航空公司的性能,主要和外部因素等。政治、经济和法律规定影响性能。作者发现和分析这些因素和航空公司经营业绩之间的关系。通过描述性调查数据收集。航空业的脆弱性是由目前由于法律环境的变化,和航空公司的性能可能会受到影响,如果外部因素不稳定或不可预测的。

上述研究表明,法律行动是一个复杂的问题。有几个因素影响的标准化解决方案对任何类型的诉讼。监管法律没有定义,另一个变量被法官的解释。可以看出,这些研究课题涉及的问题进行分析,但没有人调查的因素导致起诉其中的航空公司也导致高补偿。表1显示了研究的概述。

表1

表1。一览表的回顾研究。

2.2机器学习方法的重要性在不同的知识领域

使用机器学习在许多领域的知识,比如交通、卫生、司法等。最近的研究使用文本挖掘分析用户评论在航空运输。Sezgen et al。(2019)和Lucini et al。(2020)探讨了在线评论来自不同国家的航空运输客户和航空公司。尽管这些作品显示属性最可能引起乘客的不满,他们没有调查这些方面的影响导致航空公司,它是重要为他们创建的方法减少问题的相关性。

监督和非监督模式在司法领域经常使用。Sabo et al。(2021)使用聚类方法在司法判决获得航空运输的重要因素的信息,如服务失败。Lei et al。(2017)使用监督模型:朴素贝叶斯、支持向量机和随机森林分类文档的中国法院的判决。支持向量机是最准确的。朴素贝叶斯分类器可能显示潜在的文本分类好,准确性和计算效率优于其他分类模型,如决策树、神经网络和支持向量机,这取决于研究域(Ting et al ., 2011)。然而,这取决于缺乏变量之间的多重共线性,可以限制在某些情况下(Tsangaratos髂骨,2016)。

Yanying et al。(2019)应用NB、支持向量机、决策树(DT)和逻辑回归(LR)预测航班取消的可能性基于飞行时间,距离和其他变量。他们的研究显示更好的性能对DT和支持向量机,大约90%的准确率。因为NB的条件独立性假设,这个模型没有表现良好。施迈茨et al。(2021)NB和SVM模型用于分类空中旅行的趋势。支持向量机取得了最好的模型。他们将数据分成七个不同类别基于航空运输的文学。本研究的一个重要方面是平衡数据集类的问题,以避免任何偏见。

最近的研究对航空运输使用逻辑回归的情况下研究变量是二分。Negri et al。(2019)讨论了概率在机场登机手续,使用生物识别技术de Oliveira et al。(2021)研究了到达航班在巴西航空运输系统的性能由于气象的影响,Freitas et al。(2021)评估消费者体验与商业机构在巴西的机场。Savolainen et al。(2011)状态,当有三个或更多类型的分类目标类,可以使用逻辑回归多项式(高)。Lieshout et al。(2016)应用高估计水平,消费者可用的航空运输市场的竞争在欧洲。

小王和赫里克(2012)研究了鸟类在机场附近。空中作战,这可能是一个问题,因为它可能会导致延误,取消,和意外事故的潜在因素建立航空公司起诉。研究通过突出贡献因素最有可能导致机场鸟击附近使用高。Arora, Mathur (2020)应用高调查服务失败在美国航空公司使用信息从起源机场飞机起飞延误。

某些方面的证据质量的机器学习模型的性能比较与统计方法,如多项式回归。一个挑战当比较统计和机器学习模型是他们没有类似的解释能力(小王和罗斯,2018年)。然而,一些研究已经解决的主题来确定最好的方法在不同的情况下使用。来解决这个问题,Christodoulou et al。(2019)开发了一个系统的研究,分析几个作品进行对比逻辑回归和ML模型在医学临床学科。在研究中,90%的技术评估通过ROC曲线下的面积。

小王和罗斯(2018)比较极端的梯度增加(XGB)和推广模型模型的交通方式选择个人基于区域旅游数据集。这项研究是基于错误的多层次比较模型的预测性能。Rajendran et al。(2021)解决城市航空运输的问题,更确切地说,城市空气出租车。这项工作使用机器学习模型,如射频、梯度推进,高钙,人工神经网络具有连续和分类变量来预测这种运输方式的需求在纽约市。用于比较的技术是基于精度。

Shiran et al。(2021)解决交通事故严重性分析相比,使用人工神经网络和决策树技术高。目标是找到最好的模型符合事故严重性数据基于定性和定量变量。在模型、决策树模型在预测表现的更好,但高钙也提出了好的结果。重要的是要强调关注结果的可靠性高。该研究使用卡方检验、AIC和BIC测试来选择最重要的变量。此外,它显示了数据模型基于皮尔森的R²偏差计算,这使得它可以验证中使用的参数的模型是否相关。

尽管许多类型的研究评估与机器学习航空运输行业,缺乏信息有关的司法后果障碍引起客户对航空公司以及他们如何行动。因此,本研究旨在强调这个问题使用上述研究提出的模型为一个主题在这一领域。

3材料和方法

本部分提出了本研究中使用的方法。的步骤是基于USELEI过程描述Truong (2021)在他的作品中对航班延误和必要的修改。图1显示之后的步骤。点链接意味着下面的框中。例如,数据的预处理步骤是探索盒子。non-dotted链接步骤的顺序。例如,在理解问题、数据采样。

图1

图1。流程图的步骤的方法。

3.1理解问题

诉讼的数量对巴西航空公司以来一直关注他们带来的成本大大增加。它代表的增加费用,为企业和消费者。司法化有关的数量对航空公司的诉讼由他们提供的服务。考虑到航空公司的数据是保密的,很难找到关于这个问题的文献信息。因此,确定问题的相关变量是基本的,因为它可以得到表达和现实的结果。

的因素存在于诉讼关闭他们和公司的相关知识。航空公司属性提供了足够的理解从乘客投诉它接收到的频率,这可能影响他们的最终决定取决于他们的观点。季节和年的属性允许航空公司了解诉讼期间的比例和评估值变化的补偿行为是否由于一些外部因素,如COVID-19大流行。此外,它允许识别和淡季月峰值之间是否存在差异。三个赛季出现在类别度假几个月在巴西(Dec-Feb和7月)。它代表了旺季,旅游,和淡季。所有这些信息帮助航空公司了解他们的客户。

该地区是一个重要的变量来理解整个巴西境内诉讼的行为。巴西是一个大陆国家,高度发达和欠发达地区,知道投诉的最高浓度,帮助航空公司采取客观地在这些地方。道德和财产损失提供知识的属性对乘客的赔偿,财产损失是否有更高的优势,可以弥补物质损失,还是决定道德损害是最突出的。知道了这一点,一些司法模式可能被用来关闭诉讼,允许航空公司之间建立政策和司法。

的原因,导致非常相关在这项研究中,为他们提供信息的主要因素顾客的投诉和问题的原因报告。知道什么是有害的客户允许航空公司开发方法重新获得他们的信任和定义成本更低的安排虽然了解真正的原因有助于开发内部程序减轻新问题。决策变量显示乘客的要求是否被认为是结束后的诉讼。

补偿值对应于由航空公司顾客价值补偿由于投诉提起的诉讼。对于每一个诉讼,法官的解释和不同的价值观。这个变量包含法律行动中,法官决定最终的数量或安排双方签署。的值被分为低、中、高类别来平衡它们的频率。因此,范围值指定为:低≤R1000美元,00(美国200);R200年1000美元,00(美国)<我nline-formula id="inf1">