FlightOnTime — Previsão de Atrasos de Voos

Aviação Civil / Logística / Transporte Aéreo

Empresas aéreas, aeroportos e passageiros que dependem da pontualidade dos voos.

Necessidade do cliente (explicação não técnica)

Todos que viajam de avião — e especialmente as companhias aéreas e aeroportos — sofrem com atrasos.

Esses atrasos causam insatisfação nos passageiros, custos extras para as empresas e problemas de logística (como conexões perdidas e remanejamentos de voos).

O cliente quer prever, com base em dados do voo (origem, destino, horário, companhia aérea, etc.), qual é a probabilidade de o voo atrasar para se preparar com antecedência:

Passageiros podem receber alertas antes de sair de casa.

Companhias aéreas podem ajustar a operação e minimizar o impacto.

Aeroportos podem planejar melhor o uso da infraestrutura.

Validação de mercado

Prever atrasos é uma aplicação real e valiosa de ciência de dados em transporte.

Companhias aéreas e startups do setor usam modelos preditivos semelhantes para:

melhorar a pontualidade e o planejamento de frota;

reduzir custos operacionais e reclamações;

aumentar a satisfação do cliente com informações mais transparentes.

Mesmo um modelo simples pode ser útil, pois ajuda a identificar horários ou aeroportos com maior risco de atraso — um diferencial para o setor aéreo.

Expectativa para este hackathon

Público: alunos iniciantes em tecnologia, sem experiência profissional na área, que já estudaram Back-end (Java, Spring, APIs REST, persistência) e Data Science (Python, Pandas, scikit-learn, modelagem supervisionada).

Objetivo: criar um MVP (produto mínimo viável) que recebe informações de um voo e retorna se ele provavelmente será Pontual ou Atrasado.

Escopo sugerido: classificação binária (0 = Pontual, 1 = Atrasado) usando um dataset simples e limpo.

Entregáveis desejados

Notebook (Jupyter/Colab) do time de Data Science, contendo:

Exploração e limpeza de dados (EDA);

Criação de variáveis relevantes (ex.: hora do voo, dia da semana, aeroporto de origem/destino, companhia aérea);

Treinamento de um modelo preditivo (ex.: Logistic Regression, Random Forest);

Avaliação do desempenho (Acurácia, Precisão, Recall, F1-score);

Exportação do modelo serializado (joblib/pickle).

Aplicação Back-End (API REST) desenvolvida em Java (Spring Boot), contendo:

Endpoint /predict que recebe informações de um voo e retorna a previsão;

Integração com o modelo de DS (direta ou via microserviço separado);

Tratamento de erros e respostas padronizadas em JSON.

Documentação mínima (README)

Como executar o projeto;

Dependências e versões das ferramentas;

Exemplos de requisição e resposta;

Dataset utilizado (com link ou descrição).

Demonstração funcional

Mostrar a API em ação (via Postman, cURL ou uma interface simples).

Explicar brevemente o processo (dados → modelo → previsão).

Funcionalidades exigidas (MVP)

O serviço deve expor um endpoint que retorna o status do voo a qual o texto pertence e a probabilidade associada a esse status:

{

"companhia": "AZ",

"origem": "GIG",

"destino": "GRU",

"datapartida": "2025-11-10T14:30:00",

{

"previsao": "Atrasado",

}

Carregamento do modelo preditivo: o back-end deve conseguir usar o modelo (carregado localmente ou via microserviço DS).

Validação de entrada: garantir que todos os campos necessários estejam presentes e corretos.

Resposta clara: previsão + probabilidade em formato decimal (0 a 1).

Exemplos de uso: Postman/cURL com 3 exemplos reais (um pontual, um atrasado, um com erro).

README funcional: com passos simples para rodar localmente.

Funcionalidades opcionais

Endpoint GET /stats: retorna estatísticas agregadas (ex.: % de voos atrasados no dia).

Persistência: salvar histórico de previsões e requisições em um banco (H2/PostgreSQL).

Dashboard visual (Streamlit/HTML): mostra, em tempo real, a taxa de atrasos prevista.

Integração com API externa de clima: adicionar condições meteorológicas como feature do modelo.

Batch prediction: aceitar um arquivo CSV com vários voos e devolver as previsões em lote.

Explicabilidade: retornar as variáveis mais importantes na decisão (ex.: “Horário da tarde e aeroporto GIG aumentam o risco”).

Containerização: rodar o sistema completo com Docker/Docker Compose.

Testes automatizados: unitários e de integração simples.

Orientações técnicas para alunos

Recomenda-se deixar o modelo leve e o escopo controlado, para não ultrapassar os limites de always free do OCI.

Time de Data Science

Monte ou escolha um dataset próprio com informações de voos (ex.: companhia aérea, origem, destino, horário, distância);

Utilize Python, Pandas e scikit-learn para análise e modelagem;

Criar features a partir dos dados (ex.: hora, dia da semana, tipo de companhia aérea);

Escolher modelo de classificação simples (LogisticRegression ou RandomForestClassifier);

Validar o modelo com dados separados (treino/teste);

Salvar o modelo (joblib.dump) e garantir que ele possa ser carregado externamente.

Time de Back-End

Construir uma API REST (em Java com Spring Boot).

Implementar um endpoint (ex: /predict ) que recebe o JSON de um voo e retorna a previsão.

Integrar o modelo de Data Science:

via microserviço Python (FastAPI/Flask), ou

carregando o modelo exportado (ONNX, para times Java avançados).

Validar entradas e retornar respostas JSON consistentes.

Contrato de integração (definido entre DS e BE)

Recomendamos definir o contrato de integração logo no início do hackathon. Segue um exemplo:

{

"companhia": "AZ",

"origem": "GIG",

"destino": "GRU",

"datapartida": "2025-11-10T14:30:00",

{

"previsao": "Pontual",