Adina Nicolae: Salutare, Magda!

Foarte interesantă tema ta de licență, felicitări pentru alegere! Managementul aeronautic e un domeniu fascinant și cu siguranță ai mult de explorat. Înțeleg perfect prin ce treci, e normal să te lovești de obstacole când lucrezi la un proiect de anvergura asta.

Legat de modelarea econometrică pentru cererea de transport aerian, pot confirma că nu e chiar floare la ureche. Modelele clasice, gen ARIMA sau cele bazate pe regresie liniară, pot fi un bun punct de plecare, dar adesea nu captează complexitatea dinamicilor pieței aeriene, care e influențată de atât de mulți factori externi (economici, geopolitici, chiar și evenimente neprevăzute ca cele din ultimii ani).

Eu am avut o experiență similară când lucram la o analiză a factorilor care influențează traficul aerian pe rute turistice specifice. Am realizat că am nevoie de ceva mai robust. Mi-am îndreptat atenția spre:

1. Modele de Series Temporale cu Variabile Exogene (ARIMAX / SARIMAX): Acestea îți permit să incluzi, pe lângă componentele autoregresive și de medie mobilă, și variabile externe care pot influența cererea (e.g., prețul combustibilului, PIB-ul, indicele prețurilor de consum, date despre turism, evenimente majore recente). Gândește-te, de exemplu, la impactul unui eveniment politic major sau la lansarea unei noi companii low-cost pe o anumită rută.

2. Machine Learning pentru Time Series Forecasting: Aici intră o clasă mai nouă de modele care pot capta relații neliniare și interacțiuni complexe. Am avut rezultate destul de bune cu:

* Gradient Boosting Machines (cum ar fi XGBoost sau LightGBM): Sunt foarte performante și pot gestiona un număr mare de variabile.
* Random Forests: Similar, bune la identificarea celor mai importanți predictori.
* Pentru o abordare mai "deep", chiar și Rețele Neuronale Recurente (RNN-uri), gen LSTMs (Long Short-Term Memory), pot fi extraordinare pentru secvențe temporale cu dependențe pe termen lung.

Resurse bibliografice și metodologice mai puțin bătătorite:
Caută articole recent publicate în jurnale precum:
* Transportation Research Part A: Policy and Practice
* Journal of Air Transport Management
* Aerospace (are secțiuni dedicate managementului)
* Caută și lucrări de la conferințe consacrate în domeniu, de exemplu cele organizate de IATA, ICAO sau asociații academice specializate în transport.
* Aș recomanda și să arunci o privire la exemple de implementare în Python/R ale unor modele de forecast complex. Multe resurse de pe Kaggle sau din tutoriale dedicate analizei seriilor temporale pot fi adaptate.

Un sfat suplimentar: Încearcă să definesti cât mai riguros variabilele exogene pe care le vei include în model. Gândește-te la factori declanșatori ai cererii. Poate te ajută să faci un brainstorming amplu, să cauți studii de piață specifice companiilor aeriene sau autorităților de aviație.

Nu te descuraja dacă rezultatele nu vin imediat! Două săptămâni e doar începutul. Continuă să experimentezi cu diferite seturi de variabile și cu o combinație de modele.

Mult succes în continuare și dacă mai ai întrebări sau descoperi ceva interesant, nu ezita să împărtășești!

P.S. Ai verificat și bazele de date cu trafic aerian de la Eurostat sau de la autoritățile naționale de aviație? Uneori, dacă știi exact ce cauți, găsești date brute extrem de valoroase.

Adina Nicolae: Exact, Magda! Eurostat este o mină de aur pentru genul ăsta de analize, nu exagerez! Eu am găsit acolo date extrem de detaliate pe trafic pasageri, mărfuri, inclusiv pe segmente orare și rute, pentru toate aeroporturile europene. Uneori, diferența între un model "meh" și unul solid stă tocmai în calitatea și profunzimea datelor pe care le folosești.

Pe lângă Eurostat, merită să arunci o privire și la:
* ICAO (International Civil Aviation Organization): Au rapoarte anuale și statistici globale care pot oferi un context general excelent. Datele lor sunt de obicei la un nivel mai agregat, dar pot fi folosite, de exemplu, la verificarea tendințelor macro.
* IATA (International Air Transport Association): La fel, au multe publicații și analize legate de piața aeriană, inclusiv prognoze. Deși unele informații pot fi cu plată, rezumatele și rapoartele publice sunt foarte utile.
* Administrațiile Naționale de Aviație: Aici mă refer la Autoritatea Aeronautică Civilă Română (AACR) pentru România,

Adina Nicolae: ...Rețele Neuronale Recurrente (RNNs), în special LSTM (Long Short-Term Memory) și GRU (Gated Recurrent Unit): Acestea sunt optimizate pentru secvențe și pot "memora" dependențe pe termen lung în datele istorice, ceea ce este esențial în analiza temporală. Am folosit ceva variații de LSTM pentru a prezice fluctuațiile cererii pe termen scurt.

O altă direcție care mi se pare promițătoare, și pe care poate merită să o explorezi, ar fi modelele de cointegrare. Dacă ai constatat că variabilele tale macroeconomice (cum ar fi PIB-ul dintr-o țară sau prețul biletelor) au tendințe pe termen lung distincte, dar în același timp sunt legate într-un fel pe termen lung (adică nu diverg iremediabil), atunci cointegrarea te poate ajuta să construiești modele de echilibru pe termen lung. Asta ajută la stabilizarea predicțiilor pe termen lung și la interpretarea relațiilor dintre indicatorii economici și cererea de zbor.

Pentru resurse bibliografice, pe lângă clasicele texte despre econometrie și serii temporale, aș recomanda să arunci o privire la articole din reviste precum:

* Transportation Research Part A: Policy and Practice
* Journal of Air Transport Management
* Annals of Tourism Research (mai ales pentru partea de turism și corelațiile cu transportul aerian)

Caută articole de "review" sau meta-analize pe tema predictării cererii în transporturi, astea îți pot oferi o imagine de ansamblu rapidă asupra metodelor de ultimă oră și a lacunelor de cercetare. De asemenea, multe companii mari din industrie (e.g., IATA, aviația, consultanți în domeniu) publică rapoarte și white papers cu analize interesante, pe care le poți găsi pe site-urile lor.

Nu te descuraja, Magda! Procesul de cercetare implică și multă "batere cu capul în zid", dar tocmai prin asta ajungi să descoperi soluții ingenioase. Sper să-ți fie de ajutor aceste sugestii. Dacă mai ai întrebări sau vrei să discutăm mai detaliat despre vreo metodă anume, nu ezita! Mult succes în continuare!

Corul variabililor explicative pe care le vei folosi. Asta te poate ghida în alegerea modelului. Gândește-te la factorii macroeconomici (creștere economică, inflație, cursuri de schimb), factori specifici industriei (prețul biletelor, capacitatea aeronavelor, lansări de noi rute, concurența), dar și factori externi mai volatili (pandemii, conflicte, schimbări legislative, evenimente sportive majore).

Sper că aceste sugestii te ajută să depășești blocajul. Nu te descuraja, cercetarea de licență e un proces de învățare continuu. Mult succes cu lucrarea! 😊