【作 者】：网站采编
【关键词】：
【摘 要】：文章目录 摘要 abstract 专用术语注释表 第一章 绪论 1.1 研究背景 1.2 研究现状 1.3 本文的工作及结构 第二章 航班延误预测的数学建模 2.1 航班延误因素 2.2 航班延误判定 2.3 航班延误预测

文章目录

摘要

abstract

专用术语注释表

第一章 绪论

1.1 研究背景

1.2 研究现状

1.3 本文的工作及结构

第二章 航班延误预测的数学建模

2.1 航班延误因素

2.2 航班延误判定

2.3 航班延误预测建模

2.4 本章小结

第三章 航班延误预测方法

3.1 监督学习

3.2 深度学习方法

    3.2.1 人工神经网络

    3.2.2 递归神经网络

    3.2.3 长短期记忆网络

3.3 集成学习方法

    3.3.1 随机森林

    3.3.2 梯度提升决策树

3.4 本章小结

第四章 ADS-B数据平台和民航数据集

4.1 ADS-B系统介绍

4.2 ADS-B数据平台搭建

4.3 数据处理方法

    4.3.1 数据变换方法

    4.3.2 类别平衡方法

4.4 建立民航数据集

    4.4.1 数据清理

    4.4.2 数据融合

    4.4.3 数据变换和平衡

4.5 本章小结

第五章 航班延误的预测建模

5.1 实验环境配置与搭建

5.2 预测模型建立

    5.2.1 建立LSTM预测模型

    5.2.2 建立随机森林预测模型

    5.2.3 建立GBDT预测模型

5.3 预测任务设计

5.4 预测结果

    5.4.1 基于LSTM的分类结果

    5.4.2 基于集成学习的分类结果

    5.4.3 基于GBDT的回归结果

5.5 本章小结

第六章 总结与展望

6.1 工作总结

6.2 未来展望

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间申请的专利

致谢

文章摘要:随着民航业的发展,航空流量经历了快速且爆炸的增长。据预测在2030年时,航空器数量将比现在翻上一番。为了更好地适应快速发展的航空业,新一代空管监控技术广播式自动相关（ADS-B）得以广泛使用。同时,航班延误已成为阻碍航空业发展的重要因素。相关航班延误研究多采用机器学习方法针对单一机场或航路进行延误预测。本文广泛探索了影响航班延误的因素,提出并比较了多种基于机器学习的通用航班延误预测模型。为了建立用于训练模型的数据集,本文搭建了ADS-B地面站以接收报文,对接收的ADS-B报文进行预处理,同时从互联网融合例如机场天气状况等潜在影响航班延误的因素。区别于其他航班延误的相关研究,本文将延误预测划分为更高粒度的分类任务和回归任务,提出了三种基于长短期记忆人工神经网络和两种基于集成学习的预测模型。本文提出预测模型的实验结果表明,基于长短期记忆人工神经网络的模型能够捕获航班延误之间的时序关系,但是在有限的数据集上出现了过拟合问题。随机森林和梯度提升决策树两种集成学习模型能够有效地区分航班延误与否,基于梯度提升决策树的回归模型能对约65%的航班进行误差在30分钟内的延误预测。

文章关键词:

论文作者:刘凡 刘凡 

作者单位:刘凡 

论文DOI:10.27251/d.cnki.gnjdc.2021.001283

论文分类号:TP311.13;TP181;V355

文章来源：《中国航班 》 网址: http://www.zghbzz.cn/qikandaodu/2022/0704/2483.html