一种基于深度学习的航班延误预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110659773A(43)申请公布日2020.01.07(21)申请号201910870557.3(22)申请日2019.09.16(71)申请人杭州师范大学地址311121浙江省杭州市余杭区仓前街道海曙路58号(72)发明人盛伟国崔文植刘舜琪孟凡胜(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240代理人杨舟涛(51)Int.Cl.G06Q10/04(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)G06Q50/30(2012.01)权利要求书3页说明书5页附图2页(54)发明名称一种基于深度学习的航班延误预测方法(57)摘要本发明公开了一种基于深度学习的航班延误预测方法。本发明步骤如下：1：处理数据集并将处理后的数据集输入到网络模型中；2：将步骤1中处理好的数据集以时序的矩阵形式输入到LSTM网络中提取时序上的时序特征；3：将步骤2中由LSTM网络提取到的时序特征输入到ResNet网络中进行更深层的特征提取；4：预测航班延误状态并计算预测准确率；即：不延误，延误0到45分钟，延误45到90分钟，延误90分钟以上。本发明将航班延误预测的时序性特征加入到模型中，使用特征数量更多的样本作为输入，并加入具有残差结构的网络将网络层数做深，在将网络做深的基础上保留浅层网络中具有的特征，使特征在深层的网络中不被损耗，提高航班延误预测模型的准确率。CN110659773ACN110659773A权利要求书1/3页1.一种基于深度学习的航班延误预测方法，其特征在于包括如下步骤：步骤1：处理数据集并将处理后的数据集输入到网络模型中；步骤2：将步骤1中处理好的数据集以时序的矩阵形式输入到LSTM网络中提取时序上的时序特征；步骤3：将步骤2中由LSTM网络提取到的时序特征输入到ResNet网络中进行更深层的特征提取；步骤4：预测航班延误状态并计算预测准确率；所述的步骤1具体实现如下：1-1.将数据集中包含的英文全部转化为数字，使相同的英文字母对应相同的数字，编码方式使用ASCII码组合形式；1-2.将英文处理后的数据集中的数据进行预处理：删除冗余特征、处理缺失值、去除不合理数据、特征归一化；1-3.将处理后的数据集分成三个类别重新制作；1-3-1.将数据集中的数据按航班类别筛选，根据不同的航班，将每个航班一年内所有的起降数据分别建立数据集，然后随机挑选10个航班的数据进行实验；1-3-2.将数据集中的数据按机场类别筛选，根据不同的机场，将每个机场一年内所有的起降航班数据分别建立数据集，然后随机挑选10个机场的数据进行实验；1-3-3.将数据集中的数据按航空公司类别筛选，根据不同的航空公司，将同一个航空公司一年内所有的航班起降数据分别筛选到不同数据集中；1-4.数据集标签化；将数据集中“ARRIVAL_DELAY”到达延误这个一列的数据做标签，将其分为四个类别：①延误时间小于0分钟；②延误时间大于0分钟小于45分钟；③延误时间大于45分钟小于90分钟；④延误时间大于90分钟。2.根据权利要求1所述的一种基于深度学习的航班延误预测方法，其特征在于步骤2具体实现如下：首先确定选择输入LSTM网络中的输入特征，选择的输入特征共18个，包括：F-FLIGHT_NUMBER航班号；G-TAIL_NUMBER飞机号；H-ORIGIN_AIRPORT起飞机场；I-DESTINATION_AIRPORT到达机场；J-SCHEDULED_DEPARTURE计划起飞时间；K-DEPARTURE_TIME出发时间；L-DEPARTURE_DELAY出发延误；M-TAXI_OUT滑行时间；N-WHEELS_OFF飞机起落架收起时间；O-SCHEDULED_TIME计划飞行时间；P-ELAPSED_TIME经过的时间；Q—AIR_TIME飞行时间；R-DISTANCE飞行距离；S-WHEELS_ON飞机起落架放下时间；T-TAXI_IN飞机按指令停机入位；U-SCHEDULED_ARRIVAL计划到达时间；V-ARRIVAL_TIME实际到达时间；W-ARRIVAL_DELAY到达延误时间；2-1使用LSTM的当前输入xt和上一个状态传递下来的ht-1，拼接得到四个状态：z、zi、zf、zo；ht-1为接收到的上一个节点的输入，其中，xt表示输入到LSTM的数据维度；z为输入的数据通过tanh激活函数将数据转换成-1到1之间的值；zi、zf、zo为由数据集的拼接向量乘以权重矩阵后，通过sigmoid激活函数转换成0到1之间的数值作为门控状态；其中：2CN110659773A权利要求书2/3页ifow为z状态下设置的权重值，w为zi状态下设置的权