Prediction of Pilot's Absenteeism in an Airline Company

Airline companies are subject to a considerable number of disruptions during operations. It is vital for this type of industry to predict the source of disruptions in different levels of management to reduce the costs of schedule recovery. One of the most important and costly source of disruption in the airlines is absenteeism of the pilots at the time of the flights operation. In this master thesis, we focus on the absenteeism of the pilots because of the sickness. We propose a supervised learning method which is able to predict total monthly sick hours after publishing the schedule. The proposed method uses characteristics of the monthly schedule as the explanatory variables and the prediction is made by using an iterative algorithm. The model was tested with real data and a substantial improvement was observed in the results. For applying this method in business environment, we created a user-friendly web application as the decision support system. This application automates the whole process of prediction.

Résumé

Les compagnies aériennes sont soumises aux nombreuses sources de perturbations pendant les opérations. Il est essentiel pour ce type d'industrie de prédire les origines des perturbations dans les différents niveaux de gestion pour réduire les coûts de rattrapage du calendrier. Une des sources les plus importantes et coûteuses de perturbation dans les compagnies aériennes est l'absentéisme des pilotes au moment de l'opération des vols. ‎Dans ce mémoire, nous nous concentrons sur l'absentéisme des pilotes pour cause de maladie. Nous proposons une méthode d'apprentissage supervisé qui est capable de prédire la somme mensuelle des heures de maladie chez les pilotes après la publication du calendrier. La méthode proposée utilise les caractéristiques du calendrier mensuel comme les variables explicatives et elle fait la prédiction en utilisant d'un algorithme itératif. La méthode a été vérifiée avec des données réelles et une amélioration considérable a été observée dans les résultats. Pour rendre la méthode en situation réelle, nous avons créé une interface facile à utiliser comme un système d'aide à la décision. Cette interface automatise l'ensemble du processus de prédiction.