CN113657671A - 一种基于集成学习的航班延误预测方法 - Google Patents

一种基于集成学习的航班延误预测方法 Download PDF

Info

Publication number
CN113657671A
CN113657671A CN202110947624.4A CN202110947624A CN113657671A CN 113657671 A CN113657671 A CN 113657671A CN 202110947624 A CN202110947624 A CN 202110947624A CN 113657671 A CN113657671 A CN 113657671A
Authority
CN
China
Prior art keywords
flight
delay
attribute
airport
method based
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110947624.4A
Other languages
English (en)
Other versions
CN113657671B (zh
Inventor
于滨
方轲
陈鹏飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202110947624.4A priority Critical patent/CN113657671B/zh
Publication of CN113657671A publication Critical patent/CN113657671A/zh
Application granted granted Critical
Publication of CN113657671B publication Critical patent/CN113657671B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于集成学习的航班延误预测方法，包括步骤S1：获取目标航班相关的航空公司属性、航班属性、执行班机属性、紧前航班的延误信息、起飞机场及航站信息，并对所获数据进行预处理；S2：根据预处理后信息提取多维解释变量并计算航班延误；S3：采用聚类算法设置延误分类规则；S4：依照航班延误时长设置延误等级标签；S5：基于集成学习算法模型并训练数据；S6:利用航班的多维特征预测目标航班的延误情况。本发明提供的一种基于轻量级梯度提升机的航班起飞延误预测方法，能够显著提升训练效率、降低内存消耗并且可以获取更高的准确率。

Description

一种基于集成学习的航班延误预测方法
技术领域
本发明涉及航空管理领域，具体涉及一种基于集成学习的航班延误预测方法。
背景技术
在航空运输系统中，对航班起飞延误进行合理准确的预测是十分必要的。旅客如果能够提前获取航班起飞信息就可以有效安排行程，减少不必要的等待时间以及等待过程中的焦虑。同时，对机场而言，航班起飞延误预测提供短时间内机场的状态，机场可根据预测结果更高效安排相关设施如摆渡车和登机桥廊的调配，减少不必要的设备占用。因此，需要高质量的航班起飞延误预测模型，为乘客和机场提供准确的航班起飞信息。
航班延误预测问题近十年受到大量学者关注。对该问题的拓展可以分为两方面：就解释变量角度而言，现有研究中，Pfeil and Balakrishnan考虑天气因素；Rebollo andBalakrishnan的研究中考虑季节性的影响；Du考虑了延迟的传递；Mayer and Sinai考虑了空中交通管制。就模型算法角度而言，Balakrishna等人使用马尔可夫决策过程建模，采用了一种机器学习算法预测航班滑行时间的延误；Khanmohammadi等人基于模糊推理系统提出了一种自适应网络来预测航班延误；Diana测试并比较了多种机器学习方法(回归、支持向量回归以及集成算法)在预测航班延误的性能。
根据对以上文献的研究可以发现，较长时间段内保持不变的因素(如季节、空中管制)在航班延误预测中广泛使用，而实际上航班所面临的环境具有高度时变性，这些因素可能与实时的航班延误没有直接关系，很难实现高准确率的预测。对于高性能的航班延误预测，需要挖掘更细粒度的数据。同时，机场属性(如拥挤程度)很少被考虑。此外，现有机器学习算法，如神经网络等都可以批量的方式训练，训练数据的大小不会受到内存限制，但是需要反复读写训练数据，会消耗非常大的时间。尤其在面对海量数据的场景下，预测效率较低，求解速度慢，很难满足高实时性的需求。
发明内容
本发明的目的在于提供一种基于集成学习的航班延误预测方法，其能够显著提升训练效率、降低内存消耗并且可以获取更高的准确率。
为实现上述目的，本发明提供如下技术方案：
一种基于集成学习的航班延误预测方法，包括以下步骤：
S1：获取目标航班相关的航空公司属性、航班属性、执行班机属性、紧前航班的延误信息、起飞机场及航站属性，并对所获数据进行预处理；
S2：根据预处理后信息提取多维解释变量并计算航班延误；
S3：采用聚类算法设置延误分类规则；
S4：依照航班延误时长设置延误等级标签；
S5：构建基于集成学习算法的模型并训练数据；
S6：利用航班的多维特征预测目标航班的延误情况。
优选地，所述S1步骤中，预处理步骤包括对异常数据进行剔除，对具有少量特征缺失的数据进行补全，对班机、航班、航线、机场、航站进行编码，特征数值化。
优选地，所述S2步骤中，提取多维解释变量可分为：
航空公司属性：航线所属基地机场编号、航线规模；
航班属性：是否为国际航班(二值变量)、是否经停(二值变量)、是否经停、预计周转时间、旅客数量、航站楼编号、历史平均延误；
班机属性：容量、最小周转时间；
紧前航班属性：延误、飞行间隔；
机场属性：机场航班密度、机场旅客密度；
航站属性：准点率。
优选地，所述S3步骤进一步包括以下步骤：
S3(1)：选取带有K个集群的初始分区；
S3(2)：将样本点按照样本点与聚类中心的距离分配到最近的聚类中心，生成新的分区；
S3(3)：更新集群中心；
S3(4)：迭代步骤S3(2)和S3(3)，当集群离散度最小时聚类算法收敛。
优选地，所述集群数量K由肘部法确定。
优选地，单个集群离散度表达式为：
Figure BDA0003217353710000031
总集群离散度表达式为：
Figure BDA0003217353710000032
优选地，所述S5步骤中提供的集成学习算法为轻量级梯度提升机(LightGBM)。
优选地，所述轻量级梯度提升机包括单边梯度抽样(GOSS)算法、直方图算法以及互斥特征捆绑(EFB)算法。
其中，所述GOSS算法包括步骤：
S5(1)：根据样本的梯度绝对值按照降序排列对应的样本；
S5(2)：提取排序后的前a×100％样本生成子集A；
S5(3)：在剩下的(1-a)×100％样本中随机采样b×100％样本，产生一组具有小梯度的样本集B；
S5(4)：合并样本集A和样本集B；
S5(5)：计算增益时，使用权重放大样本集B中样本的梯度；
S5(6)：使用以上步骤学习一个新的弱学习机，并重复直到满足迭代终止条件。
其中，a和b分别为大梯度样本和小梯度样本的采样率，迭代终止条件为：实际迭代次数大于最大迭代次数。
所述直方图算法包括步骤：
S5(7)：将连续型特征值放入箱子(bin)中构建直方图；
S5(8)：基于特征直方图寻找最佳分类点。
其中，所构建的直方图储存每个箱子(bin)样本中的梯度之和以及样本总数；基于特征直方图寻找最佳分类点可以由直方图做差加速，具体步骤为：通过父亲节点和兄弟节点的直方图做差获取当前叶子节点的直方图。
所述EFB算法包括步骤：
S5(9)：构建一个加权无向图，使用特征间的冲突值表示权重；
S5(10)：计算每个特征顶点的度，按照度对特征节点降序排列；
S5(11)：遍历列表中的每个特征，依次将特征分配给具有最小冲突的现有捆绑集合(bundle)，或创建新的捆绑集合。
与现有技术相比，本发明的有益效果是：
1、特征方面，本发明排除粗粒度特征如季节和空中管制对起飞延误实时预测的影响，考虑与延误同样具有高度时变性的机场自身属性，能更准确地区别航班所处的不同场景，从而提高预测模型的准确率。
2、算法方面，本发明通过结合单边梯度抽样(GOSS)算法、直方图算法以及互斥特征捆绑(EFB)算法的优势，能够生成具有高效训练数据能力的集成系统。将该集成系统作为航班起飞延误预测模型，可以大幅提高预测效率和准确性。
附图说明
图1为本发明的预测方法流程图
图2为本发明实例中肘部法确定最佳分类数结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明公开了一种基于集成学习的航班起飞延误预测方法，该方法包括如下步骤：
S1：获取目标航班相关的航空公司属性、航班属性、执行班机属性、紧前航班的延误信息、起飞机场及航站属性，并对所获数据进行预处理。
本发明获取国内某大型枢纽机场提供的航空公司属性、航班属性、执行班机属性、紧前航班的延误信息、起飞机场及航站信息构建数据集，数据集中每条数据记录一班航班的全部相关信息，包含字符型(如航站楼)以及整型数据(如机场容量)。该数据集共包括约20000个国内定期航班以及约6000个国际定期航班。根据k近邻算法找出异常数据并根据每条航班数据中的异常特征值数量进行数据清洗，具体为：对于具有少量异常特征值的数据使用EM算法进行填补，对于具有较多异常特征值的数据进行删除。对班机、航班、航线、机场、航站等字符型变量进行编码。时间相关的变量如延误时间转化为分钟为单位的浮点型变量。
S2：根据预处理后信息提取多维解释变量并计算航班延误。
从预处理后的数据集提取信息构建航班延误样式Di＝{xi1,xi2,...,xid,yi}，其中xi1,xi2,...,xid分别表示航班i所属基地机场、航线规模、是否为国际航班(0-1变量)、是否经停(0-1变量)、预计周转时间、旅客数量、航站楼、历史平均延误、班机容量、最小周转时间、紧前航班延误、飞行间隔、机场航班密度、机场旅客密度等信息(如表1所示)；yi表示航班i的延误时间。
表1
Figure BDA0003217353710000051
S3：采用聚类算法设置延误分类规则，该步骤具体步骤如下：
S3(1)：使用肘部法确定最优集群数K见附图图2，选取带有K个集群的初始分区；
S3(2)：将样本点按照样本点与聚类中心的距离分配到最近的聚类中心，生成新的分区；
S3(3)：更新集群中心；
S3(4)：迭代步骤S3(2)和S3(3)，使用方差和代表集群离散度，单个集群离散度表达式为：
Figure BDA0003217353710000061
总集群离散度表达式为：
Figure BDA0003217353710000062
当总集群离散度最小时聚类算法收敛，聚类结果见表2。
表2
集群 集群中心(min)
1 43.57
2 135.82
3 271.86
4 500.20
S4：依照航班延误时长设置延误等级标签。
S5：构建基于集成学习算法的模型并训练数据。
构建集成包括单边梯度抽样(GOSS)算法、直方图算法以及互斥特征捆绑(EFB)算法的轻量级梯度提升机。通过网格搜索算法寻找最优参数见表3
表3
决策树数量 学习率 叶子节点数
300 0.01 15
构建的GOSS算法包括步骤：
根据样本的梯度绝对值按照降序排列对应的样本，其次提取排序后的前a×100％样本生成子集A，然后在剩下的(1-a)×100％样本中随机采样b×100％样本，产生一组具有小梯度的样本集B，将样本集A和样本集B进行合并，在计算增益时，使用权重
Figure BDA0003217353710000071
放大样本集B中样本的梯度，使得训练不足的实例在尽可能少地改变原数据集分布的情况下得到关注；以上步骤建立了一个新的弱学习机，迭代这个学习机直到满足迭代终止条件。其中，a和b分别为大梯度样本和小梯度样本的采样率，迭代终止条件为：实际迭代次数大于最大迭代次数。
构建的直方图算法包括步骤：
首先将连续型特征值放入箱子(bin)中构建直方图，计算每个箱子(bin)样本中的梯度之和以及样本总数，基于特征直方图寻找最佳分类点。通过当前叶子节点的父亲节点和兄弟节点的直方图做差获取当前叶子的直方图，加速寻找效率。
构建的EFB算法包括步骤：
首先构建一个加权无向图，使用特征间的冲突值表示权重，其次计算每个特征顶点的度，按照度对特征节点降序排列，然后遍历列表中的每个特征，依次将特征分配给具有最小冲突的现有捆绑集合(bundle)，或创建新的捆绑集合。
S6：利用航班的多维特征预测目标航班的延误情况。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种基于集成学习的航班延误预测方法，其特征在于，包括以下步骤：
S1：获取目标航班相关的航空公司属性、航班属性、执行班机属性、紧前航班的延误信息、起飞机场及航站属性，并对所获数据进行预处理；
S2：根据预处理后信息提取多维解释变量并计算航班延误；
S3：采用聚类算法设置延误分类规则；
S4：依照航班延误时长设置延误等级标签；
S5：构建基于集成学习算法的模型并训练数据；
S6：利用航班的多维特征预测目标航班的延误情况。
2.根据权利要求1所述的一种基于集成学习的航班延误预测方法，其特征在于：所述S1步骤中，预处理步骤包括对异常数据进行剔除，对具有少量特征缺失的数据进行补全，对班机、航班、航线、机场、航站进行编码，特征数值化。
3.根据权利要求1所述的一种基于集成学习的航班延误预测方法，其特征在于，所述S2步骤中，提取多维解释变量可分为：
航空公司属性：航线所属基地机场编号、航线规模；
航班属性：是否为国际航班、是否经停、预计周转时间、旅客数量、航站楼编号、历史平均延误；
班机属性：容量、最小周转时间；
紧前航班属性：延误、飞行间隔；
机场属性：机场航班密度、机场旅客密度；
航站属性：准点率。
4.根据权利要求1所述的一种基于集成学习的航班延误预测方法，其特征在于，所述S3步骤进一步包括以下步骤：
S3(1)：选取带有K个集群的初始分区；
S3(2)：将样本点按照样本点与聚类中心的距离分配到最近的聚类中心，生成新的分区；
S3(3)：更新集群中心；
S3(4)：迭代步骤S3(2)和S3(3)，当集群离散度最小时聚类算法收敛。
5.根据权利要求4所述的一种基于集成学习的航班延误预测方法，其特征在于：所述集群数量K由肘部法确定。
6.根据权利要求4所述的一种基于集成学习的航班延误预测方法，其特征在于：单个集群离散度表达式为：
Figure FDA0003217353700000021
总集群离散度表达式为：
Figure FDA0003217353700000022
7.根据权利要求1所述的一种基于集成学习的航班延误预测方法，其特征在于：所述S5步骤中提供的集成学习算法为轻量级梯度提升机。
8.根据权利要求7所述的一种基于集成学习的航班延误预测方法，其特征在于：所述轻量级梯度提升机包括单边梯度抽样算法、直方图算法以及互斥特征捆绑算法。
CN202110947624.4A 2021-08-18 2021-08-18 一种基于集成学习的航班延误预测方法 Active CN113657671B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110947624.4A CN113657671B (zh) 2021-08-18 2021-08-18 一种基于集成学习的航班延误预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110947624.4A CN113657671B (zh) 2021-08-18 2021-08-18 一种基于集成学习的航班延误预测方法

Publications (2)

Publication Number Publication Date
CN113657671A true CN113657671A (zh) 2021-11-16
CN113657671B CN113657671B (zh) 2024-02-09

Family

ID=78480851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110947624.4A Active CN113657671B (zh) 2021-08-18 2021-08-18 一种基于集成学习的航班延误预测方法

Country Status (1)

Country Link
CN (1) CN113657671B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254840A (zh) * 2022-03-02 2022-03-29 中航信移动科技有限公司 一种数据处理方法、电子设备及存储介质
CN114444377A (zh) * 2021-12-24 2022-05-06 北京理工大学 一种基于梯度提升机的多地面测距仪选站方法
CN115310732A (zh) * 2022-10-12 2022-11-08 珠海翔翼航空技术有限公司 航班延误预测方法及系统
CN115640878A (zh) * 2022-09-30 2023-01-24 南京航空航天大学 用于机场航班时刻优化的树型防火墙容量配置方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1632892A2 (en) * 1999-12-22 2006-03-08 Rlm Software, Inc. System and method for estimating aircraft flight delay
CN102867223A (zh) * 2012-08-27 2013-01-09 合肥飞友网络科技有限公司 机场流量指数预估方法
CN104835009A (zh) * 2015-05-11 2015-08-12 中国民用航空总局第二研究所 一种航班监测与控制系统及其监测与控制方法
CN109492334A (zh) * 2018-12-11 2019-03-19 青岛心中有数科技有限公司 航班延误的模型建立方法、预测方法及装置
CN110503245A (zh) * 2019-07-30 2019-11-26 南京航空航天大学 一种机场航班大面积延误风险的预测方法
CN110533220A (zh) * 2019-07-29 2019-12-03 南京航空航天大学 一种数据驱动的机场离港延误分布挖掘方法
WO2020040880A1 (en) * 2018-08-23 2020-02-27 Microsoft Technology Licensing, Llc Efficient configuration selection for automated machine learning
CN111161566A (zh) * 2019-12-30 2020-05-15 携程旅游网络技术（上海）有限公司 航班延误预警方法、系统、电子设备和介质
CN111985685A (zh) * 2020-07-14 2020-11-24 中国民用航空总局第二研究所 基于大数据分析的航班计划优化方法、装置及电子设备
US20210005090A1 (en) * 2019-04-15 2021-01-07 Beihang University Method and apparatus for predicting flight delay, device and storage medium
CN112232535A (zh) * 2020-09-18 2021-01-15 南京航空航天大学 一种基于监督学习的航班离场平均延误预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1632892A2 (en) * 1999-12-22 2006-03-08 Rlm Software, Inc. System and method for estimating aircraft flight delay
CN102867223A (zh) * 2012-08-27 2013-01-09 合肥飞友网络科技有限公司 机场流量指数预估方法
CN104835009A (zh) * 2015-05-11 2015-08-12 中国民用航空总局第二研究所 一种航班监测与控制系统及其监测与控制方法
WO2020040880A1 (en) * 2018-08-23 2020-02-27 Microsoft Technology Licensing, Llc Efficient configuration selection for automated machine learning
CN109492334A (zh) * 2018-12-11 2019-03-19 青岛心中有数科技有限公司 航班延误的模型建立方法、预测方法及装置
US20210005090A1 (en) * 2019-04-15 2021-01-07 Beihang University Method and apparatus for predicting flight delay, device and storage medium
CN110533220A (zh) * 2019-07-29 2019-12-03 南京航空航天大学 一种数据驱动的机场离港延误分布挖掘方法
CN110503245A (zh) * 2019-07-30 2019-11-26 南京航空航天大学 一种机场航班大面积延误风险的预测方法
CN111161566A (zh) * 2019-12-30 2020-05-15 携程旅游网络技术（上海）有限公司 航班延误预警方法、系统、电子设备和介质
CN111985685A (zh) * 2020-07-14 2020-11-24 中国民用航空总局第二研究所 基于大数据分析的航班计划优化方法、装置及电子设备
CN112232535A (zh) * 2020-09-18 2021-01-15 南京航空航天大学 一种基于监督学习的航班离场平均延误预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BIN YU等: "Flight delay prediction for commercial air transport: A deep learning approach", TRANSPORTATION RESEARCH PART E: LOGISTICS AND TRANSPORTATION REVIEW, vol. 125 *
孟会芳;彭怡;: "一种两阶段的航班延误模式提取方法", 哈尔滨工业大学学报, no. 10 *
宋捷;杨磊;胡明华;赵征;: "基于深度学习的航班起降延误预测方法", 航空计算技术, no. 03, pages 31 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444377A (zh) * 2021-12-24 2022-05-06 北京理工大学 一种基于梯度提升机的多地面测距仪选站方法
CN114254840A (zh) * 2022-03-02 2022-03-29 中航信移动科技有限公司 一种数据处理方法、电子设备及存储介质
CN114254840B (zh) * 2022-03-02 2022-06-03 中航信移动科技有限公司 一种数据处理方法、电子设备及存储介质
CN115640878A (zh) * 2022-09-30 2023-01-24 南京航空航天大学 用于机场航班时刻优化的树型防火墙容量配置方法
CN115310732A (zh) * 2022-10-12 2022-11-08 珠海翔翼航空技术有限公司 航班延误预测方法及系统

Also Published As

Publication number Publication date
CN113657671B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN113657671B (zh) 一种基于集成学习的航班延误预测方法
Sun et al. A machine learning method for predicting driving range of battery electric vehicles
CN109191922B (zh) 一种大规模四维航迹动态预测方法及装置
CN110503245B (zh) 一种机场航班大面积延误风险的预测方法
CN110188919A (zh) 一种基于长短期记忆网络的负荷预测方法
CN113096388A (zh) 一种基于梯度提升决策树的短时交通流量预测方法
CN104992244A (zh) 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法
CN110443448B (zh) 一种基于双向lstm的飞机机位分类预测方法和系统
CN114943356B (zh) 一种机场到港旅客乘坐出租车短时需求集成预测方法
CN114664122B (zh) 一种考虑高空风不确定性的冲突最小化航迹规划方法
Zhang et al. An interpretable station delay prediction model based on graph community neural network and time-series fuzzy decision tree
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
CN111415049A (zh) 一种基于神经网络及聚类的停电敏感性分析方法
Wu et al. An improved svm model for flight delay prediction
CN106709680A (zh) 基于历史搜索信息的动态物流最佳配送线路的优化方法
Liang et al. An improved adaptive parallel genetic algorithm for the airport gate assignment problem
CN115115278A (zh) 一种离场航班推出速率动态自适应决策方法
CN116956757A (zh) 出港航班滑行时间预测方法、电子设备和存储介质
CN114117903B (zh) 一种基于bp神经网络的轨道交通短时客流预测方法
CN110751359A (zh) 一种自动化航线网络评估方法、电子设备及存储介质
CN112926809B (zh) 一种基于聚类和改进的xgboost的航班流量预测方法及系统
Li et al. A delay prediction model for high-speed railway: an extreme learning machine tuned via particle swarm optimization
CN108171367A (zh) 一种公交车服务水平可靠性预测方法
CN117035060A (zh) 一种基于cc-midnn的飞机到港时间预测方法
CN112101780A (zh) 结构熵权法的机场场面运行综合评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant