AI Methods for Predicting Flight Delays and Optimizing Airport Terminal Processes

Gli aeroporti funzionano come sistemi complessi, nei quali ritardi e congestioni possono ridurre la qualità del servizio, aumentare i costi e porre problemi di sostenibilità. In questa tesi ho analizzato come l’intelligenza artificiale e la modellazione basata sui dati possano contribuire a prevedere i ritardi dei voli e a migliorare processi fondamentali, come la gestione dei bagagli, i flussi dei passeggeri, l’assegnazione dei gate e le procedure di imbarco. Ho utilizzato tecniche di apprendimento supervisionato insieme a reti neurali spaziotemporali e modelli basati su grafi per stimare i ritardi in arrivo, integrando orari, condizioni meteo, rotazioni degli aeromobili e dati storici. Per studiare i flussi all’interno del terminal ho impiegato reti di Petri e la teoria delle code, che hanno permesso di individuare colli di bottiglia e testare configurazioni alternative. Il lavoro non si limita alla previsione: vengono proposte anche strategie di ottimizzazione per ridurre i tempi di imbarco, migliorare l’uso dei gate e adattare le risorse alle variazioni stagionali. L’integrazione di dati in tempo reale e simulazioni consente decisioni più flessibili in condizioni di incertezza. I risultati mostrano che i metodi basati su AI possono rendere più accurate le previsioni e più efficiente la gestione dei terminal, offrendo indicazioni concrete ai manager per aeroporti più resilienti e orientati al passeggero.

Airports operate as intricate systems where delays and congestion can undermine service quality, increase costs, and create sustainability challenges. In this thesis, I examine how artificial intelligence methods and data-driven modeling can help predict flight delays and improve essential airport processes, including baggage handling, passenger flow, gate scheduling, and boarding. The study applies supervised learning techniques together with spatio-temporal deep networks and graph-based models to forecast arrival delays, using information such as flight schedules, weather conditions, aircraft rotations, and historical data. To analyze flows inside the terminal, I employed Petri nets and queuing theory, which made it possible to identify bottlenecks and test alternative process designs. The work does not only focus on prediction: I also explore optimization measures for reducing boarding time, assigning gates more efficiently, and adapting resources to seasonal variations. By integrating real-time data and simulation tools, the approach supports flexible decision-making under uncertainty. The results suggest that AI-based methods can enhance delay forecasting and overall terminal performance, offering practical guidance for managers seeking more resilient, efficient, and passenger-friendly airports.