000			09598namaa22004211i 4500
003			OSt
005			20250503130638.0
008			250503s2024 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a519.5
092			_a519.5 _221
097			_aPh.D
099			_aCai01.18.03.Ph.D.2024.Wa.C
100	0		_aWesal Emhemed Ramadhan Aghel, _epreparation.
245	1	0	_aContributions to lifetime models based on censored schemes / _cby Wesal Emhemed Ramadhan Aghel ; Supervised Prof. Amal Soliman Hassan, Prof. El-Sayed Ahmed El-Sherpieny.
246	1	5	_aإسهامات لنماذج الحياة إعتماداً على خطط المراقبة /
264		0	_c2024.
300			_a89 + 40 leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2024.
504			_aBibliography: pages 82-89.
520			_aFlight delay prediction FDP is one of the most significant components of intelligent aviation systems that may spread throughout the whole aviation network and cause multi-billion-dollar losses faced by airlines and airports. It is quickly becoming an important research issue to improve airport and airline performance. As aviation system connectivity presents complex spatial-temporal correlations, machine learning approaches have addressed flight delay prediction by using complex flight or weather features, or private information for specific airports and airlines that are hard to obtain. This thesis proposed three approaches for improving FDP, the first is Flight Delay Path Previous-based Machine Learning (FDPP-ML), an effective data-driven approach with regression classification models. The FDPP-ML effectively improves flight delay prediction based only on flight schedule features even with a wide network of flights. The FDPP-ML experiments using US flight arrivals and departures containing 366 airports and 10 airlines. The FDPP-ML improved 10 machine learning models' accuracy in three scenarios with different forecast horizons of (2 hours), (6 hours), and (12 hours). In the first scenario (2 hours) the approach improved accuracy by an average of up to 39% in Mean Absolute Errors (MAE), and 42% in Mean Square Errors (MSE). FDPP-ML improved the prediction in the busiest 30 airports "Core 30" with an average of 35% in MAE and 42% in MSE respectively. Also improves the prediction of flight delays of the busiest 10 airlines with an average of 36% in MAE and 47% in MSE respectively. The second approach is Time Series Prediction based on the Flight Trajectories (TSP-FT), an effective data-driven approach with time series models. The TSP-FT effectively improves FDP with limited flight features (Date and time, Tail number). The TSP-FT shows effective accuracies in four scenarios by using a wide network of US flight arrival and departure containing 366 airports and 10 airlines. The first scenario is (flight arrival delay prediction) with 12 models in three forecast horizons 2 hours, 4 hours, and 7 hours. The second scenario (TSP-FT compared to time series models) compares the outperformed model to time series models ARIMA, ATT-BI-LSTM, and Transformer on the busiest 5 airports. The third scenario (TSP-FT compared to classification models) compares the outperformed model to classification models LSTM, and RF on the busiest 5 airports. The last scenario is (flight delay prediction of both arrival and departure) for all US 366 airports with an accuracy of 91% and MAE 15 minutes. The third approach developed a network of Attention-based Bidirectional long short-term memory (ATT-BI-LSTM), an effective model to improve flight delay prediction when a dataset has a shortage of airports flight connected. The ATT-BI-LSTM was established along with deep experiments of network structure to identify a novel combination of parameters and network structure with dataset pre-processing techniques. The ATT-BI-LSTM improved compared to other state-of-the-art works of literature and baseline models in two scenarios. The first scenario is (flight delay prediction of both arrival and departure) by using flight schedules with weather features, the ATT-BI-LSTM outperformed four deep learning models by 88% in both flight delays arrivals and departures. The second scenario is (flight arrival delay prediction using flight schedules with previous flight delay (PFD) feature). The ATT-BI-LSTM outperformed 11 state-of-the-art works of literature models in datasets 2 and 3, the accuracies were 94.30% and 93.71% respectively.
520			_aيعد التنبؤ بتأخير الرحلة أحد أهم مكونات أنظمة الطيران الذكية التي قد تنتشر في جميع أنحاء شبكة الطيران بأكملها وتتسبب في خسائر بمليارات الدولارات تواجهها شركات الطيران والمطارات، وسرعان ما أصبحت مشكلة بحثية مهمة لتحسين أداء المطارات وشركات الطيران . نظرًا لأن اتصال نظام الطيران يمثل ارتباطات مكانية وزمانية معقدة، فقد تناولت أساليب التعلم الآلي التنبؤ بتأخير الرحلة باستخدام ميزات الطيران أو الطقس المعقدة، أو المعلومات الخاصة لمطارات وشركات طيران محددة يصعب الحصول عليها. وبالتالي، اقترحت هذه الأطروحة ثلاثة أساليب لتطوير وتحسين التنبؤ بتاخير الرحلات الجوية FDP، الأول هو التعلم الآلي القائم على مسار تأخير الرحلة (FDPP-ML)، وهو نهج فعال يعتمد على البيانات مع نماذج تصنيف الانحدار. يعمل FDPP-ML على تحسين التنبؤ بتأخير الرحلة بشكل فعال بناءً على ميزات جدول الرحلة فقط حتى مع وجود شبكة واسعة من الرحلات الجوية. كانت تجارب FDPP-ML باستخدام رحلات الوصول والمغادرة للرحلات الأمريكية التي تحتوي على 366 مطارًا و10 شركات طيران. قام FDPP-ML بتحسين دقة 10 نماذج للتعلم الآلي في ثلاثة سيناريوهات مع آفاق تنبؤ مختلفة تبلغ ساعتين و6 ساعات و12 ساعة. أدى هذا النهج إلى تحسين الدقة بمعدل يصل إلى 39% في MAE، و42% في MSE في مع آفاق تنبؤ ساعتين. قام FDPP-ML بتحسين التنبؤ في 366 مطار وبتحليل النتائج فى اكثر المطارات ازدحاماً 30 مطارًا التى تسمى "Core 30" كان التحسين بمتوسط 35% في MAE و42% في MSE على التوالي. يعمل النهج أيضًا على تحسين التنبؤ بتأخير الرحلات لأكثر 10 شركات طيران ازدحامًا بمتوسط 36٪ في MAE و 47٪ في MSE على التوالي. النهج الثاني هو التنبؤ بالسلاسل الزمنية بناءً على مسارات الطيران (TSP-FT)، وهو نهج فعال يعتمد على البيانات مع نماذج السلاسل الزمنية. يعمل TSP-FT على تحسين التنبؤ بتأخير الرحلة بشكل فعال مع ميزات طيران محدودة (التاريخ والوقت ورقم الذيل). تقوم تجارب TSP-FT باستخدام شبكة واسعة من رحلات الوصول والمغادرة في الولايات المتحدة تحتوي على 366 مطارًا و10 شركات طيران. ويظهر النهج دقة فعالة في أربعة سيناريوهات، الأول هو التنبؤ بتأخير وصول الرحلة بواسطة تطبيق TSP-FT مع 12 نموذجًا في ثلاثة آفاق تنبؤية ساعتان و4 ساعات و7 ساعات لمراقبة اكثر نموذج متفوق. ثم يقوم السيناريو الثاني بمقارنة النموذج المتفوق بنماذج السلاسل الزمنية ARIMA وATT-BI-LSTM وTransformer عند تطبيقهم في التنبؤ بالتأخرات فى أكثر 5 مطارات ازدحامًا. أما السيناريو الثالث فيقارن النموذج المتفوق بنماذج التصنيف LSTM وRF في أكثر 5 مطارات ازدحاما. السيناريو الأخير هو التنبؤ بتأخير الرحلة لكل من الوصول والمغادرة لجميع مطارات الولايات المتحدة 366 مطار والتى كانت بدقة 91% وMAE 15 دقيقة ، اثبت TSP-FT تفوقة في جميع السيناريوهات.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_aMathematical Statistics _2qrmak
653		0	_aBurr III distribution _aBurr XII distribution _aDynamic weighted cumulative residual entropy _aBayesian estimators
700	0		_aAmal Soliman Hassan _ethesis advisor.
700	0		_aEl-Sayed Ahmed El-Sherpieny _ethesis advisor.
900			_b01-01-2024 _cAmal Soliman Hassan _cEl-Sayed Ahmed El-Sherpieny _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Mathematical Statistics
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c171826