CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Evaluation of machine learning algorithms for customer demand prediction of in-flight meals
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

This study aims to evaluate multiple Machine Learning Algorithms (MLAs) for estimating the customer demand of in-flight meals. As a result of the review of related works, four MLAs were selected, namely Linear Regression (LR), Support Vector Regression (SVR), Extreme Gradient Boosting (XGBoost) and a Multilayer Perceptron Neural Network (MLP). The study investigates which MLA is best suited for the problem at hand and which features are most influential for customer demand prediction of in-flight meals. Focus is put on finding applicable MLAs and on evaluating, comparing and tweaking the parameters of the MLAs to further optimise the selected models. The available data set comes from a single airline company and consists mainly of flights with a short to medium long flight duration time.The results show that the four evaluated models, LR, SVR, XGBoost and MLP performs with no significant difference against one another and are comparable in their performance in regard to estimation accuracy with results close to each other’s. However, the SVR model underperforms in regard to model fitting and prediction time in comparison towards the remaining three models. Furthermore, the most important feature for customer demand prediction of in-flight meals is the scheduled flight duration time.

Abstract [sv]

Syftet med den här studien är att utvärdera ett flertal maskininlärningsalgoritmer för prediktering av konsumentefterfrågan för måltider under flygning. Undersökningen över tidigare arbeten utförda i liknande fält resulterade i att fyra maskininlärningsalgoritmer blev valda, nämligen linjär regression, stödvektormaskin för regression, Extreme Gradient Boosting och ett flerlagersperceptron-neuronnät. Studien utforskar vilken maskininlärningsalgoritm som är bäst anpassad för att prediktera problemet samt vilka egenskaper i datat som är mest inflytesrika när det handlar om att prediktera konsumentefterfrågan av måltider under flygning. Fokus ligger på att finna applicerbara maskininlärningsalgoritmer och på att utvärdera, jämföra samt på att justera parametrarna i syfte till att optimera modellerna. Den tillgängliga datan härstammar från ett enstaka flygbolag och består mestadels av korta och mediumlånga flyg.Resultatet påvisar att de fyra modellerna, linjär regression, en stödvektormaskin för regression, Extreme Gradient Boosting och ett flerlagersperceptron-neuronnät presterar utan någon signifikant skillnad gentemot varandra och är jämförbara i deras prestation i avseende till predikteringprecision med liknande resultat. I avseende till modellanpassningsoch predikteringstid underpresterar dock stödvektormaskinen avsevärt i jämförelse med de resterande tre modellerna. Resultatet visar även att den viktigaste egenskapen i datat för prediktering av konsumentefterfrågan av måltider under flygning är den schemalagda flygtiden.

Place, publisher, year, edition, pages
2019. , p. 56
Series
TRITA-EECS-EX ; 2019:487
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-255020OAI: oai:DiVA.org:kth-255020DiVA, id: diva2:1337269
Examiners
Available from: 2019-07-12 Created: 2019-07-12 Last updated: 2019-07-12Bibliographically approved

Open Access in DiVA

fulltext(1324 kB)99 downloads
File information
File name FULLTEXT01.pdfFile size 1324 kBChecksum SHA-512
5e6d0b2ce96dac5d7adb3c223a5b3240a45e241eaf8c80dbc85490dd3592db98c0b9fd4932c5dce4ba97467d5b6f115a79fba39de6d35987430b48715051bb50
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 99 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 361 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf