【技术实现步骤摘要】
基于深度学习的智能航班延误预测方法
[0001]本专利技术涉及空中交通量管理
，尤其涉及一种基于深度学习的智能航班延误预测方法。
技术介绍
[0002]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。
[0003]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。
[0004]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。统计学决策树，随机森林尝试利用浅层的人工神经网络对机场空域进行延误预测，但是该模型不能准确学习时间维度上的延误传播特性，在面对严重且持续性延误状况时，模型的预测结果并不理想。
[0005]上述方法都是针对小数据集样本进行训练，面对大量且高维的机场延误数据，通常需要进行降维处理，会造成原始数据信息的缺失；并且没有考虑到机场状态的时间相关性，所以预测结果并不理想。
技术实现思路
[0006]针对上述现有技术中的不足，本专利技术提供一种基于深度学习的智能航班延误预测方法，能有效保证原始数据的时序性，
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的智能航班延误预测方法，包括步骤：S1：获取一目标航班的航班数据和所述目标航班运行时间内的起降城市的天气数据，并计算所述目标航班的延误时间，根据所述延误时间制作延误标签，所述延误标签包括所述延误时间；S2：将所述航班数据和所述天气数据进行数字化处理；S3：将数字化处理后的所述航班数据和所述天气数据进行预处理；S4：根据所述延误标签划分多个延误类别；S5：设置一深度学习算法模型；S6：利用预处理后的将所述航班数据和所述天气数据训练所述深度学习算法模型，并利用天气预报和所述深度学习算法模型预测所述目标航班的延误情况。2.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述航班数据包括航班号、机号、运行机型、营销机型、航班性质、后序航班、日期、起飞机场、到达机场、预飞时间、预到时间、实飞时间、实到时间、撤轮挡时间、上轮挡时间、飞行状态和是否联程；所述天气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、观测高度和记录类型。3.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述S2步骤进一步包括步骤：S21：将所述航班数据和所述天气数据中包含的中文全部转化为数字；S22：使用相同的英文字母对应相同的数字；S23：使用ASCII码组合形式对所述航班数据和所述天气数据进行编码。4.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述S3步骤中，所述预处理步骤包括：删除冗余特征、处理缺失值、去除不合理数据和特征归一化。5.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述S1步骤中，获取所述目标航班一年内的所述航班数据和所述天气数据。6.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述S4步骤中，所述延误类别包括一第一延误类别、一第二延误类别、一第三延误类别和一第四延误类别；将所述延误时间小于0分钟的划分为第一延误类别；将所述延误时间大于0分钟且小于45分钟的划分为第二延误类别；将所述延误时间大于45分钟且小于90分钟的划分为第三延误类别；将所述延误时间大于90分钟的划分为第四延误类别。7.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述S5步骤中，所述深度学习算法模型包括一LSTM、一tanh激活函数、一sigmoid激活函数和一ResNet152；包括步骤：设置所述LSTM的输入门、输出门、遗忘门和细胞状态更新；设置所述tanh激活函数；设置所述sigmoid激活函数；
设置所述ResNet152的残差结构...
【专利技术属性】
技术研发人员：严宇，熊静，张文成，刘超，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。