Впровадження гібридного глибокого навчання CNN-lstm для прогнозування відшкодування витрат в контексті оптимізації стратегічного управління лоукост-перевізниками в авіакомпанії PT Lion Mentari

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.341940

Ключові слова:

гібрид, CNN-LSTM, прогнозування відновлення, лоукост-перевізник, глибоке навчання, оптимізація

Анотація

Об'єктом дослідження є модель прогнозування відшкодування витрат лоукост-авіакомпаній. Проблема полягає в складності фінансових та операційних моделей авіакомпанії, які охоплюють просторові та часові взаємодії, що ускладнює отримання точних та стабільних оцінок за допомогою однієї моделі прогнозування. Ця проблема безпосередньо впливає на здатність керівництва розробляти ефективні стратегії, включаючи встановлення тарифів, контроль вартості палива та планування маршрутів польотів. Для вирішення цієї проблеми в цьому дослідженні застосовується гібридний підхід глибокого навчання, CNN-LSTM. CNN використовується для вилучення просторових ознак з багатовимірних даних, тоді як LSTM фіксує довгострокові часові залежності за допомогою складного механізму оновлення пам'яті. Інтеграція цих двох моделей дозволяє обробляти більш насичену інформацію про моделі, ніж одна модель, що призводить до точніших прогнозів, які точно відповідають фактичним умовам. Інтерпретація дослідження показує, що гібридна модель здатна використовувати сильні сторони кожного компонента: CNN у вилученні локальних ознак та LSTM у розумінні часової динаміки. Це відображається в результатах прогнозування, які показують менше відхилення від фактичних даних порівняно з CNN або LSTM окремо. На основі результатів тестування даних про відшкодування витрат за 14 періодів, три моделі – CNN, LSTM та гібридна CNN-LSTM – продемонстрували високу та стабільну точність у відстеженні закономірності фактичного значення. З першого по четвертий період усі моделі дали результати, дуже близькі до фактичного значення, із середньою різницею менше 0,02. Наприклад, у четвертому періоді фактичне значення 0,88 було добре передбачено CNN (0,91), LSTM (0,886) та CNN-LSTM (0,876). Однак у шостий-дев'ятий періоди спостерігалося незначне зниження точності зі зменшенням фактичного значення, особливо у дев'ятому періоді, коли значення 0,74 було передбачено лише 0,731 CNN, 0,74 LSTM та 0,732 гібридною моделлю. Впровадження гібрида CNN-LSTM не тільки підвищує точність та надійність прогнозів окупності витрат, але й забезпечує стратегічну цінність для керівництва PT Lion Mentari Airlines, підтримуючи більш ефективне та оптимальне прийняття рішень для підвищення конкурентоспроможності лоукост-перевізника

Біографії авторів

Daniel Dewantoro Rumani, Indonesia Civil Pilot Academy

Doctor of Economics

Department of Computer Science

Willy Arafah, Universitas Trisakti

Professor of economics

Department of Management

Kusnadi Kusnadi, Sekolah Tinggi Penerbangan Aviasi

Master of Computer

Department of Information System Management

Посилання

  1. Ding, W., Li, M. Z., Itoh, E. (2025). Flight Connection Planning for Low-Cost Carriers Under Passenger Demand Uncertainty. Aerospace, 12 (7), 574. https://doi.org/10.3390/aerospace12070574
  2. Pivac, J., Štimac, I., Bartulović, D., Lonjak, I. (2025). Planning the Airport Terminal Facilities Based on Traffic Demand Forecast and Dominant Share of Airline Business Model: Case Study of Pula Airport. Applied Sciences, 15 (5), 2547. https://doi.org/10.3390/app15052547
  3. Hassan, T. H., Salem, A. E. (2021). Impact of Service Quality of Low-Cost Carriers on Airline Image and Consumers’ Satisfaction and Loyalty during the COVID-19 Outbreak. International Journal of Environmental Research and Public Health, 19 (1), 83. https://doi.org/10.3390/ijerph19010083
  4. Khan, N. T., Aslam, J., Rauf, A. A., Kim, Y. B. (2022). The Case of South Korean Airlines-Within-Airlines Model: Helping Full-Service Carriers Challenge Low-Cost Carriers. Sustainability, 14 (6), 3468. https://doi.org/10.3390/su14063468
  5. Kabashkin, I., Perekrestov, V., Tyncherov, T., Shoshin, L., Susanin, V. (2024). Framework for Integration of Health Monitoring Systems in Life Cycle Management for Aviation Sustainability and Cost Efficiency. Sustainability, 16 (14), 6154. https://doi.org/10.3390/su16146154
  6. Markopoulos, E., Hesse, F. J. F. (2021). A Business Transformation Model for Legacy Carriers as a Response to the Rise of Low-Cost Carriers. Advances in Creativity, Innovation, Entrepreneurship and Communication of Design, 376–385. https://doi.org/10.1007/978-3-030-80094-9_45
  7. Bachwich, A. R., Wittman, M. D. (2017). The emergence and effects of the ultra-low cost carrier (ULCC) business model in the U.S. airline industry. Journal of Air Transport Management, 62, 155–164. https://doi.org/10.1016/j.jairtraman.2017.03.012
  8. Albers, S., Daft, J., Stabenow, S., Rundshagen, V. (2020). The long-haul low-cost airline business model: A disruptive innovation perspective. Journal of Air Transport Management, 89, 101878. https://doi.org/10.1016/j.jairtraman.2020.101878
  9. Zhou, J., Shan, Y., Liu, J., Xu, Y., Zheng, Y. (2020). Degradation Tendency Prediction for Pumped Storage Unit Based on Integrated Degradation Index Construction and Hybrid CNN-LSTM Model. Sensors, 20 (15), 4277. https://doi.org/10.3390/s20154277
  10. Murshed, R. U., Ashraf, Z. B., Hridhon, A. H., Munasinghe, K., Jamalipour, A., Hossain, Md. F. (2023). A CNN-LSTM-Based Fusion Separation Deep Neural Network for 6G Ultra-Massive MIMO Hybrid Beamforming. IEEE Access, 11, 38614–38630. https://doi.org/10.1109/access.2023.3266355
  11. Chen, Y., Sun, J., Lin, Y., Gui, G., Sari, H. (2022). Hybrid N-Inception-LSTM-Based Aircraft Coordinate Prediction Method for Secure Air Traffic. IEEE Transactions on Intelligent Transportation Systems, 23 (3), 2773–2783. https://doi.org/10.1109/tits.2021.3095129
  12. Gozuoglu, A., Ozgonenel, O., Gezegin, C. (2024). CNN-LSTM based deep learning application on Jetson Nano: Estimating electrical energy consumption for future smart homes. Internet of Things, 26, 101148. https://doi.org/10.1016/j.iot.2024.101148
  13. Zhou, H., Razavi, S. (2025). Fusing Unstructured Text and Time Series Demand and Economic Data for Demand Prediction in Air Cargo Transportation. Data Science for Transportation, 7 (3). https://doi.org/10.1007/s42421-025-00130-8
  14. Woyano, F., Park, S., Blagovest Iordanov, V., Lee, S. (2023). A Hybrid CNN-LSTM-Based Approach for Pedestrian Dead Reckoning Using Multi-Sensor-Equipped Backpack. Electronics, 12 (13), 2957. https://doi.org/10.3390/electronics12132957
  15. Antoni, A., Arfah, M., Fachrizal, F., Nugroho, O. (2024). Developing a model of association rules with machine learning in determining user habits on social media. Eastern-European Journal of Enterprise Technologies, 3 (2 (129)), 55–61. https://doi.org/10.15587/1729-4061.2024.305116
  16. Lubis, A. R., Prayudani, S., Lubis, M., Al-Khowarizmi. (2019). Analysis of the Markov Chain Approach to Detect Blood Sugar Level. Journal of Physics: Conference Series, 1361 (1), 012052. https://doi.org/10.1088/1742-6596/1361/1/012052
  17. Demiss, B. A., Elsaigh, W. A. (2024). Application of novel hybrid deep learning architectures combining Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN): construction duration estimates prediction considering preconstruction uncertainties. Engineering Research Express, 6 (3), 032102. https://doi.org/10.1088/2631-8695/ad6ca7
  18. Mas-Pujol, S., Salamí, E., Pastor, E. (2022). RNN-CNN Hybrid Model to Predict C-ATC CAPACITY Regulations for En-Route Traffic. Aerospace, 9 (2), 93. https://doi.org/10.3390/aerospace9020093
  19. Zhao, Z., Yuan, J., Chen, L. (2024). Air Traffic Flow Management Delay Prediction Based on Feature Extraction and an Optimization Algorithm. Aerospace, 11 (2), 168. https://doi.org/10.3390/aerospace11020168
  20. Shukla, S. K., Sushil, Sharma, M. K. (2019). Managerial Paradox Toward Flexibility: Emergent Views Using Thematic Analysis of Literature. Global Journal of Flexible Systems Management, 20 (4), 349–370. https://doi.org/10.1007/s40171-019-00220-x
  21. Garcia, J., Rios-Colque, L., Peña, A., Rojas, L. (2025). Condition Monitoring and Predictive Maintenance in Industrial Equipment: An NLP-Assisted Review of Signal Processing, Hybrid Models, and Implementation Challenges. Applied Sciences, 15 (10), 5465. https://doi.org/10.3390/app15105465
  22. Min, J., Gan, X., Zhao, G., Yang, B., Wang, J. (2025). Research on Aircraft Trajectory Prediction Method Based on CPO-Optimized CNN-LSTM-Attention Network. https://doi.org/10.20944/preprints202507.1391.v1
Впровадження гібридного глибокого навчання CNN-lstm для прогнозування відшкодування витрат в контексті оптимізації стратегічного управління лоукост-перевізниками в авіакомпанії PT Lion Mentari

##submission.downloads##

Опубліковано

2025-10-31

Як цитувати

Rumani, D. D., Arafah, W., & Kusnadi, K. (2025). Впровадження гібридного глибокого навчання CNN-lstm для прогнозування відшкодування витрат в контексті оптимізації стратегічного управління лоукост-перевізниками в авіакомпанії PT Lion Mentari. Eastern-European Journal of Enterprise Technologies, 5(3 (137), 18–25. https://doi.org/10.15587/1729-4061.2025.341940

Номер

Том 5 № 3 (137) (2025): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2025 Daniel Dewantoro Rumani, Willy Arafah, Kusnadi Kusnadi

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.