Forecasting of low frequency high severity events: A commercial aviation safety study for airline insurance

This thesis delves into the realm of commercial aviation accidents, seeking to enhance our understanding of their causes and the potential predictive power of advanced data analysis techniques. The research is bifurcated in two distinct phases each leveraging unique analytical methodologies. The first phase consists in the employment of the Agresti-Coull confidence intervals to conduct an in-depth analysis of accident rates across a multitude of flights, considering a wide array of features. This comprehensive approach provides insights into the characteristic trends of accident occurrences, offering a nuanced perspective on risk factors within commercial aviation. In the second phase, we shift our focus towards predictive modelling by implementing a gradient boosting binary safety classifier for flights. Leveraging machine learning techniques this classifier harnesses the power of data-driven insights to predict the likelihood of aviation accidents. By training on historical aviation data , the model becomes a valuable tool for evaluating risks, ultimately contributing to enhanced aviation safety insurance procedures. This study underscores the importance of employing diverse analytical approaches to gain a comprehensive understanding of commercial aviation accidents. By combining traditional statistical approaches with cutting-edge machine learning techniques, we not only identify critical risk factors but also develop a predictive tool to proactively address safety concerns, ultimately fostering a more aware aviation industry.

Questo progetto di tesi si addentra nel campo degli incidenti dell'aviazione commerciale, cercando di migliorare la comprensione delle loro cause e del potenziale predittivo di tecniche avanzate di analisi dei dati. Il lavoro è suddiviso in due fasi distinte, ognuna delle quali fa leva su metodologie analitiche specifiche. La prima fase consiste nell'impiego degli intervalli di confidenza di Agresti-Coull per condurre un'analisi approfondita in merito ai tassi di incidenti su una moltitudine di voli, considerando un'ampia gamma di caratteristiche. Questo tipo di approccio consente di evidenziare le principali tendenze relative all'occorrenza di incidenti aerei, offrendo una prospettiva sui fattori di rischio nell'ambito dell'aviazione commerciale. dell'aviazione commerciale. Nella seconda fase, la ricerca si concentra sulla modellazione predittiva implementando un classificatore binario, tramite gradient boosting, per valutare la sicurezza dei voli. Grazie a tecniche di machine learning, questo classificatore sfrutta la potenzialità di un approccio basato su grandi quantità di dati per prevedere la probabilità di incidenti aerei. Basandosi su dati storici dell'aviazione, il modello diventa uno strumento prezioso per la valutazione del rischio, contribuendo in ultima analisi a migliorare le procedure assicurative nell'ambito dell'aviazione. Questo lavoro evidenzia l'importanza di utilizzare diversi approcci analitici per ottenere un quadro completo degli incidenti nell'aviazione commerciale. Combinando approcci statistici tradizionali con tecniche di machine learning all'avanguardia, non solo identifica i fattori di rischio più critici, ma permette anche di sviluppare uno strumento predittivo per la sicurezza aerea, favorendo la crescità di un'industria areonautica più consapevole.