CN112819260A - 预测航班延时状态的数据处理系统 - Google Patents

Abstract

本发明涉及一种预测航班延时状态的数据处理系统，包括第一数据库、第二数据库、预测模型库、存储有计算机程序的存储器和处理器；所述第一数据库用于存储航班信息记录；所述第二数据库用于存储机场气象信息记录；所述预测模型库中用于存储预先训练好的第二预测模型、第三预测模型…第N预测模型，其中，第n预测模型用于预测第n预测航班id的延时状态，n的取值为2到N。本发明能够将航班链上的延时传导因素作为影响因素来预测航班延时状态，提高了航班延时预测的准确性。

Description

预测航班延时状态的数据处理系统

技术领域

本发明涉及计算机技术领域，尤其涉及一种预测航班延时状态的数据处理系统。

背景技术

近年来，航班运输量大幅增长，形成了繁忙和复杂的航班运输网络，时常由于多种原因素造成了大量的航班延时，即航班延误。对航班延时的有效预测可以给航空公司、机场及相关单位提供预警，为制定减缓航班延误措施赢得时间。航班延时的影响因素主要包括气象数据以及延时传导，延时传导是指航班延时不只是考虑该航班自身的因素以及直接相关的因素，还包括间接相关的因素，主要体现在该航班所在航班链上的之前航班的影响，比如前序航班因为某些因素延时，前序航班的延时会影响当前航班的起飞时间。但是，现有的预测航班延时的技术并未将延时传导因素考虑在内，因此，导致航班延时预测准确率低。

发明内容

本发明目的在于，提供一种预测航班延时状态的数据处理系统，提高了航班延时预测的准确性。

根据本发明一方面，提供了一种预测航班延时状态的数据处理系统，包括第一数据库、第二数据库、预测模型库、存储有计算机程序的存储器和处理器；所述第一数据库用于存储航班信息记录；所述第二数据库用于存储机场气象信息记录；所述预测模型库中用于存储预先训练好的第二预测模型、第三预测模型…第N预测模型，其中，第n预测模型用于预测第n预测航班id的延时状态，n的取值为2到N；

所述处理器执行所述计算机程序时，实现以下步骤：

步骤S1、实时获取计划起飞时间变更的航班id，将该航班id确定为当前需要预测的第一预测航班id，并获取所述第一预测航班id所在航班链上计划起飞时间晚于所述第一预测航班id的第二预测航班id、第三预测航班id…第M预测航班id，M大于等于2，所述航班链为预设周期内同一注册号对应的航班id按照计划起飞时间先后组成的航班id序列；

步骤S2、将M与N比较，若M小于等于N，则执行步骤S3，若M大于N，则执行步骤S4；

步骤S3、基于所述第一数据库和第二数据库分别构建第一预测航班id至第M预测航班id对应的预测特征数据，基于第一预测航班id至第m预测航班id对应的预测特征数据，拼接构建用于预测第m预测航班id延时状态的第m输入特征数据，将所述第m输入特征数据输入第m预测模型中，生成到第m预测航班id延时状态预测结果，m取值为2到M，结束流程；

步骤S4、基于所述第一数据库和第二数据库分别构建第一预测航班id至第N预测航班id对应的预测特征数据，基于第一预测航班id至第m预测航班id对应的预测特征数据，构建用于预测第m预测航班id延时状态的第m输入特征数据，将所述第m输入特征数据输入第m预测模型中，生成到第m预测航班id延时状态预测结果，m取值为2到N，基于历史数据预测第N+1预测航班id至第M预测航班id的延时状态。

本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明提供的一种预测航班延时状态的数据处理系统可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：

本发明能够将航班链上的延时传导因素作为影响因素来预测航班延时状态，提高了航班延时预测的准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。

附图说明

图1为本发明实施例提供的预测航班延时状态的数据处理系统示意图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的一种预测航班延时状态的数据处理系统的具体实施方式及其功效，详细说明如后。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。

本发实施例提供了一种预测航班延时状态的数据处理系统，如图1所示，包括第一数据库、第二数据库、预测模型库、存储有计算机程序的存储器和处理器；所述第一数据库用于存储航班信息记录；所述第二数据库用于存储机场气象信息记录；所述预测模型库中用于存储预先训练好的第二预测模型、第三预测模型…第N预测模型，其中，第n预测模型用于预测第n预测航班id的延时状态，n的取值为2到N；所述处理器执行所述计算机程序时，实现以下步骤：

步骤S1、实时获取计划起飞时间变更的航班id，将该航班id确定为当前需要预测的第一预测航班id，并获取所述第一预测航班id所在航班链上计划起飞时间晚于所述第一预测航班id的第二预测航班id、第三预测航班id…第M预测航班id，M大于等于2，所述航班链为预设周期内同一注册号对应的航班id按照计划起飞时间先后组成的航班id序列；

作为一种优选实施例，预测周期为一天，具体为一天内的0时到24时。

步骤S2、将M与N比较，若M小于等于N，则执行步骤S3，若M大于N，则执行步骤S4；

步骤S3、基于所述第一数据库和第二数据库分别构建第一预测航班id至第M预测航班id对应的预测特征数据，基于第一预测航班id至第m预测航班id对应的预测特征数据，拼接构建用于预测第m预测航班id延时状态的第m输入特征数据，将所述第m输入特征数据输入第m预测模型中，生成到第m预测航班id延时状态预测结果，m取值为2到M，结束流程；

步骤S4、基于所述第一数据库和第二数据库分别构建第一预测航班id至第N预测航班id对应的预测特征数据，基于第一预测航班id至第m预测航班id对应的预测特征数据，构建用于预测第m预测航班id延时状态的第m输入特征数据，将所述第m输入特征数据输入第m预测模型中，生成到第m预测航班id延时状态预测结果，m取值为2到N，基于历史数据预测第N+1预测航班id至第M预测航班id的延时状态。

需要说明的是，当第一预测航班id延时，对第一预测航班id后续N-1个以内航班的延时传导作用比较大，再后边的航班，由于间隔时间较长，中间不确定因素较多，延迟传导作用小，直接采用预测模型会导致预测不准确，因此，对第N预测航班id及之前的预测航班id可采用预设的预测模型来预测延时状态该，对第N+1预测航班id至第M预测航班id可以采用历史数据来预测延时状态。

本发明实施例能够将航班链上的延时传导因素作为影响因素来预测航班延时状态，提高了航班延时预测的准确性。

作为一种实施例，所述航班信息记录包括预测航班id、出发机场id、到达机场id、注册号、计划起飞时间、预计起飞时间、实际起飞时间和航班取消信息字段，计划起飞时间为最初计划的起飞时间，后续随着各种因素的影响，更新预计起飞时间，所述计划起飞时间的初始值和预计起飞时间的初始值相同，所述预计起飞时间动态更新，可以理解的是，实际起飞时间初始值为0，当航班实际起飞时，再在对应记录中更新对应的实际起飞时间字段。所述气象信息记录的字段包括机场id、气象类型、能见度、风速和更新时间字段，作为示例，气象信息可以每间隔一个小时更新上传一次，气象类型信息具体包括晴、暴雨、雪等。所述预测特征数据具体可包括预测航班id所对应的出发机场id的航班取消率、航班积压率以及航班延误率，气象数据特征，起飞时间特征，日期时间特征和航班链对应的第一预测航班id的延时时长标签，其中，起飞时间特征具体可包括第一预测航班id的预计起飞时间或实际起飞时间，第二预测航班id至第m预测航班id的计划起飞时间，可以理解的是，当第一预测航班id中的实际起飞时间不为0时，则起飞时间特征中对应的是第一预测航班id中的实际起飞时间，否则，对应为预计起飞时间。

为了提高延时状态的准确率，本发明实施例根据延时时间长短划分不同的延时等级，从而对应不同的延时状态，通过预测处于不同延时状态的概率，对航班延时进行预测，作为一种实施例，所述系统包括K个航班延时标签，第一标签表示航班延时W分钟以内的状态，第二标签表示航班延时W分钟至2*W分钟的状态…第K-1标签表示航班延时（K-1）*W至K*W分钟的状态，第K标签表示航班延时K*W分钟以上的状态。作为一种优选实施例，K可取值为7，W取值为30分钟，则可将航班延时在30分钟以下、30-60分钟、60-90分钟、90-120分钟、120-150分钟、150-180分钟以及180分钟以上分别用0至6的类别变量来表示，具体如表1所示。

作为一种实施例，所述步骤S3和步骤S4中，基于第一预测航班id至第m预测航班id对应的预测特征数据，拼接构建用于预测第m预测航班id延时状态的第m输入特征数据，可包括：

步骤S10、基于第一预测航班id至第m预测航班id对应的预测特征数据构建用于预测第n样本航班id延时状态的样本变量集

作为所述第m输入特征数据，其中，

分别表示第i预测航班id所对应的出发机场id的航班取消率、航班积压率以及航班延误率经离散分类化处理后的属性值，i的取值为1到m。以航班取消率为例，例如所有航班取消率范围在0-0.2之间，其中0.5分位点是0.05，0.75分位点是0.15，那就把航班取消率分成三类，取消率小于0.05时，取消率属性值为0，取消率是0.1时，令取消率属性值为1，取消率是0.17时，取消率属性值2，这样即可对航班取消率进行离散化，航班取消率、航班积压率也采用相同的方式离散化处理，在此不再赘述。

表示第一预测航班id延时时长标签变量、

表示第i预测航班id的气象数据特征属性值、

表示第一预测航班id的预计起飞时间或实际起飞时间以及第二预测航班id至第m预测航班id的计划起飞时间变量、

表示航班链对应的当前日期变量，航班链对应的当前日期变量具体包括对应周期所属的月份、季度和工作日/周末属性，工作日/周末属性具体为周几。

作为一种实施例，所述步骤S10包括：

步骤S101、获取第i预测航班id对应的出发机场id的延误概率：

所述第i预测航班id对应的出发机场id的延误概率为出发机场id在当前时间周期起点时刻到监测确定第一预测航班id的时刻的预测时间范围内，所涉及的航班分别处于延时W分钟至2*W分钟的状态…第K-1标签表示航班延时（K-1）*W至K*W分钟的状态，第K标签表示航班延时K*W分钟以上的状态的延误概率，Pik表示第i预测航班id对应的出发机场id在所述预测时间范围内航班延时对应第k航班延时标签的概率：

其中，

表示所述预测时间范围内第i预测航班id对应的出发机场id已经起飞的样本航班id延时时长对应第k航班延时标签的数量，

表示所述预测时间范围内第i预测航班id对应的出发机场id未起飞预测航班id当前预计起飞时刻与计划起飞时刻差值时长对应第k航班延时标签的数量，

表示所述预测时间范围内第i预测航班id对应的出发机场id原始计划起飞的航班数量，以周期为1天，从一天的0时到24时为例，所述预测时间范围为0时到监测确定第一预测航班id的时刻之间的时间段。

作为一种实施例，所述步骤S10包括：

步骤S102、获取第i预测航班id对应的出发机场id的航班取消率：

所述第i预测航班id对应的出发机场id的航班取消率包括出发机场id在当前时间周期起点时刻到监测确定第一预测航班id的时刻的预测时间范围内取消航班的概率Pix和监测确定第一样本航班id的时刻的前Q小时时间范围内消航班的概率Piy。

可以理解的是，Pix可以通过出发机场id在预测时间范围内取消航班的数量除以所述预测时间范围内出发机场id原始计划起飞的航班数量来计算得到；Piy可以通过出发机场id在监测确定第一样本航班id的时刻的前Q小时时间范围内消航班的数量除以所述预测时间范围内出发机场id原始计划起飞的航班数量来计算得到，作为一种优选示例，Q取值为1。航班积压率可以根据预测时间范围积压航班的数量除以所述预测时间范围内出发机场id原始计划起飞的航班数量来计算得到，预测时间范围积压航班的数量指的是原计划在所述预测时间范围内起飞但实际未起飞的航班数量。

作为一种实施例，所述步骤S10中，如果第一预测航班id为预设周期内对应出发机场的首发航班，则获取当前机场前Q小时的延时概率分布作为第一预测航班id延时概率分布，Q可取值为1。所述系统中可以实时存储历史延误分布概率，这样可直接从系统中获取当前机场前Q小时的延时概率分布，具体算法步骤S101中的算法相同，在此不再赘述。

作为一种实施例，所述步骤S10还包括：

步骤S13、获取航班id的气象数据特征，基于航班id的气象数据特征生成对应的航班id的气象数据特征属性值，具体包括：

步骤S113、获取航班id计划起飞时刻对应的气象类型描述信息，能见度信息和风速信息；

步骤S123、根据预设的气象类型编码映射表将气象类型描述信息转换为对应气象类型编码值

；

其中，气象类型编码映射表可包括7种气象类型信息，

的值为1到7，气象类型与编码值一一映射，且气象类型有大小关系。

步骤S133、根据预设的能见度编码映射表将能见度信息转换为对应的能见度编码值

；

其中，能见度编码映射表表示原始能见度数值与能见度编码值

的映射关系，

取值为0到2，且能见度之间有大小关系。

步骤S143、根据预设的风速编码映射表将风速信息转换为对应的风速编码值

；

其中，风速编码映射表用于表示原始风速值与风速编码值

的映射关系，

的取值为为0到2，且风速之间有大小关系。

步骤S153、基于气象特征综合编码

和预设的综合编码映射表获取气象特征综合编码值

；

根据气象类型、能见度及风速的编码综合组合成新的气象特征综合编码，

的值为0到2，综合编码间有大小关系。

步骤S163、基于航班id对应的

生成对应的航班id的气象数据特征属性值。

样本变量集涉及的特征取值如表2所示示例：

表2

作为一种实施例，所述系统还包括样本数据库，所述样本数据库用于训练得到第n预测模型，所述处理器执行所述计算机程序时，还实现以下步骤：

步骤S10、训练得到第n预测模型，n的取值为2到N，具体包括：

当n取不同数值时，第一预测航班id到第n预测航班id之间的航段数不同，第一预测航班id到第n预测航班id之间的航段数不同的每种情况下，建立对应的第n预测模型。

步骤S101、基于样本数据库构建样本航班id的预测特征数据；

步骤S102、基于第一样本航班id至第n样本航班id的预测特征数据拼接构建用于预测第n样本航班id延时状态的样本变量集；

步骤S103、将第n样本航班id延时状态的样本变量集作为因，将第n样本航班id对应的航班延时标签的实际分类概率值作为果，建立第n贝叶斯网络模型进行训练，得到第n预测模型。

预测模型可表示为：

上式

表示根据训练得到的贝叶斯模型预测的在条件X下的航班时频率。

需要说明的是，一般的机器学习方法对于离散变量只能进行分类预测，多维属性的概率推理实现较为困难，而贝叶斯网络能够基于先验条件构建变量与延误时长的条件依赖关系，推理得出条件概率下的延误时长的分布概率。因此，本发明实施例将航班id对应的的多维特征的属性值的组合视为航班id的先验条件，计算航班延时的条件概率。贝叶斯网络是一种对概率关系的有向图解描述，适用于表达和分析不确定性和概率性事物，应用于有条件地依赖多种控制因素的决策，可以从不完全、不确定的知识或信息中做出推理。可以理解的是，样本数据库中存储的用于构建样本航班id的数据与上述构建预测航班id预测特征数据一致，且构建对样本id的预测特征数据、样本变量集的方法也一样，在此不再赘述。基于训练得到的预测模型，采用

表示预测航班的延时时长，

表示延时时长在30分钟以下，

表示延时时长在30分钟-60分钟之间，以此类推。即推测在

先验信息下，延误类别的条件概率分布。从而计算

，得到航班延误的概率分布

，分别表示航班延误在30分钟以下、30-60分钟、60-90分钟、90-120分钟、120-150分钟、150-180分钟以及180分钟以上延误的概率值。

作为一种实施例，所述步骤S4中，所述基于历史数据预测第N+1预测航班id至第M预测航班id的延时状态，包括：

基于第z预测航班的出发机场id在计划起飞时刻对应的气象数据，统计历史数据中该出发机场id在同时段以及相同气象数据状况下的航班延误概率分布，作为第z预测航班的延误概率分布：

其中，

分别表示第z预测航班出发机场id在计划起飞时刻的气象类型描述信息、能见度信息和风速信息，

表示第z预测航班计划起飞时刻所处的时段，

表示根据历史数据统计得出的在条件X下的航班延时频率，z的取值为N+1到M。

所述系统还可包括显示单元，最终将一个或多个预测航班id作为目标航班id，并将目标航班id预测延时结果和部分基本信息进行显示，如下表3所示：

从表3可以得到，目标航班id延时时长在30分钟内的概率为73.65%。

本发明实施例提能够完整的考虑航班链式传导，对航班链上一个航班的变化而重新进行航班链上相关航班的延时状态的概率的预测。本发明实施例还采用模型和历史数据预测相结合的链式传导的不同延时状态下的概率的预测，这一结构针对较长的航班链上的预测具有通用性。此外，本发明实施例采用航班链的多类特征进行航班处于不同延时状态的概率预测，更全面的考虑了航班之间的相关关系。

本发明实施例通过贝叶斯网络或历史数据频率得出预测航班的延时状态概率分布后，由于一般预测回归模型评价采用均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）等指标评价模型效果。而本发明预测结果为概率分布，故可采用一阶矩评价模型预测效果，具体步骤如下：

步骤S21、遍历各段航班数据中以各特征作为组合条件的组合数量，当组合条件下的历史航班样本数大于1000个时，统计历史数据中这些特征属性值下的航班延时状态概率分布

，假设历史概率分布为实际概率分布。同时通过贝叶斯模型预测得到在先验条件下的航班延误概率分布

。

步骤S22、分别计算先验条件下的历史阶矩及预测阶矩如下:

取每个延时时长类别的中位数作为该类别的平均值，历史阶矩与预测阶矩的计算方法分别如下：

历史一阶矩：

预测一阶矩：

计算历史一阶矩与预测一阶矩的差值，作为预测模型的平均误差指标：

本发明实施例选取了一段时间内的的数据进行预测，分别计算了当预测航班为首发航班以及预测航班距离当前航班分别有1至7段航班时的历史阶矩与预测阶矩的差值如下表4所示，可看出，在不同的航段模型下，航班延时平均误差均保持在10分钟以下，显示了本发明实施例预测模型预测延时状态概率分布的准确度高。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种预测航班延时状态的数据处理系统，其特征在于，

包括第一数据库、第二数据库、预测模型库、存储有计算机程序的存储器和处理器；所述第一数据库用于存储航班信息记录；所述第二数据库用于存储机场气象信息记录；所述预测模型库中用于存储预先训练好的第二预测模型、第三预测模型…第N预测模型，其中，第n预测模型用于预测第n预测航班id的延时状态，n的取值为2到N；

所述处理器执行所述计算机程序时，实现以下步骤：

步骤S1、实时获取计划起飞时间变更的航班id，将该航班id确定为当前需要预测的第一预测航班id，并获取所述第一预测航班id所在航班链上计划起飞时间晚于所述第一预测航班id的第二预测航班id、第三预测航班id…第M预测航班id，M大于等于2，所述航班链为预设周期内同一注册号对应的航班id按照计划起飞时间先后组成的航班id序列；

步骤S2、将M与N比较，若M小于等于N，则执行步骤S3，若M大于N，则执行步骤S4；

步骤S3、基于所述第一数据库和第二数据库分别构建第一预测航班id至第M预测航班id对应的预测特征数据，基于第一预测航班id至第m预测航班id对应的预测特征数据，拼接构建用于预测第m预测航班id延时状态的第m输入特征数据，将所述第m输入特征数据输入第m预测模型中，生成到第m预测航班id延时状态预测结果，m取值为2到M，结束流程；

步骤S4、基于所述第一数据库和第二数据库分别构建第一预测航班id至第N预测航班id对应的预测特征数据，基于第一预测航班id至第m预测航班id对应的预测特征数据，构建用于预测第m预测航班id延时状态的第m输入特征数据，将所述第m输入特征数据输入第m预测模型中，生成到第m预测航班id延时状态预测结果，m取值为2到N，基于历史数据预测第N+1预测航班id至第M预测航班id的延时状态。

2.根据权利要求1所述的系统，其特征在于，

所述航班信息记录包括预测航班id、出发机场id、到达机场id、注册号、计划起飞时间、预计起飞时间、实际起飞时间和航班取消信息字段，所述计划起飞时间的初始值和预计起飞时间的初始值相同，所述预计起飞时间动态更新；所述气象信息记录的字段包括机场id、气象类型、能见度、风速和更新时间字段；所述预测特征数据包括预测航班id所对应的出发机场id的航班取消率、航班积压率以及航班延误率，气象数据特征，起飞时间特征，日期时间特征和航班链对应的第一预测航班id的延时时长标签。

3.根据权利要求2所述的系统，其特征在于，

所述系统包括K个航班延时标签，第一标签表示航班延时W分钟以内的状态，第二标签表示航班延时W分钟至2*W分钟的状态…第K-1标签表示航班延时（K-1）*W至K*W分钟的状态，第K标签表示航班延时K*W分钟以上的状态。

4.根据权利要求3所述的系统，其特征在于，

所述步骤S3和步骤S4中，基于第一预测航班id至第m预测航班id对应的预测特征数据，拼接构建用于预测第m预测航班id延时状态的第m输入特征数据，包括：

步骤S10、基于第一预测航班id至第m预测航班id对应的预测特征数据构建用于预测第n样本航班id延时状态的样本变量集

作为所述第m输入特征数据，其中，

分别表示第i预测航班id所对应的出发机场id的航班取消率、航班积压率以及航班延误率经离散分类化处理后的属性值，i的取值为1到m，

表示第一预测航班id延时时长标签变量、

表示第i预测航班id的气象数据特征属性值、

表示第一预测航班id的预计起飞时间或实际起飞时间以及第二预测航班id至第m预测航班id的计划起飞时间变量、

表示航班链对应的当前日期变量。

5.根据权利要求4所述的系统，其特征在于，

所述步骤S10包括：

步骤S101、获取第i预测航班id对应的出发机场id的延误概率：

所述第i预测航班id对应的出发机场id的延误概率为出发机场id在当前时间周期起点时刻到监测确定第一预测航班id的时刻的预测时间范围内，所涉及的航班分别处于延时W分钟至2*W分钟的状态…第K-1标签表示航班延时（K-1）*W至K*W分钟的状态，第K标签表示航班延时K*W分钟以上的状态的延误概率，Pik表示第i预测航班id对应的出发机场id在所述预测时间范围内航班延时对应第k航班延时标签的概率：

其中，

表示所述预测时间范围内第i预测航班id对应的出发机场id已经起飞的样本航班id延时时长对应第k航班延时标签的数量，

表示所述预测时间范围内第i预测航班id对应的出发机场id未起飞预测航班id当前预计起飞时刻与计划起飞时刻差值时长对应第k航班延时标签的数量，

表示所述预测时间范围内第i预测航班id对应的出发机场id原始计划起飞的航班数量。

6.根据权利要求4所述的系统，其特征在于，

所述步骤S10包括：

步骤S102、获取第i预测航班id对应的出发机场id的航班取消率：

所述第i预测航班id对应的出发机场id的航班取消率包括出发机场id在当前时间周期起点时刻到监测确定第一预测航班id的时刻的预测时间范围内取消航班的概率Pix和监测确定第一样本航班id的时刻的前Q小时时间范围内消航班的概率Piy。

7.根据权利要求4所述的系统，其特征在于，

所述步骤S10中，如果第一预测航班id为预设周期内对应出发机场的首发航班，则获取当前机场前Q小时的延时概率分布作为第一预测航班id延时概率分布。

8.根据权利要求4所述的系统，其特征在于，

所述步骤S10还包括：

步骤S13、获取航班id的气象数据特征，基于航班id的气象数据特征生成对应的航班id的气象数据特征属性值，具体包括：

步骤S113、获取航班id计划起飞时刻对应的气象类型描述信息，能见度信息和风速信息；

步骤S123、根据预设的气象类型编码映射表将气象类型描述信息转换为对应气象类型编码值

；

步骤S133、根据预设的能见度编码映射表将能见度信息转换为对应的能见度编码值

；

步骤S143、根据预设的风速编码映射表将风速信息转换为对应的风速编码值

；

步骤S153、基于气象特征综合编码

和预设的综合编码映射表获取气象特征综合编码值

；

步骤S163、基于航班id对应的

生成对应的航班id的气象数据特征属性值。

9.根据权利要求4所述的系统，其特征在于，

所述系统还包括样本数据库，所述处理器执行所述计算机程序时，还实现以下步骤：

步骤S10、训练得到第n预测模型，n的取值为2到N，具体包括：

步骤S101、基于样本数据库构建样本航班id的预测特征数据；

步骤S102、基于第一样本航班id至第n样本航班id的预测特征数据拼接构建用于预测第n样本航班id延时状态的样本变量集；

步骤S103、将第n样本航班id延时状态的样本变量集作为因，将第n样本航班id对应的航班延时标签的实际分类概率值作为果，建立第n贝叶斯网络模型进行训练，得到第n预测模型。

10.根据权利要求1所述的系统，其特征在于，

所述步骤S4中，所述基于历史数据预测第N+1预测航班id至第M预测航班id的延时状态，包括：

基于第z预测航班的出发机场id在计划起飞时刻对应的气象数据，统计历史数据中该出发机场id在同时段以及相同气象数据状况下的航班延误概率分布，作为第z预测航班的延误概率分布：

其中 ，

分别表示第z预测航班出发机场id在计划起飞时刻的气象类型描述信息、能见度信息和风速信息，

表示第z预测航班计划起飞时刻所处的时段，

表示根据历史数据统计得出的在条件X下的航班延时频率，z的取值为N+1到M。

Images