Flight arrival delay prediction in European Airports: A Machine Learning approach structured by CRISP-DM

Abstract

The continuous increase in air transport demand across Europe has contributed to growing delays at airports, negatively impacting operational efficiency and passenger experience. Pre-dicting arrival delays emerges as a strategic tool to mitigate these effects. This study proposes a predictive model based on machine learning techniques, structured according to the CRISP-DM methodology, with the goal of anticipating both the occurrence and the duration of arrival delays at major European airports from 2015 to 2019. The approach is implemented in two stages: the first applies classification models to identify flights with a high probability of delay (over 15 minutes); the second estimates the delay duration using regression models. The Mul-tilayer Perceptron (MLP) algorithm showed the best performance, with 88% accuracy, 87% recall, and an AUC of 0.87 in the classification task. In the regression stage, it achieved an R² of 73% and RMSE of 10.42 minutes, while XGBoost recorded the lowest mean absolute error (MAE) of 6.11 minutes. Feature importance analysis highlighted total flight time and departure delay as the most significant predictors, along with other relevant factors such as distance, month, and quarter. The results are consistent with previous studies and reinforce the potential of machine learning techniques in improving air traffic management. This research contributes to the field of Business Analytics by proposing an interpretable and effective model to support operational decision-making in the European aviation context.

O aumento contínuo da procura por transporte aéreo em toda a Europa contribuiu para o au-mento dos atrasos nos aeroportos, impactando negativamente a eficiência operacional e a ex-periência dos passageiros. A previsão de atrasos na chegada surge como uma ferramenta estra-tégica para mitigar esses efeitos. Este estudo propõe um modelo preditivo baseado em técnicas de aprendizagem de máquina, estruturado conforme a metodologia CRISP-DM, com o objetivo de antecipar a ocorrência e a duração dos atrasos na chegada nos maiores aeroportos europeus no período entre 2015 e 2019. A abordagem é implementada em duas etapas: a primeira aplica modelos de classificação para identificar voos com alta probabilidade de atraso (acima de 15 minutos); a segunda estima a duração do atraso usando modelos de regressão. O algoritmo Multilayer Perceptron (MLP) apresentou o melhor desempenho, com 88% de precisão, 87% de recall e uma AUC de 0,87 na tarefa de classificação. Na etapa de regressão, atingiu um R² de 73% e RMSE de 10,42 minutos, enquanto o XGBoost registou o menor erro absoluto médio (MAE) de 6,11 minutos. A análise da importância dos recursos destacou o tempo total de voo e o atraso na partida como os preditores mais significativos, juntamente com outros fatores relevantes, como distância, mês e trimestre. Os resultados são consistentes com estudos ante-riores e reforçam o potencial das técnicas de aprendizagem de máquina na melhoria da gestão do tráfego aéreo. Esta pesquisa contribui para a área de Análise de Negócios ao propor um modelo interpretável e eficaz para apoiar a tomada de decisões operacionais no contexto da aviação europeia.