一种航班延误预测方法及预测系统技术方案

本发明专利技术属于交通延误预测方法技术领域，公开了一种航班延误预测方法及预测系统。设定SA

【技术实现步骤摘要】
一种航班延误预测方法及预测系统


[0001]本专利技术属于交通延误预测
，尤其涉及一种航班延误预测方法及预测系统。

技术介绍

[0002]伴随着航班数量的日益增多，因流量导致的航班延误问题也愈加凸显。如果航班延误问题不能够解决，那将对航空的服务质量和经济效益产生非常重要的影响，而且严重威胁着民航系统的安全。对航班延误的提前预测，并及时通知旅客和相关部门，让各方根据预测结果做好应对工作，能够有效的降低航班延误造成的经济损失。
[0003]针对航班延误预测，一般可分为利用机器学习进行航班延误预测和利用深度学习进行航班延误预测。机器学习进行航班延误预测多利用先验知识计算样本权重，再融合进入机器学习模型中，但是随着数据特征变得复杂，很多数据特征很难量化，导致预测时的后验密度函数的推导和计算变得困难。随着深度学习的不断发展，对于数据规模的不断增大，数据维度的不断扩大的数据集，深度学习有了更好的效果表现，充分利用样本内隐含的空间特征和样本间的特征来进行算法的迭代学习。提升数据隐藏价值的利用率，使得航班延误预测的整体准确率有了很大的提升。但是深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航班延误预测方法，其特征在于，该方法包括以下步骤：S1，设定SA
‑
CycleMLP网络的初始参数以及训练方式的初始参数；S2，获取历史的航班数据及气象数据，并通过数据预处理、数据融合、数据编码构建数据集；将构建好的数据集输入设定初始参数后的SA
‑
CycleMLP网络进行训练，得到基于SA
‑
CycleMLP网络的航班延误预测模型；S3，将待预测的航班的信息输入到所述航班延误预测模型，通过设定初始参数后的SA
‑
CycleMLP网络对待预测的航班的信息进行特征提取，再通过置换注意力机制模块进行特征提取整合；S4，通过预测结构判别待预测的航班的延误类别，获得待预测的航班对应每个类别的概率，基于所述概率获取待预测的航班的延误类别信息；S5，将获取的待预测的航班的延误类别信息通过前端框架ECharts进行可视化分析。2.根据权利要求1所述的航班延误预测方法，其特征在于，在步骤S1中，SA
‑
CycleMLP网络的初始参数包括：补丁嵌入模块中的补丁大小以及输出编码特征维度、融合注意力机制的循环多层感知机模块中的扩展比以及融合注意力机制的循环多层感知机模块的重复次数；训练方式的初始参数包括：Focal Loss损失函数的平衡参数、Focal Loss损失函数的聚焦参数、训练时的学习率以及训练时的优化器。3.根据权利要求1所述的航班延误预测方法，其特征在于，在步骤S2中，获取历史的航班数据及气象数据采用离线传输方式获取。4.根据权利要求1所述的航班延误预测方法，其特征在于，在步骤S2中，所述数据预处理采用直接删除和邻值填充两种方式；其中，对于航班信息特征存在缺失值的数据采用直接删除的方式；对于气象特征存在缺失值的数据采用邻值填充的方式；所述数据融合是将航班数据中的起飞时间或者降落时间与气象数据中的记录时间相匹配融合，使航班数据拥有在起飞时间或者在降落时间的气象数据特征；再根据航班延误时间为航班数据进行延误等级的划分，并为航班数据打上延误等级标签；所述数据编码中，对于数值型特征采用Min
‑
Max归一化编码，对于离散型特征采用CatBoost编码。5.根据权利要求1所述的航班延误预测方法，其特征在于，在步骤S2中，将构建好的数据集输入设定初始参数后的SA
‑
CycleMLP网络进行训练，得到基于SA
‑
CycleMLP网络的航班延误预测模型，包括以下步骤：将构建好的数据集输入SA
‑
CycleMLP网络中的补丁嵌入模块，利用补丁嵌入模块和融合注意力机制的循环多层感知机模块提取特征，根据提取到的特征预测航班的类别信息；利用Focal Loss损失函数将得到的类别信息进行修正，通过Softmax激活函数的全连接层分类器得到航班最终的分类，完成训练得到基于SA
‑
CycleMLP网络的航班延误预测模型。6.根据权利要求5所述的航班延误预测方法，其特征在于，利用Focal Loss损失函数将得到的类别信息进行修正包括：多分类交叉熵损失函数修改得到Focal Loss损失函数，多分类交叉熵损失函数计算公式为：
；Focal Loss损失函数计算公式为：；式中，为多分类交叉熵损失函数，为Focal Loss损失函数，y为真实值，为航班延误状态的预测值；I为航班延误等级个数，X
i
为第X个样本第个类别，为第X个样本第个类别的真实标签，为第X个样本第个真实类别的预测概率；等式中的项表示用于惩罚远离真实类别的预测概率；为Focal Loss损失函数的平衡参数的值，为Focal Loss损失函数的聚焦参数，代表第类的平衡参数的值。7.根据权利要求5所述的航班延误预测方法，其特征在于，利用补丁嵌入模块和融合注意力机制的循环多层感知机模块提取特征包括：将大小为H
×
W的原始输入矩阵，通过补丁嵌入模块分割成多个补丁，循环多层感知机模块包括三个并行的Cycle FC算子模块，Cycle FC算子模块连接有具有两个线性层和中间一个GELU非线性的Channel MLP模块；在Cycle FC算子模块和Channel MLP模块之前连接有应用LN层，LN层是对输入数据进行归一化的操作；再通过注意力机制模块，并在注意力机制模块之后使用跳跃连接，整个融合注意力机制的循环多层感知机模块描述为：；；；式中，Cycle FC表示Cycle FC算子模块，Channel MLP表示Channel MLP模块，Shuffle Attention表示注意力机制模块；为Cycle FC算子模块的输出，为Channel MLP模块的输出，为注意力机制模块的输出；为前一次注意力机制模块的输出；为输出次数，...

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