一种基于区域残差和LSTM网络的机场延误预测方法技术

本发明专利技术提供了一种基于区域残差和LSTM网络的机场延误预测方法，包括步骤如下：数据预处理：对机场数据、航班数据和气象数据融合后，进行编码；将预处理数据输入到区域残差网络，对数据的空间特征进行更深层次的提取，同时保留数据的时序关系；然后输入到单向池化层，进行数据维度的转换；将特征矩阵输入到LSTM网络，提取数据在时间维度上的依赖关系，得到最终的特征矩阵；将最终的特征矩阵输入到全连接层转换为一维矩阵，并利用分类器对一维特征矩阵进行分类，得到机场延误预测的分类结果。本发明专利技术所述的基于区域残差和LSTM网络的机场延误预测方法，充分的提取了机场数据、航班数据和气象数据的空间特征和时间特征，得到了更高的预测准确率。

【技术实现步骤摘要】
一种基于区域残差和LSTM网络的机场延误预测方法
本专利技术属于大数据以及深度学习
，尤其是涉及一种基于区域残差和LSTM网络的机场延误预测方法。
技术介绍
随着国民经济和航空运输业的迅猛发展，大数据智能时代的来临，深度学习在诸多领域取得了突破性的进展。学者们试图运用循环神经网络的时间特性来预测机场的延误状况。针对机场延误的预测问题，国内外的相关学者已经开展了一些研究。文献“DEUTSCHMANNA,Predictionofairportdelaysbasedonnon-linearconsiderationsofairportsystems[C]//The28thInterationalCongressoftheAeronauticalSciences2012:1-5”中提出了基于边界条件的机场延误预测方法。文献“MUKHERJEEA,GRABBES,SRIDHARB.Predictinggrounddelayprogramatanairportbasedonmeteorologicalconditions[C].The14thAIAAAviationTechnology,T本文档来自技高网...

【技术保护点】
1.一种基于区域残差和LSTM网络的机场延误预测方法，其特征在于：包括如下步骤：1)数据预处理：融合机场数据、航班数据和气象数据，并对融合后的数据进行编码；2)将步骤1)得到的预处理数据输入到区域残差网络，对数据的空间特征进行深层提取，同时保留数据的时序关系；3)将步骤2)得到的特征矩阵输入到单项池化层，进行数据维度的转换；4)将步骤3)得到的特征矩阵输入到LSTM网络，提取数据在时间维度上的依赖关系，得到最终的特征矩阵；5)将步骤4)得到的最终特征矩阵输入到全连接层转换为一维矩阵，并利用softmax分类器对一维特征矩阵进行分类，得到机场延误预测的结果。

【技术特征摘要】
1.一种基于区域残差和LSTM网络的机场延误预测方法，其特征在于：包括如下步骤：1)数据预处理：融合机场数据、航班数据和气象数据，并对融合后的数据进行编码；2)将步骤1)得到的预处理数据输入到区域残差网络，对数据的空间特征进行深层提取，同时保留数据的时序关系；3)将步骤2)得到的特征矩阵输入到单项池化层，进行数据维度的转换；4)将步骤3)得到的特征矩阵输入到LSTM网络，提取数据在时间维度上的依赖关系，得到最终的特征矩阵；5)将步骤4)得到的最终特征矩阵输入到全连接层转换为一维矩阵，并利用softmax分类器对一维特征矩阵进行分类，得到机场延误预测的结果。2.根据权利要求1所述的一种基于区域残差和LSTM网络的机场延误预测方法，其特征在于：步骤1)中的机场数据包括日期、时间、机场ID、机场所在城市ID、机场所在州的ID这五个属性。3.根据权利要求1所述的一种基于区域残差和LSTM网络的机场延误预测方法，其特征在于：步骤1)中的航班数据包括航班起飞的年份、航班起飞的月份、航班起飞的具体日期、航班起飞的星期数、航空公司的ID、起飞机场ID、起飞机场序列ID、降落机场ID、降落机场序列ID、起飞城市ID、降落城市ID、航班号、飞机尾号、计划起飞时间、计划降落的时间、飞机起飞时起轮时间、飞机降落时放轮时间、飞机飞行的距离、航空公司的代码、航班是否取消、航班取消的代码、航班是否改航这22个属性。4.根据权利要求1所述的一种基于区域残差和LSTM网络的机场延误预测方法，其特征在于：步骤1)中的气象数据包括天气观测站的类型、天气观测站的序号、时间、机场天气状态、能见度、天气类型、干球华氏温度、干球摄氏温度、湿球华氏温度、露点华氏温度、相对湿度、风向、风速、风的特征值、观测站气压、海平面气压、观测高度、记录类型这18个特征属性。5.根据权利要求1所述的一种基于区域残差和LSTM网络的机场延误...

【专利技术属性】
技术研发人员：屈景怡，叶萌，渠星，杨俊，陈敏，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：天津,12