Use of machine learning models to classify user satisfaction at airports in Brazil

Authors

DOI:

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

Keywords:

Airports, Machine Learning, Satisfaction, Classification

Abstract

This article describes the application of machine learning (ML) techniques using user satisfaction survey data at various airports in Brazil to classify them according to satisfaction. The K-Nearest Neighbors (KNN), Naïve Bayes, Decision Tree, and Random Forest methods were used to classify user satisfaction, and linear regression for data imputation, using the dataset from 2017 to 2022 as a training set. The data was pre-processed and cleaned. The dataset from 2017 to 2022 was used to train the model, while the most recent dataset from 2023 was used as the test set. After classification, the hyperparameter technique was applied to improve the results of the metrics. The machine learning models showed satisfactory results in classifying users. Additionally, the research revealed the main factors that affect customer satisfaction at airports, highlighting airport acoustic comfort, restroom availability, and the quantity and quality of commercial establishments as the most influential.

Downloads

Download data is not yet available.

Author Biographies

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.

References

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

Published

2024-06-10

How to Cite

Oliveira, L. F. de, Lima, R. H. P., & Santos, B. S. dos. (2024). Use of machine learning models to classify user satisfaction at airports in Brazil. Brazilian Journal of Production Engineering, 10(2), 311–325. https://doi.org/10.47456/bjpe.v10i2.44374

Issue

Vol. 10 No. 2 (2024): Regular Issue (April - June) *Publication Articles Continuous Flow*

Section

QUALITY ENGINEERING

License

Copyright (c) 2024 Brazilian Journal of Production Engineering

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Atribuição-NãoComercial-CompartilhaIgual
CC BY-NC-SA

This license lets others remix, adapt, and build upon your work non-commercially, as long as they credit you and license their new creations under the identical terms.