基于区域残差和LSTM网络的机场延误预测模型

针对目前民航运输业对机场延误预测高精度的要求,提出一种基于区域残差和长短时记忆(RR-LSTM)网络的机场延误预测模型。首先,将机场的属性信息、气象信息和相关运行航班信息进行融合;然后,利用RR-LSTM网络对融合后的机场数据集进行特征提取;最后,构建Softmax分类器对机场延误分类预测。所提RR-LSTM网络模型既能有效提取机场延误数据的时间相关性,又能避免深层LSTM网络的梯度消失问题。实验结果表明,RR-LSTM网络模型预测准确率可达95.52%,取得了比传统网络模型更好的预测效果。其中,融合机场的气象信息和相关运行航班信息后,预测准确率可提高约11%。

基于Skip-LSTM的机场群延误预测模型

针对目前机场群发展不平衡,国际枢纽机场的延误率居高不下,航班时刻短缺,资源紧张,而区域枢纽机场却存在资源空闲的问题,提出一种基于跳过门的长短时记忆网络(Skip-LSTM,Skip Long Short Term Memory)的机场群延误预测模型。该模型首先将机场群中各个机场的信息,机场群航班信息以及机场群地区的气象信息进行融合及处理,然后搭建Skip-LSTM网络对融合后的数据信息进行特征提取,最后利用Softmax分类器对机场群的延误状况进行分类预测。Skip-LSTM网络在传统的长短时记忆网络(LSTM,Long Short Term Memory)的基础上增加了Skip门,能更加充分地提取机场群数据信息的时间相关性,获得更高的准确率。实验结果表明,基于Skip-LSTM的机场群延误预测模型的准确率可达95.35%,预测性能优于传统的网络模型,能对机场群的延误状况进行有效的预测。