为了验证本文算法的优越性,将本文TS-LSTM与LSTM、BP神经网络、SWM、 ARIMA等方法 进行对比实验。针对美国77个主要机场,利用不同方法预测不同时长的延误值,表1给出所 有机场平均延误的实验结果。从对比结果来看,采用的 ARIMA预测效果较差,相对误差率在 4C%左右,预测的相对误差大部分在20分钟以上,能够看出传统模型不适用于具有高维且 预测值 真实值 W11 100 时间 (a)高延误机场 预测值 真实值 140 120 运回 80 R60 100 200 时间 (b)中等延误机场 预测值 真实值 应50 10 时间为了验证本文算法的优越性，将本文TS-LSTM与LSTM、BP神经网络、SVM、ARIMA等方法 进行对比实验。针对美国77个主要机场，利用不同方法预测不同时长的延误值，表1给出所 有机场平均延误的实验结果。从对比结果来看，采用的ARIMA预测效果较差，相对误差率在 40%左右，预测的相对误差大部分在20分钟以上，能够看出传统模型不适用于具有高维且 （a）高延误机场 （b）中等延误机场 0 20 40 60 80 100 120 140 0 50 100 150 200 延误时间（Min 时间 预测值 真实值 0 20 40 60 80 100 120 140 160 0 50 100 150 200 延误时间(Min) 时间 预测值 真实值 0 10 20 30 40 50 60 70 80 90 100 0 50 100 150 200 延误时间（Min) 时间 预测值 真实值