Η παρούσα πτυχιακή εργασία επικεντρώνεται στην ανάλυση και πρόβλεψη των καθυστερήσεων πτήσεων αεροπορικών εταιρειών χρησιμοποιώντας μεθόδους μηχανικής μάθησης. Τα δεδομένα συλλέχθηκαν από την ιστοσελίδα του Bureau of Transportation Statistics (BTS) και περιλαμβάνουν πληθώρα παραγόντων που επηρεάζουν την ακριβή ώρα αναχώρησης και άφιξης των πτήσεων. Έχει στόχο να εξερευνήσει και να αναλύσει τα δεδομένα πτήσεων για να εντοπίσει τους παράγοντες που επηρεάζουν τις καθυστερήσεις, να αναπτύξει και να αξιολογήσει μοντέλα μηχανικής μάθησης που μπορούν να προβλέψουν καθυστερήσεις πτήσεων με υψηλή ακρίβεια και να προτείνει βελτιώσεις και μεθοδολογίες για την ενίσχυση της απόδοσης των προβλεπτικών μοντέλων. Παράλληλα, αναφέρονται τεχνολογίες μηχανικής μάθησης που επιτρέπουν την ανάλυση μεγάλων όγκων δεδομένων πτήσεων και αξιολογούνται ορισμένες που έχουν χρησιμοποιηθεί σε προγενέστερη έρευνα για την πρόβλεψη καθυστερήσεων, τη βελτιστοποίηση δρομολογίων και τη διαχείριση της κυκλοφορίας στον εναέριο χώρο. Ειδικότερα, αλγόριθμοι όπως τα δέντρα απόφασης, τα νευρωνικά δίκτυα και οι μέθοδοι ενίσχυσης μάθησης (reinforcement learning) έχουν αποδειχθεί ιδιαίτερα αποτελεσματικοί σε εφαρμογές όπως στην πρόβλεψη καθυστερήσεων πτήσεων, στην ανίχνευση ανωμαλιών στα προγράμματα πτήσεων και στην βελτίωση της απόδοσης των αεροπορικών επιχειρήσεων. Μέσω της χρήσης αυτών των τεχνολογιών, η ακρίβεια στη λήψη αποφάσεων και η ασφάλεια των πτήσεων ενισχύονται σημαντικά, ενώ παράλληλα επιτυγχάνεται μείωση του κόστους λειτουργίας. Επιπλέον, ακολουθείται το σύνολο της μεθοδολογίας που χρειάζεται προκειμένου να αναπτυχθεί ένα μοντέλο μηχανικής μάθησης, καταδεικνύοντας την σειρά επεξεργασίας και της σκέψης για την εφαρμογή των μεθόδων μηχανικής μάθησης στην ανάλυση μεγάλων όγκων δεδομένων (Big Data). Με αυτόν τον τρόπο παρέχονται χρήσιμες προβλέψεις και βελτιώνονται οι επιχειρησιακές αποφάσεις των αεροπορικών εταιρειών. Προς αυτή την κατεύθυνση τέτοια μοντέλα μηχανικής μάθησης, τα οποία ήδη χρησιμοποιούνται,  αναπτύσσονται και βελτιώνονται, μπορούν να έχουν εφαρμογή σε διάφορους τομείς της αεροπορικής βιομηχανίας, όπως στην διαχείριση πτήσεων, στην παροχή υπηρεσιών των αεροπορικών εταιρειών αλλά και σε ασφαλιστικές εταιρείες που καλύπτουν τις αεροπορικές εταιρείες.

This thesis focuses on the analysis and prediction of airline flight delays using machine learning methods. The data was collected from the Bureau of Transportation Statistics (BTS) website and includes a wide range of factors that affect the exact departure and arrival times of flights. Its goal is to explore and analyze flight data to identify the factors influencing delays, to develop and evaluate machine learning models that can predict flight delays with high accuracy, and to propose improvements and methodologies to enhance the performance of the predictive models. At the same time, machine learning technologies that enable the analysis of large volumes of flight data are discussed, and some that have been used in previous research for predicting delays, optimizing flight routes, and managing air traffic are evaluated. Specifically, algorithms such as decision trees, neural networks, and reinforcement learning methods have proven to be particularly effective in applications such as predicting flight delays, detecting anomalies in flight schedules, and improving the performance of airline operations. By using these technologies, decision-making accuracy and flight safety are significantly enhanced, while simultaneously achieving a reduction in operational costs. Furthermore, the methodology required to develop a machine learning model is followed, demonstrating the potential and application of machine learning methods in analyzing large volumes of data, providing useful predictions, and improving the operational decisions of airlines. In this direction, such machine learning models can be applied to various areas of the aviation industry, such as flight management and service provision by airlines, as well as to insurance companies covering airlines.