Utafiti huu unapendekeza mfumo mseto unaounganisha modeli za SARIMA na XGBoost ili kutabiri mahitaji ya kila mwezi ya mafuta ya anga kwa wasambazaji wa mafuta wanaofanya kazi katika viwanja vya ndege na kusaidia maamuzi ya usafirishaji na akiba chini ya hali ya kutokuwa na uhakika. Modeli ya SARIMA huzalisha utabiri wa awali unaowakilisha mienendo ya mstari na msimu wa kila mwaka katika mahitaji ya kihistoria; XGBoost husahihisha utabiri huu kwa kutumia vipengele vya kiutendaji vinavyojumuisha kiasi cha zabuni za mashirika ya ndege, idadi ya mikataba inayotumika, mabadiliko ya sehemu ya soko, shughuli za njia na residuals za utabiri wa awali.

Mfumo hauzalishi thamani moja tu ya mahitaji; unatabiri quantiles za P10, P50 na P90 ili kuonyesha anuwai inayowezekana ya mahitaji. P50 hutumika kama utabiri wa kati wa kupanga, P90 kama kikomo cha juu kwa mahitaji makubwa na hatari ya upungufu wa mafuta, na P10 kama kikomo cha chini kwa mahitaji madogo na hatari ya uhifadhi-demurrage. Uingiliaji wa mtaalamu wa binadamu unapendekezwa katika hali kama kupanuka kwa kawaida kwa anuwai ya utabiri, kufutwa ghafla kwa njia, mabadiliko ya mikataba ya mashirika ya ndege au maendeleo ya kijiopolitiki.

Utafiti ulitumia rekodi za miaka mitano za msambazaji mkubwa wa mafuta ya anga ambaye utambulisho wake haukutajwa. Rekodi za kila siku na za kiwango cha shirika la ndege zilibadilishwa kuwa jumla ya mahitaji ya kila mwezi, na uchunguzi wa miezi 60 ulitumika katika tathmini ya modeli. Miezi 36 ya kwanza ilitumika kama kipindi cha awali cha training, na katika miezi 24 iliyofuata modeli ilifundishwa upya kila mwezi na utabiri wa mbele ukafanywa. Mtafiti aliripoti wastani wa mkengeuko wa asilimia kamili wa kila mwezi wa asilimia 9 kwa mbinu ya manual ya Excel, asilimia 6,5 kwa SARIMA, asilimia 5,8 kwa XGBoost pekee na asilimia 4 kwa modeli mseto.

Wakati kiwango cha coverage kinachotarajiwa cha anuwai ya P10-P90 kilikuwa asilimia 80, kiwango cha coverage kilichoonekana kilitolewa kuwa asilimia 82. Vipindi ambavyo mahitaji halisi yalikuwa chini ya P10 na juu ya P90 viliripotiwa kila kimoja kuwa takribani asilimia 9. Hata hivyo matokeo haya yalikokotolewa kutoka kipindi cha test cha miezi 24 pekee na idadi kamili ya matukio haikutajwa. Kwa hiyo haijaonyeshwa kuwa anuwai za uwezekano zitadumisha kalibresheni ileile katika viwanja tofauti vya ndege au vipindi virefu zaidi.

Tathmini kwa mtazamo wa Türkiye: Mfumo unaweza kutumika kama modeli ya utafiti katika upangaji wa usafirishaji wa kila mwezi, uwezo wa kuhifadhi na safety stock wa kampuni zinazotoa mafuta kwa viwanja vya ndege nchini Türkiye. Katika matumizi ya ndani, mikataba ya mashirika ya ndege, mienendo ya utalii wa msimu, safari za ndani na kimataifa, mabadiliko ya njia, mipaka ya uhifadhi, lead time za usambazaji kwa meli au barabara na gharama za uendeshaji zinapaswa kumodeliwa pamoja. Modeli inapaswa kuthibitishwa kwa forward-time tests kwenye viwanja tofauti vya ndege na miaka tofauti; pamoja na makosa ya utabiri, gharama halisi za demurrage, tukio la upungufu wa akiba, kiwango cha huduma na gharama ya kushikilia akiba zinapaswa kupimwa. Kutokana na data iliyofichwa ya msambazaji mmoja wa kigeni haiwezi kuhitimishwa kuwa Türkiye itapata upungufu wa kosa wa asilimia 56, akiba ya gharama moja kwa moja au kwamba kukatika kwa mafuta kutazuiwa.

Utafiti unashughulikia tatizo gani?

Katika usambazaji wa mafuta ya anga, makosa ya utabiri wa mahitaji yana matokeo mawili tofauti ya kiutendaji. Kukadiria mahitaji kuwa makubwa kuliko yalivyo kunaweza kusababisha usafirishaji mpya wa mafuta kufika kabla nafasi ya kutosha haijapatikana kwenye matangi ya kuhifadhi na gari la usafirishaji kulazimika kusubiri. Utafiti unachukulia gharama hii ya kusubiri kama hatari ya demurrage. Kukadiria mahitaji kuwa madogo kuliko yalivyo kunaweza kusababisha upungufu wa mafuta, usumbufu wa shughuli za mashirika ya ndege, matatizo ya mikataba na kupoteza sifa.

Mtafiti anaeleza kuwa gharama za makosa haya mawili si symmetrical. Kwa sababu athari ya upungufu wa mafuta inachukuliwa kuwa kubwa kuliko gharama ya akiba ya ziada au demurrage, modeli hailengi tu kuboresha usahihi wa wastani bali pia kudhibiti tofauti hatari ya underforecasting.

Tatizo la pili linalolengwa ni kwamba mahitaji ya mafuta ya anga hayafuati muundo mmoja wa msimu usiobadilika. Kushinda, kupoteza au kusasisha zabuni za kila mwaka na mashirika ya ndege kunaweza kubadilisha portfolio ya wateja wa msambazaji. Muundo wa mahitaji ya msimu uliokuwa sahihi katika kipindi kimoja unaweza usiwakilishe kikamilifu mchanganyiko wa mashirika ya ndege na njia katika kipindi kinachofuata.

Usanifu wa jumla wa modeli mseto

Kielelezo 1 kwenye ukurasa wa 5 wa utafiti kinaonyesha mchakato wa utabiri katika hatua nne:

1. Kuunda utabiri wa awali wa msimu kwa SARIMA,
2. Kutengeneza vipengele kutoka data za zabuni, sehemu ya soko na shughuli,
3. Kukokotoa utabiri wa quantile za P10, P50 na P90 kwa XGBoost,
4. Mapitio ya mtaalamu wa binadamu katika hali za hatari na kuunda utabiri wa mwisho.

Sehemu ya chini ya kielelezo inaonyesha matokeo ya modeli yakihusishwa na maswali matatu ya kiutendaji: mafuta yataisha lini, kama kuna hatari ya demurrage wakati usafirishaji unafika, na safety stock kiasi gani kinahitajika.

Modeli ya awali ya SARIMA hufanyaje kazi?

SARIMA hutumika kumodeli pamoja mahusiano ya muda mfupi ya autoregressive na muundo wa msimu wa kila mwaka. Katika utafiti, modeli ya jumla imeelezwa kama ifuatavyo:

\[ \Phi_P(B^s)\,\phi_p(B)\,(1-B)^d\,(1-B^s)^D y_t = \Theta_Q(B^s)\,\theta_q(B)\,\varepsilon_t \]

Hapa \(B\) inaonyesha backward-shift operator, \(p\) na \(q\) daraja za autoregressive na moving average zisizo za msimu, \(P\) na \(Q\) daraja za msimu, na \(d\) na \(D\) daraja za differencing. Kwa data za kila mwezi, urefu wa msimu uliwekwa kuwa \(s=12\).

Augmented Dickey-Fuller test ilitumika kutathmini stationarity ya series. Daraja za modeli zilichaguliwa kwa kuchagua muundo uliopunguza Bayesian Information Criterion kati ya mchanganyiko tofauti wa vigezo:

\[ BIC=k\ln(n)-2\ln(\hat{L}) \]

\(k\) inaonyesha idadi ya vigezo vilivyokadiriwa, \(n\) idadi ya uchunguzi, na \(\hat{L}\) maximum likelihood. Kwa kuwa utafiti ulikuwa na data za miezi 60 tu, BIC, ambayo huadhibu kwa nguvu zaidi ugumu wa modeli, ilipendelewa.

SARIMA huzalisha matokeo mawili. La kwanza ni utabiri wa awali uliotokana na msimu na mwelekeo wa kihistoria. La pili ni residual kati ya mahitaji halisi na utabiri wa SARIMA:

\[ r_t=y_t-\hat{y}^{SARIMA}_t \]

Residuals hizi zinachukuliwa kuwa na mabadiliko ya zabuni, muundo wa soko, shocks za nje na mienendo ya mahitaji isiyo ya mstari ambayo msimu wa mstari hauwezi kueleza.

Ni vipengele gani vya kiutendaji vilitumika?

Rekodi za kila siku za kiwango cha shirika la ndege zilitumika kwanza kukokotoa vipengele hivi, kisha zikajumlishwa hadi kiwango cha mahitaji ya kila mwezi. Kwa hiyo ingawa target variable ya modeli ni jumla ya mahitaji ya mafuta ya kila mwezi, baadhi ya explanatory variables zilitengenezwa kutoka rekodi za kina zaidi za mashirika ya ndege.

XGBoost huboreshaje utabiri wa SARIMA?

XGBoost ni ensemble model ambayo miti mingi ya maamuzi huunganishwa mfululizo. Kila mti mpya hufundishwa ili kupunguza kosa ambalo miti ya awali haikuweza kueleza. Utabiri wa jumla wa modeli ni:

\[ \hat{y}_i=\sum_{k=1}^{K}f_k(x_i) \]

\(K\) inaonyesha idadi ya miti na \(f_k\) mti wa regression namba k. Lengo la training ni kupunguza kwa pamoja prediction loss na penalty ya ugumu wa miti:

\[ \mathcal{L}^{(t)} = \sum_{i=1}^{n} l\left(y_i,\hat{y}^{(t-1)}_i+f_t(x_i)\right) + \Omega(f_t) \]

Katika modeli mseto, XGBoost haitabiri residuals za SARIMA pekee. Utabiri wa awali wa SARIMA, residuals zilizocheleweshwa na vipengele vyote vya kiutendaji hupewa moja kwa moja kama inputs za modeli:

\[ \hat{y}^{hybrid}_t = f_{XGB} \left( \hat{y}^{SARIMA}_t, r_{t-1}, x^{tender}_t, x^{market}_t, x^{ops}_t \right) \]

Muundo huu unaruhusu XGBoost kujifunza kutoka data kiasi gani itegemee utabiri wa SARIMA na kiasi gani isahihishe kwa mujibu wa vipengele vya kiutendaji.

Kwa nini quantile regression ilitumika?

Utabiri wa thamani moja hauonyeshi kutokuwa na uhakika wa mahitaji ya baadaye. Katika utafiti, modeli tatu tofauti za XGBoost zilifundishwa kutabiri quantiles za asilimia 10, asilimia 50 na asilimia 90 za mahitaji. Pinball loss iliyotumika ni:

\[ L_{\tau}(y,\hat{y}) = \tau\max(y-\hat{y},0) + (1-\tau)\max(\hat{y}-y,0) \]

\(\tau\) inaonyesha quantile iliyochaguliwa. Katika loss function hii, penalties za utabiri wa chini na wa juu hutofautiana kulingana na quantile.

P10 na P90 si guarantees za confidence za asilimia 90 zisizobadilika kwa maana ya kawaida. Ni conditional demand quantiles zilizotabiriwa kutoka data. Kudumishwa kwa coverage inayolengwa katika vipindi vipya kunategemea kalibresheni ya modeli na kutobadilika kwa usambazaji wa data.

Gharama ya kiutendaji isiyo linganifu iliingizwaje kwenye modeli?

Utafiti unachukulia gharama ya underforecasting mahitaji ya mafuta kuwa kubwa kuliko overforecasting. Kwa hiyo cost coefficient ya ziada ilitumika juu ya pinball loss:

\[ L_{asymmetric}(y,\hat{y}) = \begin{cases} \alpha L_{\tau}(y,\hat{y}), & y>\hat{y}\\ L_{\tau}(y,\hat{y}), & y\leq\hat{y} \end{cases} \]

Wakati \(\alpha>1\), vipindi ambavyo mahitaji halisi yanazidi utabiri hupewa penalty kubwa zaidi. Mtafiti anaeleza kwamba coefficient ilirekebishwa kulingana na uwiano wa gharama inayokadiriwa ya upungufu wa mafuta dhidi ya gharama ya demurrage. Hata hivyo thamani kamili ya \(\alpha\) iliyotumika na hesabu ya gharama havijaripotiwa.

Uangalizi wa binadamu huingia lini?

Utafiti haupendekezi kuifanya mipango ya mafuta yenye gharama kubwa iwe automated kikamilifu. Hali zinazoweza kuanzisha mapitio ya binadamu ni:

• Kupanuka kwa kawaida kwa anuwai ya utabiri kati ya P90 na P10 ikilinganishwa na historia,
• Kufutwa ghafla kwa njia au kuongezeka kwa trafiki kusikotarajiwa,
• Kuanza, kuisha au kubadilika bila mpango kwa zabuni ya shirika la ndege,
• Njia za safari kuathiriwa na maendeleo ya kijiopolitiki,
• Kufungwa kwa runway au kizuizi cha uwezo wa uwanja wa ndege,
• Tathmini kwamba data za kihistoria haziwakilishi tena hali za sasa za operesheni.

Mtaalamu anaweza kukagua P10, P50 na P90 pamoja na risk alerts na, ikiwa inahitajika, kubadilisha utabiri wa mwisho. Sababu ya uingiliaji inapendekezwa kurekodiwa. Hata hivyo utafiti haukupima ni utabiri mingapi ilibadilishwa, uingiliaji wa mtaalamu uliathirije kiwango cha kosa, au consistency kati ya wataalamu.

Grafu za utafiti zinaonyesha nini?

Usanifu wa mfumo mseto

Kielelezo 1 kwenye ukurasa wa 5 kinaonyesha data za kihistoria za kujaza mafuta, taarifa za zabuni za mashirika ya ndege na vigezo vya soko-operesheni zikipelekwa kwenye tabaka za SARIMA na feature engineering. Matokeo ya XGBoost ya P10, P50 na P90 hupitia ukaguzi wa binadamu na kuwa utabiri wa mwisho.

Mahitaji halisi na yaliyotabiriwa

Kielelezo 2 kwenye ukurasa wa 12 kinaonyesha mahitaji ya mafuta yaliyosawazishwa katika kipindi cha Juni-Novemba 2025. Mstari mseto wa SARIMA-XGBoost kwa kiasi kikubwa hufuata mahitaji halisi kwa karibu, huku mstari wa SARIMA pekee ukionyesha mkengeuko unaoonekana zaidi katika baadhi ya kupanda na kushuka kwa ghafla. Mchoro unaonyesha sehemu ya mfano ya takribani miezi sita tu, si kipindi chote cha tathmini cha miezi 24.

Ulinganisho wa makosa ya modeli

Kielelezo 4 kwenye ukurasa wa 13 kinaonyesha mbinu ya manual katika kiwango cha kosa cha asilimia 9, SARIMA asilimia 6,5, XGBoost asilimia 5,8 na modeli mseto asilimia 4. Upungufu wa jamaa kutoka mbinu ya manual kwenda modeli mseto ni:

\[ \frac{9{,}0-4{,}0}{9{,}0}\times100 \approx 55{,}6\% \]

na katika utafiti imezungushwa kuwa asilimia 56. Uwiano huu si kupungua kwa asilimia 56 kwa matumizi ya mafuta au gharama ya demurrage, bali ni kupungua kwa jamaa katika kipimo cha kosa la utabiri kilichotumiwa na mtafiti.

Anuwai ya utabiri wa uwezekano

Kielelezo 3 kwenye ukurasa wa 14 kinaonyesha anuwai ya P10-P90 kwa kipindi cha Juni-Novemba 2025 kama bendi yenye kivuli, utabiri wa P50 kwa mstari wa dashed na mahitaji halisi kwa mstari tofauti. Katika mchoro, thamani za mahitaji halisi kwa kiasi kikubwa ziko ndani ya bendi ya utabiri. Hata hivyo grafu hii inaonyesha kipindi teule cha miezi sita tu.

Mpangilio wa umuhimu wa vipengele

Kielelezo 5 kwenye ukurasa wa 15 kinaonyesha utabiri wa awali wa SARIMA kama kigezo chenye ushawishi mkubwa zaidi katika modeli, chenye relative importance ya 0,28. Kinafuatiwa na kiasi cha zabuni moving cha miezi 3, idadi ya zabuni zinazotumika na ukuaji wa kila mwezi wa mafuta yaliyojazwa.

Thamani katika kielelezo ni relative feature importances zinazotegemea matumizi ya splits za XGBoost. Haziwakilishi athari ya kisababishi na hazipaswi kutafsiriwa kuwa kubadilisha kigezo fulani kutaongeza au kupunguza mahitaji kwa kiasi maalumu.

Utafiti unaunga mkono matokeo gani?

• Kutumia SARIMA na XGBoost pamoja kulitoa wastani wa kosa la utabiri la chini kuliko modeli zote mbili moja moja katika data na mpangilio uleule wa tathmini.
• Kuongeza vipengele vya zabuni za mashirika ya ndege na sehemu ya soko kuliboresha utabiri uliotegemea msimu wa kihistoria pekee.
• Anuwai ya P10-P90 ilitoa matokeo karibu na coverage lengwa iliyoripotiwa katika kipindi cha test cha miezi 24.
• Walk-forward evaluation inayohifadhi mpangilio wa muda ilitoa jaribio linalofanana zaidi na hali halisi ya operesheni kuliko random train-test split.
• Muundo mseto ulizalisha scenarios tofauti za mahitaji kwa hatari tofauti za akiba na usafirishaji badala ya point forecast moja.

Utafiti hauthibitishi nini?

• Haudhibitishi kwamba modeli itafikia kiwango kilekile cha kosa katika viwanja tofauti vya ndege au wasambazaji tofauti wa mafuta.
• Hauonyeshi kuwa gharama ya demurrage au matukio ya upungufu wa mafuta yalipungua kwa asilimia 56.
• Hauonyeshi kwa namba kwamba uingiliaji wa mtaalamu wa binadamu uliboresha utendaji wa utabiri.
• Hauhakikishi kuwa anuwai ya P10-P90 itatoa coverage ya asilimia 80 katika vipindi vyote vya baadaye.
• Haudhibitishi kuwa modeli itatoa utendaji uleule katika shughuli za kila siku au kila wiki.
• Hauonyeshi kuwa athari ya maendeleo ya kijiopolitiki inapimwa kiotomatiki na kwa kuaminika na modeli.
• Haionyeshi kwa independent stress test uimara wa modeli mseto dhidi ya regimes mpya za mikataba au crises zisizo za kawaida.

Mbinu na Matokeo ya Utafiti

Muundo wa seti ya data

Ingawa inatajwa kwamba kuna makumi ya maelfu ya mistari katika rekodi za kila siku, kwa kuwa target ya utabiri imejumlishwa kwa kiwango cha kila mwezi, idadi ya pointi huru za muda za modeli ni 60. Modeli ya XGBoost ilifundishwa katika kila hatua ya utabiri wa mbele kwa historia ya miezi 36 hadi 59 pekee. Hali hii inaonyesha ukubwa mdogo wa sampuli kwa modeli yenye vipengele vingi na miti 300.

Muundo wa tathmini

Utafiti ulitumia walk-forward validation. Kwa utabiri wa kwanza, miezi 1-36 ilitumika katika training na mwezi 37 ukatabiriwa. Katika hatua inayofuata, mwezi 37 uliongezwa pia kwenye training na mwezi 38 ukatabiriwa. Mchakato huu uliendelea hadi mwezi 60.

Mbinu hii huzuia data ya baadaye kuvuja katika utabiri wa zamani. Hata hivyo makosa 24 mfululizo yaliyotolewa kutoka vipindi vya kalenda vinavyofanana yanaweza kutokuwa huru kikamilifu. Utafiti unaeleza standard bootstrap ambayo huchukua tena makosa ya kila mwezi moja moja, badala ya block bootstrap inayohifadhi utegemezi wa muda.

Hyperparameters za XGBoost

Ulinganisho mkuu wa modeli

Anuwai ya confidence iliyoripotiwa ya modeli mseto haiingiliani na anuwai ya mbinu ya manual. Utafiti unatafsiri hili kama tofauti yenye significance ya kitakwimu. Hata hivyo kutokuingiliana kwa intervals si test ya moja kwa moja ya paired monthly error differences kati ya modeli. Uchambuzi tofauti wa paired differences na time dependence kwa utabiri unaotolewa katika miezi ileile 24 ungetoa ushahidi wenye nguvu zaidi.

Maana ya kipimo cha “prediction variance”

Katika utafiti, kipimo kikuu kimefafanuliwa kwa formula ifuatayo:

\[ \mathrm{Aylık\ Sapma}(\%) = \frac{|Gerçek-Tahmin|}{Gerçek}\times100 \]

Formula hii si formula ya statistical variance; ni absolute percentage error ya kipindi kimoja. Inapochukuliwa wastani katika vipindi, inalingana na MAPE. Sababu ya “mean variance” na MAPE kutolewa kwenye jedwali kwa thamani zilizo karibu lakini si sawa kabisa kama asilimia 9,0-asilimia 9,1 na asilimia 4,0-asilimia 4,1 haijaelezwa.

Kwa hiyo ni sahihi zaidi kueleza matokeo kama “wastani wa absolute percentage forecast deviation ulipungua kutoka takribani asilimia 9 hadi asilimia 4” badala ya “variance ilipungua kutoka asilimia 9 hadi asilimia 4”.

Matokeo ya kalibresheni ya quantile

Viwango vinaonekana kuwa karibu na target values. Hata hivyo kwa kuwa seti ya test ina miezi 24 tu, mwezi mmoja unalingana na takribani pointi za asilimia 4,17. Haijatajwa ni idadi gani kamili ya uchunguzi na njia gani ya rounding iliyotumika kupata asilimia 82 na asilimia 9.

Modeli tofauti za XGBoost zilifundishwa kwa P10, P50 na P90. Katika separate quantile models, quantile crossing inaweza kutokea ambapo P10 huwa juu ya P50 au P50 juu ya P90. Utafiti haujaeleza joint loss, ordering constraint au post-processing method ya kuzuia crossing.

Thamani za umuhimu wa vipengele

Utabiri wa SARIMA kuwa na importance ya juu zaidi unaonyesha kwamba muundo wa msingi wa msimu unaendelea kuhifadhiwa katika modeli mseto. Uzito wa pamoja wa vigezo vya zabuni unaashiria kwamba mabadiliko katika portfolio ya wateja huongeza taarifa juu ya msimu wa kihistoria.

Kikomo cha madai ya athari za kiutendaji

Utafiti unaeleza kuwa utabiri sahihi zaidi huboresha muda wa usafirishaji, hupunguza exposure ya demurrage na kwamba safety stock inayotegemea P90 husaidia kuzuia upungufu wa mafuta. Hata hivyo viashiria vifuatavyo vya kiutendaji havijaripotiwa:

• Jumla ya demurrage kabla na baada,
• Idadi ya matukio ya upungufu wa mafuta au kukatika kwa huduma,
• Wastani wa kiwango cha akiba na holding cost,
• Idadi ya usafirishaji wa mapema au uliochelewa,
• Idadi ya utabiri uliobadilishwa kwa uingiliaji wa binadamu,
• Kipindi cha uzalishaji ambapo utabiri wa modeli ulitumika moja kwa moja.

Kwa hiyo utafiti unaonyesha uboreshaji wa usahihi wa utabiri, lakini hauhakikishi kwa kiasi akiba ya moja kwa moja ya kifedha au athari kwa reliability ya huduma.

Mapungufu makuu

• Utafiti ni preprint ambayo haijapitiwa na wahakiki.
• Data kutoka msambazaji mmoja wa mafuta na soko moja pekee zilitumika.
• Kuna pointi 60 tu za muda za kila mwezi kwa training ya modeli.
• Kipindi cha test kimewekewa kikomo cha miezi 24.
• Kampuni, uwanja wa ndege na thamani halisi za mahitaji zimefichwa.
• Data ghafi na implementation code hazijashirikiwa.
• Matokeo ya modeli hayajazalishwa upya na kundi huru la utafiti.
• Kipimo kinachoitwa “prediction variance” kwa kweli ni absolute percentage error.
• Haijaelezwa jinsi time dependence ya kila mwezi ilivyoshughulikiwa katika bootstrap.
• Udhibiti wa quantile crossing kati ya P10, P50 na P90 haujaripotiwa.
• Thamani ya asymmetric cost coefficient na cost calibration hazikutolewa.
• Utendaji wa uingiliaji wa mtaalamu haukupimwa katika jaribio tofauti.
• Athari halisi ya kifedha kwenye demurrage na upungufu wa mafuta haijakokotolewa.
• Modeli huzalisha utabiri wa kila mwezi pekee; matumizi ya kila siku na kila wiki hayajaonyeshwa.

Uthibitishaji unaohitajika siku zijazo

Modeli inapaswa kufanyiwa external validation kwa wasambazaji wengi wa mafuta na viwanja vya ndege vya ukubwa tofauti. Training ifanyike katika kipindi kimoja na uwanja mmoja wa ndege na test ifanyike katika uwanja mwingine ili kupima geographic na operational generalizability.

Pamoja na utabiri wa kila mwezi, utabiri wa kila wiki na kila siku unapaswa kuchunguzwa; athari za kuongezeka kwa frequency ya data kwenye noise, missing data na gharama ya kompyuta ziripotiwe. Data za flight tracking, hali ya hewa na taarifa za sasa za njia zitumike tu ikiwa zingepatikana kweli wakati wa forward prediction.

Anuwai za uwezekano zinapaswa kutathminiwa katika vipindi virefu vya test; mbinu za kuzuia quantile crossing na calibration approaches zinazoweza kutoa finite-sample coverage guarantees zilinganishwe. Usahihi wa utabiri ujaribiwe pamoja na inventory policy halisi na demurrage, stockout, holding cost na service level ziunganishwe katika tathmini moja ya kiuchumi.

Maelezo ya Chanzo na Mbinu

Utafiti huu ni preprint ya SSRN ambayo haijapitiwa na wahakiki. DOI inatambulisha rekodi ya utafiti ya SSRN na haipaswi kuwasilishwa kama DOI ya makala ya jarida lililopitiwa na wahakiki.

Maudhui ya kisayansi ya makala haya ya Verianla yameandaliwa kwa kutegemea tu utafiti uliopakiwa. Vyanzo vya nje vilitumika tu kuthibitisha taarifa za utambulisho wa kibibliografia kama kichwa, mwandishi, nambari ya rekodi ya SSRN, DOI, idadi ya kurasa, tarehe ya kupakiwa na kiungo rasmi. Matokeo ya majaribio ya nje ambayo hayapo katika utafiti hayajaongezwa kwenye makala.

Nguvu kuu za utafiti ni matumizi ya walk-forward evaluation inayohifadhi mpangilio wa muda, kulinganisha mbinu ya manual pamoja na modeli za mmoja mmoja na mseto katika vipindi vilevile, na kuzalisha quantile forecasts pamoja na point forecast.

Vikwazo muhimu zaidi vya tafsiri ni seti ndogo ya data ya miezi 60, tathmini inayotegemea msambazaji mmoja, kutopatikana kwa data na msimbo, kipimo kikuu cha kosa kuitwa kimakosa “variance”, na kutopimwa moja kwa moja kwa athari za gharama za operesheni. Uboreshaji wa asilimia 56 ulioripotiwa ni tofauti ya jamaa tu kati ya wastani wa mkengeuko wa asilimia kamili wa asilimia 9 wa mbinu ya manual na mkengeuko wa asilimia 4 wa modeli mseto.

Matokeo ya modeli pekee hayatoi ushahidi wa kutosha kwa agizo au usafirishaji wa mafuta kutekelezwa kiotomatiki. Yanapaswa kutumiwa pamoja na uwezo wa kuhifadhi, muda wa usambazaji, wajibu wa mikataba, shughuli za sasa za safari na tathmini ya mtaalamu wa binadamu.