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%。

基于混合编码和长短时记忆网络的机场延误预测方法

为充分利用机场延误状态信息的时间相关性,提高机场延误预测精度,提出一种基于混合编码和长短时记忆网络(Long Short Term Memory,LSTM)的机场延误预测方法。该方法首先将机场信息、航班信息和气象信息进行数据预处理,得到机场延误数据;然后,利用LSTM网络对机场延误数据进行特征提取;最后,构建Softmax分类器对机场延误分类预测。实验结果表明,本文基于机场延误数据在数据预处理阶段提出的混合编码方法,可使预测准确率提高约5%。同时,利用LSTM网络来提取数据的时间相关特征信息,网络模型的预测准确率最终可达94.01%。并且利用不同机场数据对网络的普适性分析结果表明,该算法更适合于原始数据量大的中大型枢纽机场。

基于简化WITI指标的机场延误预测方法

为实现在战略或预战术阶段对恶劣天气条件下的机场延误进行有效预测,本文引入简化的天气影响交通指标(WITI),采用灰色关联分析的方法,验证该指标与机场延误之间的关联性,再分别以WITI指标和传统指标构建多元线性回归模型和BP神经网络预测模型,对广州白云国际机场(ZGGG)和深圳宝安国际机场(ZGSZ)的离场延误进行预测.结果显示,WITI指标与机场离场延误之间的关联度明显高于传统指标,基于WITI指标比基于传统指标构建的多元线性回归模型,在预测准确度上高出14.09%(ZGGG)和9.79%(ZGSZ),同样在BP神经网络模型中则高出8.00%(ZGGG)和6.41%(ZGSZ),由此认为WITI指标在机场延误预测中具有更好的应用效果.

基于气象因素的机场进离港延误预测

针对机场延误预测过程中难以提取延误传播时空特征、预测结果受天气扰动大的问题,提出了基于气象因素的时空图卷积网络(meteorology-based spatio-temporal graph convolutional networks, MSTGCN)机场延误预测模型。该模型使用图卷积神经网络(graph convolutional neural network, GCNN)与门控卷积神经网络(gated convolutional neural network, Gated CNN)挖掘机场延误的时空特征,同时加入气象特征提取模块对机场延误时间进行预测。实验结果表明,该模型在中短时预测上的表现均优于其他对比模型;相较于不考虑气象因素的模型,MSTGCN对未来1 h、4 h和12 h预测的平均绝对误差分别降低了7.03%,7.93%,11.54%,对预测结果起到了极大的修正作用。

基于ST-LightGBM的机场离港航班延误预测

机场间的延误时空关系复杂,多数研究只聚焦于时间维相关性,导致延误预测精度不高.提出一种融合多机场时空相关性的ST-LightGBM模型预测机场离港航班延误.首先,构建多机场延误时空图数据;然后,通过图卷积神经网络提取延误信息空间特征,同时长短时记忆网络对机场各节点延误时间序列进行时间特征提取,形成具有时空相关性的二维特征向量;最后,将时空维特征向量输入LightGBM实现机场离港航班延误数量预测,在训练过程中引入贝叶斯优化算法进行参数寻优.结合真实数据实验,对中国枢纽机场延误数据进行时空维度关系提取并预测.结果表明,本文模型相比于其他基准模型具有较好的预测准确性.

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。