2(d)可知,机场的出发延误和到达延误有较强的相关性,具有同步增长的趋势。同时, 个机场的航班延误情况与其所在的航线网络以及连接的始发到达机场的延误水平有着较大 的关联,相关联的机场航班延误情况会相互波及,关联的机场越多,航班越繁忙,造成延 误的可能性越大。依据η7个机场的平均延误水平,高延误机场均位于美国较为繁华的城 市。根据以上分析,为了预测某个机场的延误,除了以该机场的出发延误和到达延误作为 特征变量外,将关联机场的出发延误和到达延误作为特征属性。此外,本文还将国家空域 状态作为延误特征属性,利用聚类分析法对2015年1月至2018年1月数据进行挖掘,将整个 空域系统的延误状态分为6类。 一高误机场一一中等误机场 低误机 高运机场一普一中等识机场一低延试机场 0113456789101112131415161712192021222 母小时 高误误机场一中等机晒一低误机暗 10—出发延误—到达延误一 0300 一金 图2机场延误趋势图.(a)小时延误分布图,(b)星期延误分布图,(c)月延误分布图,(d)不同 机场离港和到港延误情况 四、时空LSTM预测模型 LSTM神经网络由 Hochreiter和 Schmidhuber在1997年提出,是RN网络的一种变形,通 过对RN神经网络隐藏层的设计做了改进,有效克服了梯度消失问题。目前已经被广泛应用 于机器翻译、语音识别等自然语言处理领域,特别是在地面交通预测方面,预测性能 优于传统的时间序列模型方法四。 与城市交通流预测具有类似的特性,对某个机场未来某个时间段的平均延误进行预 测,本文提出将LSIM神经网络推广和应用到机场航班延误预测,并结合第三部分所构建的 机场延误时空特征变量,构建一种时空LSIM网络航班延误预测模型。时空LSTM网络结构如 图3所示,利用横坐标表示时间变量,可以表征延误在时间上的传播特性,而纵坐标表示2(d)可知，机场的出发延误和到达延误有较强的相关性，具有同步增长的趋势。同时，一 个机场的航班延误情况与其所在的航线网络以及连接的始发到达机场的延误水平有着较大 的关联，相关联的机场航班延误情况会相互波及，关联的机场越多，航班越繁忙，造成延 误的可能性越大。依据77个机场的平均延误水平，高延误机场均位于美国较为繁华的城 市。根据以上分析，为了预测某个机场的延误，除了以该机场的出发延误和到达延误作为 特征变量外，将关联机场的出发延误和到达延误作为特征属性。此外，本文还将国家空域 状态作为延误特征属性，利用聚类分析法对2015年1月至2018年11月数据进行挖掘，将整个 空域系统的延误状态分为6类。 (a) (b) (c) (d) 图2 机场延误趋势图.(a)小时延误分布图,(b)星期延误分布图,(c)月延误分布图,(d)不同 机场离港和到港延误情况 四、时空 LSTM 预测模型 LSTM 神经网络由Hochreiter和Schmidhuber在1997年提出，是RNN网络的一种变形，通 过对RNN神经网络隐藏层的设计做了改进，有效克服了梯度消失问题。目前已经被广泛应用 于机器翻译、语音识别等自然语言处理领域[15-22] ，特别是在地面交通预测方面，预测性能 优于传统的时间序列模型方法[23-30] 。 与城市交通流预测具有类似的特性，对某个机场未来某个时间段的平均延误进行预 测，本文提出将LSTM神经网络推广和应用到机场航班延误预测，并结合第三部分所构建的 机场延误时空特征变量，构建一种时空LSTM网络航班延误预测模型。时空LSTM网络结构如 图3所示，利用横坐标表示时间变量，可以表征延误在时间上的传播特性，而纵坐标表示