基于深度全连接神经网络的离港航班延误预测模型

针对提升离港航班延误预测精确度困难的问题,提出一种基于深度全连接神经网络(DFCNN)的离港航班延误预测模型。首先,在考虑航班信息、机场气象与航班延误历史的基础上,考虑航班网络结构对预测模型的影响;然后,从激活函数、输入数据项及延误时间阈值三个维度进行实验,以对模型抑制梯度弥散与提升学习表现能力的能力进行了优化与验证;最后,通过调控神经网络层数的纵向拓展方式与随机丢失层的Dropout参数,提升模型的泛化能力。实验结果表明:所提模型使用tanh、指数线性函数(ELU),预测精确度比使用线性整流函数(ReLU)分别提升了1.26、1.28个百分点;考虑航班网络结构后,所提模型采用ELU函数计算时,预测精确度比未考虑航班网络结构时提升了3.12个百分点;在时间阈值为60 min时,通过调控Dropout参数,模型的损失值不断降低;在5层隐含层网络和Dropout参数为0.3时,所提模型可以取得92.39%的预测精确度。因此,所提模型能够对国内航班延误做出较为准确的判断。

离港航班延误成本研究

针对离港航班延误造成的延误成本进行计算,对延误航班费用损失确定具有一定的参考价值。文章分析航空器离场过程与航班延误成本的产生,讨论离场过程中航班延误成本的构成;以离港延误航班为研究对象,分析了航班类型与机型的差别,针对客座率受不同机型影响加以考虑,构建离港航班延误成本的计算模型;最后给出离港延误航班的成本计算公式。