Utilização de modelos de aprendizado de máquina para a classificação da satisfação de usuários nos aeroportos do Brasil

Autores

DOI:

https://doi.org/10.47456/bjpe.v10i2.44374

Palavras-chave:

Aeroportos, Aprendizado de Máquina, Satisfação, Classificação

Resumo

Este artigo descreve a aplicação de técnicas de aprendizado de máquina (AM) utilizando os dados da pesquisa de satisfação de usuários em vários aeroportos no Brasil para classificá-los de acordo com sua satisfação. Foram utilizados os métodos K-Nearest Neighbors (KNN), Naïve Bayes, Árvore de Decisões e Floresta Aleatória para classificar a satisfação dos usuários, e a regressão linear para a imputação de dados, utilizando o conjunto de dados de 2017 a 2022 como conjunto de treinamento. Os dados foram previamente processados e limpos. O conjunto de dados de 2017 a 2022 foi utilizado para treinar o modelo, enquanto o conjunto de dados mais recente de 2023 foi utilizado como conjunto para teste. Após a classificação, a técnica de hiperparâmetros foi aplicada para melhorar os resultados das métricas. Os modelos de aprendizado de máquina apresentaram resultados satisfatórios na classificação dos usuários. Além disso, a pesquisa revelou os principais fatores que afetam a satisfação dos clientes nos aeroportos, destacando o conforto acústico do aeroporto, a disponibilidade de sanitários e a quantidade e qualidade de estabelecimentos comerciais como os mais influentes.

Downloads

Não há dados estatísticos.

Biografia do Autor

Leonardo Fernando de Oliveira, Universidade Tecnológica Federal do Paraná

Graduando em Engenharia de Produção pela Universidade Tecnológica Federal do Paraná, Campus Londrina (UTFPR - LD), atualmente realiza pesquisas sobre a aplicação de técnicas de aprendizado de máquina em áreas da Engenharia de Produção. É membro do Grupo de Pesquisa em Otimização e Mineração de Dados (GPOMD), com enfoque na identificação de perfis de clientes e na análise de padrões de comportamento para melhorar a qualidade dos serviços oferecidos.

Rafael Henrique Palma Lima, Universidade Tecnológica Federal do Paraná

Graduado em Ciência da Computação pela Universidade Estadual de Londrina (UEL), possui títulos de mestre e doutor em Engenharia da Produção pela Escola de Engenharia de São Carlos (EESC) da Universidade de São Paulo (USP). É professor efetivo do Departamento de Engenharia de Produção da Universidade Tecnológica Federal do Paraná do Campus Londrina (UTFPR-LD). É pesquisador líder do Grupo de Pesquisa em Otimização e Mineração de Dados (GPOMD), atuando na linha de pesquisa de mineração de dados com ênfase na aplicação de técnicas de aprendizado de máquina em problemas específicos da Engenharia de Produção. Também possui interesse de pesquisa em modelos de otimização, planejamento da produção e logística.

Bruno Samways dos Santos, Universidade Tecnológica Federal do Paraná

Graduado em Engenharia de Produção com ênfase em Controle e Automação pela Universidade Tecnológica Federal do Paraná, Campus Ponta Grossa (UTFPR-PG), mestre em Engenharia de Produção pela mesma universidade e doutor em Engenharia de Produção e Sistemas pela Pontifícia Universidade Católica do Paraná (PUCPR). É professor efetivo do Departamento de Engenharia de Produção da Universidade Tecnológica Federal do Paraná do Campus Londrina (UTFPR - LD) e desempenha o cargo de Coordenador Substituto do Curso de Engenharia de Produção. É pesquisador líder do Grupo de Pesquisa em Otimização e Mineração de Dados (GPOMD), atuando na linha de pesquisa em mineração de dados, com ênfase em problemas de classificação e clusterização em diversas áreas. Tem interesse em modelos de otimização, técnicas de machine learning para variadas aplicações, como educação, saúde pública, serviços e indústrias.

Referências

Alpaydin, E. (2010). Introduction to Machine Learning (2nd ed.). Cambridge, MA: MIT Press.

Brasil. (2023). Portal de Dados Abertos: Indicadores que avaliam a satisfação do passageiro com os processos e serviços aeroportuários a ele oferecidos, coletados nos aeroportos durante a pesquisa (20 aeroportos principais). Recuperado de https://dados.gov.br/dados/conjuntos-dados/pesquisa-de-satisfacao-do-passageiro-em-aeroportos. Acesso em: 20/09/2023.

Breiman, L. (2001). Random Forests. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324 DOI: https://doi.org/10.1023/A:1010933404324

Costa Filho, S. V. S., Arce, J. E., Montaño, R. N. R., & Pelissari, A. L. (2019). Configuração de algoritmos de aprendizado de máquina na modelagem florestal: um estudo de caso na modelagem da relação hipsométrica. Ciência Florestal, 29(4), 1501-1515. https://doi.org/10.5902/1980509828392 DOI: https://doi.org/10.5902/1980509828392

Cranenburgh, S., Wang, S., Vij, A., Pereira, F., & Walker, J. (2022). Choice modelling in the age of machine learning - Discussion paper. Journal of Choice Modelling, 42. https://doi.org/10.1016/j.jocm.2021.100340 DOI: https://doi.org/10.1016/j.jocm.2021.100340

Gerón, A. (2019). Hands-on machine learning with scikit-learn, Keras, and TensorFlow. O’Reilly.

Ghate, V. & Hemalatha S. (2023). A comprehensive comparison of machine learning approaches with hyper-parameter tuning for smartphone sensor-based human activity recognition, Measurement: Sensors, Volume 30. https://doi.org/10.1016/j.measen.2023.100925 DOI: https://doi.org/10.1016/j.measen.2023.100925

Gupta, G. & Aggarwal, H. (2012). Improving customer relationship management using data mining. International Journal of Machine Learning and Computing, 2(6), 874–877. https://dx.doi.org/10.7763/IJMLC.2012.V2.256 DOI: https://doi.org/10.7763/IJMLC.2012.V2.256

Jäger, S., Allhorn, A. & Bießmann, F. (2021). A benchmark for data imputation methods. frontiers big data, 4. https://doi.org/10.3389/fdata.2021.693674 DOI: https://doi.org/10.3389/fdata.2021.693674

Kotler, P. (2019). Administração de Marketing. (15th ed). São Paulo: Prentice Hall.

Ludermir, T. B. (2021). Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências. Inteligência Artificial: Estudos Avançados. 35(101), 85-94. https://doi.org/10.1590/s0103-4014.2021.35101.007 DOI: https://doi.org/10.1590/s0103-4014.2021.35101.007

Liashchynskyi, P., & Liashchynskyi, P. (2019). Grid Search, Random Search, Genetic Algorithm: A Big Comparison for NAS. arXiv. https://doi.org/10.48550/arXiv.1912.06059

Mayer-Schönberger, V. & Cukier, K. (2013). Big Data: A revolution that will transform how we live, work, and think. Boston: Houghton Mifflin Harcourt.

Monard, M. C. & Baranauskas, J. A. (2003). Conceitos sobre aprendizado de máquina. Sistemas inteligentes: Fundamentos e aplicações. Editora Manole.

Murphy, K. P. (2012). Machine learning: a probabilistic perspective. MIT Press.

Ngai, E. & Wu, Y. (2022). Machine learning in marketing: A literature review, conceptual framework, and research agenda. Journal of Business Research, 145. https://doi.org/10.1016/j.jbusres.2022.02.049 DOI: https://doi.org/10.1016/j.jbusres.2022.02.049

Oliveira, A. V. M., Oliveira, B. F., & Vassallo, M. D. (2023). Airport service quality perception and flight delays: Examining the influence of psychosituational latent traits of respondents in passenger satisfaction surveys. Research in Transportation Economics, 102. https://doi.org/10.1016/j.retrec.2023.101371 DOI: https://doi.org/10.1016/j.retrec.2023.101371

Pedregosa, F., et al. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12(85), 2825-2830.

Perifanis, N. A. & Kitsios, F. (2023). Investigating the influence of artificial intelligence on business value in the digital era of strategy: A Literature review. information. 14 (2). https://doi.org/10.3390/info14020085 DOI: https://doi.org/10.3390/info14020085

Pontes Jr., A. P. & Fagundes, R. A. (2023). Aplicação de técnicas de otimização de hiperparâmetros em modelos de machine learning na tarefa de classificar bons e maus clientes. XVI CBIC 2023, Salvador. https://doi.org/10.21528/CBIC2023-141 DOI: https://doi.org/10.21528/CBIC2023-141

Reichheld, F. (2011). The ultimate question 2.0: How net promoter companies thrive in a customer-driven world. Harvard Business Review Press.

Ruiz, E., Yushimito, W.F., Aburto, L., & de la Cruz, R. (2024). Predicting passenger satisfaction in public transportation using machine learning models. Transportation Research Part A: Policy and Practice, 181. https://doi.org/10.1016/j.tra.2024.103995 DOI: https://doi.org/10.1016/j.tra.2024.103995

Sun, Z., Ying, W., Zhang, W., & Gong, S. (2024). Undersampling method based on minority class density for imbalanced data. Expert Systems with Applications, 249. https://doi.org/10.1016/j.eswa.2024.123328 DOI: https://doi.org/10.1016/j.eswa.2024.123328

Tene, O., Polonetsky, J. (2012). Big Data for All: Privacy and User Control in the Age of Analytics. Journal of Technology and Intellectual Property, 11 (5).

Wangkiat, P. & Polprasert, C. (2023). Machine learning approach to predict e-commerce customer satisfaction score, 2023 8th International Conference on Business and Industrial Research (ICBIR), Bangkok, Thailand. https://doi.org/10.1109/ICBIR57571.2023.10147542 DOI: https://doi.org/10.1109/ICBIR57571.2023.10147542

Witek, P. (2014). Quantum machine learning: what quantum computing means to data mining. Academic Press. https://doi.org/10.1016/C2013-0-19170-2 DOI: https://doi.org/10.1016/C2013-0-19170-2

Zaghloul, M., Barakat, S., & Rezk, A. (2024). Predicting E-commerce customer satisfaction: Traditional machine learning vs. deep learning approaches. Journal of Retailing and Consumer Services, 79. https://doi.org/10.1016/j.jretconser.2024.103865 DOI: https://doi.org/10.1016/j.jretconser.2024.103865

Zhao, Y., Zhu, W., Wei, P., Fang, P., Zhang, X., Yan, N., Liu, W., Zhao, H., & Wu, Q. (2022). Classification of Zambian grasslands using random forest feature importance selection during the optimal phenological period. Ecological Indicators, 135. https://doi.org/10.1016/j.ecolind.2021.108529 DOI: https://doi.org/10.1016/j.ecolind.2021.108529

Downloads

Publicado

10.06.2024

Como Citar

Oliveira, L. F. de, Lima, R. H. P., & Santos, B. S. dos. (2024). Utilização de modelos de aprendizado de máquina para a classificação da satisfação de usuários nos aeroportos do Brasil. Brazilian Journal of Production Engineering, 10(2), 311–325. https://doi.org/10.47456/bjpe.v10i2.44374

Edição

v. 10 n. 2 (2024): Número Regular (Abril - Junho)

Seção

ENGENHARIA DA QUALIDADE

Licença

Copyright (c) 2024 Brazilian Journal of Production Engineering

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Atribuição 4.0 internacional CC BY 4.0 Deed

Esta licença permite que outros remixem, adaptem e desenvolvam seu trabalho não comercialmente, contanto que eles creditem a você e licenciem suas novas criações sob os mesmos termos.