一种基于支持向量机的航班到港延误预测方法技术

本发明专利技术提供了一种基于支持向量机的航班到港延误预测方法，所述方法包括如下步骤：获取预设未来时间节点内的待预测航班属性数据，对待预测航班属性数据进行处理，获取第一特征数据，将第一特征数据输入目标支持向量机模型，获取航班到港延误预测结果；本发明专利技术通过未来时间节点的数据对航班进行到港延误预测，能够更灵活、更准确地预测航班延误情况。更准确地预测航班延误情况。更准确地预测航班延误情况。

【技术实现步骤摘要】
一种基于支持向量机的航班到港延误预测方法


[0001]本专利技术涉及数据处理领域，特别是涉及一种基于支持向量机的航班到港延误预测方法。

技术介绍

[0002]目前，我国航空业发展非常迅速，但同时，航班延误的现象也大幅增加，繁忙机场的进离港延误航班数量和延误时间难以预测，因天气原因、航空管制、飞机故障、旅客原因和航空公司原因造成的大量航班延误，往往，当前一航班出现任何纰漏都有可能引发后续航班的连锁反应，往往到后面延误时间越长，因此对航班延误的准确预测十分重要。
[0003]然而，现有技术中，往往使用过去一年或过去几年的航班延误数据对航班延误情况进行预测，预测结果的准确率并不高。

技术实现思路

[0004]针对上述技术问题，本专利技术采用的技术方案为：一种基于支持向量机的航班到港延误预测方法，所述方法包括如下步骤：
[0005]S100，获取预设未来时间节点内的待预测航班属性数据A＝[A1，A2，
…
，A
i
，
…
，A
m
]，A
i
是指待预测航班对应的第i个属性数据，i的取值范围是1到m，m是指属性数据的数量，其中，m个属性数据至少包括：所述待预测航班的类型、计划到港时间和计划离港时间；
[0006]S200，基于待预测航班属性数据A获取第一特征数据B＝[B1，B2，
…
，B
j
，
…
，B
n
]，其中，B
j/>是第j个第一特征数据，B
j
根据A1，A2，
…
，A
i
，
…
，A
m
中的至少一个得到，j的取值范围是1到n，n为第一特征数据的数量；
[0007]S300，将第一特征数据B输入目标支持向量机模型，获取待预测航班到港延误预测结果。
[0008]本专利技术至少具有以下有益效果：获取预设未来时间节点的待预测航班属性数据，将待预测航班属性数据进行处理，获取第一特征数据，将第一特征数据输入目标支持向量机模型，获取航班到港延误预测结果，不同于现有技术中使用历史数据判断航班延误情况的方法，本专利技术通过未来时间节点的数据对未来时间节点的航班进行到港延误预测，能够更灵活、更准确地预测航班延误情况。
附图说明
[0009]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0010]图1为本专利技术实施例提供的一种基于支持向量机的航班到港延误预测方法的流程图；
[0011]图2为本专利技术实施例提供的训练用航班原始数据随机排序输入构建的支持向量机模型预测50次的结果显示图；
[0012]图3为本专利技术实施例提供的训练用航班原始数据随机排序输入构建的支持向量机模型预测100次的结果显示图。
具体实施方式
[0013]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]本专利技术实施例1提供了一种基于支持向量机的航班到港延误预测方法，如图1所示，所述方法包括如下步骤：S100，获取预设未来时间节点内的待预测航班属性数据A＝[A1，A2，
…
，A
i
，
…
，A
m
]，A
i
是指待预测航班对应的第i个属性数据，i的取值范围是1到m，m是指属性数据的数量，其中，m个属性数据至少包括：所述待预测航班的类型、计划到港时间和计划离港时间。
[0015]S200，基于待预测航班属性数据A获取第一特征数据B＝[B1，B2，
…
，B
j
，
…
，B
n
]，其中，B
j
是第j个第一特征数据，B
j
根据A1，A2，
…
，A
i
，
…
，A
m
中的至少一个得到，j的取值范围是1到n，n为第一特征数据的数量。
[0016]可选地，当B
i
为航班计划飞行时间时，通过待预测航班属性数据中航班计划到港时间和航班计划离港时间进行计算获取；当B
i
为第一特征航班计划到港时间或第一特征航班计划离港时间时，通过待预测航班属性数据中航班计划到港时间或航班计划离港时间建立分段函数获取；当B
i
为其它第一特征数据时，通过待预测航班属性数据进行归一化处理获取。
[0017]S300，将第一特征数据B输入目标支持向量机模型，获取待预测航班到港延误预测结果。
[0018]基于S100
‑
S300，获取预设未来时间节点的待预测航班属性数据，将待预测航班属性数据进行处理，获取第一特征数据，将第一特征数据输入目标支持向量机模型，获取航班到港延误预测结果，不同于现有技术中使用历史数据判断航班延误情况的方法，本专利技术通过未来时间节点的数据对未来时间节点的航班进行到港延误预测，能够更灵活、更准确地预测航班延误情况。
[0019]具体地，目标支持向量机模型的获取包括如下步骤：
[0020]S401，获取预设时间段内的训练用航班属性数据集D＝{D1，D2，
…
，D
r
，
…
，D
s
}，其中，D
r
＝{D
1r
，D
0r
}，D
1r
＝[D
1r1
，D
1r2
，
…
，D
1ri
，
…
，D
1rm
]，D
1ri
是指第r个训练用航班对应的第i个属性数据，D
0r
用于表示第r个训练用航班是否延误，且第r个训练用航班的m个属性数据和所述待预测航班的m个属性数据相同，r的取值范围是1到s，s是所述预设时间段内的训练用航班的数量。
[0021]在S401之前还包括以下步骤：
[0022]S000，获取预设时间段内的训练用航班原始数据集H＝{H1，H2，
…
，H
r
，
…
，H
s
}，其中，H
r
＝[H
r1
，H
r2
，
…
，H
rg
，
…
，H
...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量机的航班到港延误预测方法，其特征在于，所述方法包括如下步骤：S100，获取预设未来时间节点内的待预测航班属性数据A＝[A1，A2，
…
，A
i
，
…
，A
m
]，A
i
是指待预测航班对应的第i个属性数据，i的取值范围是1到m，m是指属性数据的数量，其中，m个属性数据至少包括：所述待预测航班的类型、计划到港时间和计划离港时间；S200，基于待预测航班属性数据A获取第一特征数据B＝[B1，B2，
…
，B
j
，
…
，B
n
]，其中，B
j
是第j个第一特征数据，B
j
根据A1，A2，
…
，A
i
，
…
，A
m
中的至少一个得到，j的取值范围是1到n，n为第一特征数据的数量；S300，将第一特征数据B输入目标支持向量机模型，获取待预测航班到港延误预测结果。2.根据权利要求1所述的方法，其特征在于，目标支持向量机模型的获取包括如下步骤：S401，获取预设时间段内的训练用航班属性数据集D＝{D1，D2，
…
，D
r
，
…
，D
s
}，其中，D
r
＝{D
1r
，D
0r
}，D
1r
＝[D
1r1
，D
1r2
，
…
，D
1ri
，
…
，D
1rm
]，D
1ri
是指第r个训练用航班对应的第i个属性数据，D
0r
用于表示第r个训练用航班是否延误，且第r个训练用航班的m个属性数据和所述待预测航班的m个属性数据相同，r的取值范围是1到s，s是所述预设时间段内的训练用航班的数量；S402，基于所述训练用航班属性数据集D，获取第一航班特征数据集E＝{E1，E2，
…
，E
r
，
…
，E
s
}和第一航班类别数据F＝{F1，F2，
…
，F
r
，
…
，F
s
}，其中，第r个第一航班特征数据E
r
＝[E
r1
，E
r2
，
…
，E
rj
，
…
，E
rn
]，E
r
根据D
1r1
，D
1r2
，
…
，D
1ri
，
…
，D
1rm
中的至少一个得到，且所述第一航班特征数据E
r
中的特征和第一特征数据B中的特征相同；对应的第一航班类别数据F
r
＝D
0r
；S404，基于第一航班特征数据集E和第一航班类别数据F对构建的支持向量机模型进行训练，并将训练后的支持向量机模型确定为目标支持向量机模型。3.根据权利要求2所述的方法，其特征在于，S403具体包括以下步骤：S4031，将第一航班类别数据F分为s1个训练集和s2个测试集；S4033，构建支持向量机模型并设置参数值，利用s1个训练集对构建的支持向量机模型进行训练，得到训练后的支持向量机模型；S4035，对训练后的支持向量机模型进行评估，当评估结果满足第一预设条件的模型确定为待测试支持向量机模型；S4037，将s2个测试集输入所述待测试支持向量机模型中，...

【专利技术属性】
技术研发人员：胡鹏，张建平，邹翔，侯佳，吴卿刚，田小强，杨清媛，曹磊，王丽伟，
申请(专利权)人：中国民用航空总局第二研究所，
类型：发明
国别省市：