、引言 近年来,航空运输业迅速发展,空中交通流量逐年增加,导致机场容量在现有的运行 状况下逐渐饱和,航班延误频繁发生,并且影响航班延误的因素多且复杂,诸如天气,管 制等诸多不可控因素都会严重影响航班的正常运行,导致航班延误。据FAA网站提供的数 据,2018年1月至11月份公布的全美航班总数6916597班,延误2383720班,占34.4%。 2017年全国客运航班平均延误时间24分钟,而在2016年这一数据为16分钟。航班延误 已经成为影响机场和航空公司运行、空中交通管制以及旅客正常出行的重大问题。因此, 对航班延误做出精准预测具有重要意义,不仅可以提高机场以及航空公司的运行效率,减 少航班延误造成的损失,还可以为旅客带来良好的飞行体验,同时能够减少空中交通事 故、确保飞行安全。 在航班延误预测方面,可以从微观和宏观的角度,将研究对象可以分为两类:一类是 预测单架飞机的延误,另一类是对机场某个时间段的平均延误进行预测。在 机延误预测方面,Choi将航班延误和成本联系起来,提出了基于成本计算和监督机器学习 算法预测单个航班延误的模型。 Demir和 Demir利用机场传感器采集到的数据和航班信息 建立了一种基于人工神经网络的飞机起飞延误估计的机器学习模型四。程华等对比已有的 贝叶斯网络及朴素贝叶斯。 Chung等人提出了基于级联神经网络的预测方法,将航班起飞 延误预测作为航班到达延误预测的输入,根据预期的航班到达延误,可以确定缓冲时间 同时还可以使用动态后备机组策略确定预备机组人员数量,有利于提高航班稳定性和节约 成本。吴仁彪等人针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限 的问题,提出一种基于双通道卷积神经网络的航班延误预测模型。同时,提出一种基于 Spark并融合气象数据的并行化航班延误预测模型。该模型完成了航班数据和气象数据的 融合,从而在单个航班数据后加入不同小时的气象数据,采用并行化方式进行随机森林的特 征划分和树的生成,可快速进行航班延误预测。 针对机场平均延误预测方面, Rebollo and balakrishnan运用随机森林算法预测某一 特定ω对(或机场)在未来2至24小时内的离港延误,提出了基于网络的航班延误预测模型 口。Zhu和应用支持向量回归模型来预测机场延误,将与延误相关因素如天气条件、机 场容量以及机场性能等作为模型输入,以小时延误为输出进行训练,通过对北京首都国际 机场运行数据的研究验证了基于SVR延误预测模型的有效性。何洋等人基于支持向量机回 归方法建立航班延误预测模型处理繁忙机场的进离港延误航班数量和延误时间难以预测的 问题明。 Belcastro等人主要研究了由于天气状况导致的航班到达延误,采用并行算法分析 和挖掘了航班信息和天气观测数据,验证了预测超过给定阈值的延误时具有很高的准确性一、引言 近年来,航空运输业迅速发展,空中交通流量逐年增加,导致机场容量在现有的运行 状况下逐渐饱和,航班延误频繁发生,并且影响航班延误的因素多且复杂,诸如天气,管 制等诸多不可控因素都会严重影响航班的正常运行,导致航班延误。据 FAA 网站提供的数 据,2018 年 1 月至 11 月份公布的全美航班总数 6916597 班,延误 2383720 班,占 34.4%。 2017 年全国客运航班平均延误时间 24 分钟,而在 2016 年这一数据为 16 分钟。航班延误 已经成为影响机场和航空公司运行、空中交通管制以及旅客正常出行的重大问题。因此, 对航班延误做出精准预测具有重要意义,不仅可以提高机场以及航空公司的运行效率,减 少航班延误造成的损失,还可以为旅客带来良好的飞行体验,同时能够减少空中交通事 故、确保飞行安全。 在航班延误预测方面,可以从微观和宏观的角度,将研究对象可以分为两类:一类是 预测单架飞机的延误[1-6],另一类是对机场某个时间段的平均延误进行预测[2-8] 。在单架飞 机延误预测方面,Choi 将航班延误和成本联系起来,提出了基于成本计算和监督机器学习 算法预测单个航班延误的模型[1] 。Demir 和 Demir 利用机场传感器采集到的数据和航班信息 建立了一种基于人工神经网络的飞机起飞延误估计的机器学习模型[2] 。程华等对比已有的 贝叶斯网络及朴素贝叶斯[3] 。Chung 等人提出了基于级联神经网络的预测方法,将航班起飞 延误预测作为航班到达延误预测的输入,根据预期的航班到达延误,可以确定缓冲时间, 同时还可以使用动态后备机组策略确定预备机组人员数量,有利于提高航班稳定性和节约 成本[4] 。吴仁彪等人针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限 的问题,提出一种基于双通道卷积神经网络的航班延误预测模型[5] 。同时,提出一种基于 Spark 并融合气象数据的并行化航班延误预测模型。该模型完成了航班数据和气象数据的 融合,从而在单个航班数据后加入不同小时的气象数据,采用并行化方式进行随机森林的特 征划分和树的生成,可快速进行航班延误预测[6] 。 针对机场平均延误预测方面, Rebollo and Balakrishnan运用随机森林算法预测某一 特定OD对(或机场)在未来2至24小时内的离港延误,提出了基于网络的航班延误预测模型 [7] 。Zhu 和Hu 应用支持向量回归模型来预测机场延误,将与延误相关因素如天气条件、机 场容量以及机场性能等作为模型输入,以小时延误为输出进行训练,通过对北京首都国际 机场运行数据的研究验证了基于SVR延误预测模型的有效性[8] 。何洋等人基于支持向量机回 归方法建立航班延误预测模型处理繁忙机场的进离港延误航班数量和延误时间难以预测的 问题[9] 。Belcastro等人主要研究了由于天气状况导致的航班到达延误,采用并行算法分析 和挖掘了航班信息和天气观测数据,验证了预测超过给定阈值的延误时具有很高的准确性