个方向:一个是沿时间的反向传播,即从当前t时刻开始,计算每个时刻的误差项:另一个 是将误差项向上一层传播,根据相应的误差项,计算每个权重的梯度。对于不同的机场单 位,训练相应的LSTM单元 步骤2.3:微调整个网络:通过贪婪的分层无监督学习算法对整个网络进行微调,使用 第k层的输出作为第(k+1)层的输入。对于第一个隐藏层,输入是先验知识,微调整个网 络的参数是一种自上而下的方式。 步骤3:最后结合历史数据,按照以上步骤训练网络,获得机场延误预测模型,进行延 误预测,得到具体延误值 数据质量分析 数据预处理 历史数据 训练数据→→时空特征提取 机场延误预测模型一 预测值 TS-LSTM 图5时空LsTM算法实现流程图 五、实验结果与分析 本节首先通过实验选取模型的最优参数,然后验证时空LSTM(记为“ TS-LSTM”)延 误预测模型在三类不同延误程度机场的预测结果,最后通过与主流方法预测方法进行对 比,验证本文方法的优越性。本文方法采用 python编程实现,运行环境为 Intel(R) Core(IM)i5-830 OH CPU鳃2.30Gz处理器,96GB运行内存,64位 Windows10操作系统。为 了评价预测精度,本文采用平均绝对误差(MAE)、平均相对误差(MRE)、均方根差 (RMSE)三个指标进行评价,计算公式如下 MAE=1∑-川 (7) RE=ISE (8) f RMse= 其中∫表示实际值,表示预测值,n表示预测值个数。个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；另一个 是将误差项向上一层传播，根据相应的误差项，计算每个权重的梯度。对于不同的机场单 位，训练相应的LSTM单元。 步骤2.3：微调整个网络：通过贪婪的分层无监督学习算法对整个网络进行微调，使用 第k层的输出作为第（k+1）层的输入。对于第一个隐藏层，输入是先验知识，微调整个网 络的参数是一种自上而下的方式。 步骤3：最后结合历史数据，按照以上步骤训练网络，获得机场延误预测模型，进行延 误预测，得到具体延误值。 图 5 时空 LSTM 算法实现流程图 五、实验结果与分析 本节首先通过实验选取模型的最优参数，然后验证时空LSTM (记为“TS-LSTM”)延 误预测模型在三类不同延误程度机场的预测结果，最后通过与主流方法预测方法进行对 比，验证本文方法的优越性。本文方法采用python编程实现, 运行环境为Intel(R) Core(TM) i5-8300H CPU @2.30GHz处理器，96GB运行内存，64位Windows 10操作系统。为 了评价预测精度，本文采用平均绝对误差（MAE）、平均相对误差（MRE）、均方根差 （RMSE）三个指标进行评价，计算公式如下： 1 1 ˆ n i i i MAE f f n = = − ∑ （7） 1 ˆ 1 n i i i i f f MRE n f = − = ∑ （8） 1 2 2 1 1 ˆ ( ) n i i i RMSE f f n =   = −     ∑ （9） 其中 i f 表示实际值， ˆ i f 表示预测值, n 表示预测值个数