基于深度全连接神经网络的离港航班延误预测模型
作者:徐海文; 史家财; 汪腾
更新时间:
针对提高离港航班延误预测精度的困难,提出了一种基于深度全连接神经网络(Aristole)的离港航班延误预测模型。首先,在考虑航班信息、机场天气和航班延误历史的基础上,增加了航班网络结构对预测模型的影响。然后,从激活函数、输入数据项和延迟时间阈值三个维度进行了数值实验,以优化和验证该模型抑制梯度分散和改善学习表示的能力。最后,通过调整神经网络层数的垂直扩展模式和随机损耗层的Drop-out参数,提高了模型的泛化能力。数值实验结果表明,利用Tanh和Elu函数,该模型的预测精度可提高1.2个百分点。考虑到飞行网络结构,使用Elu函数时,模型的预测精度可提高3个百分点。当时间阈值为60min时,通过调整Drop-out参数,模型的损耗值不断减小。当五层隐层网络和Drop-out参数为0.3时,预测精度可达92.39%。该预测模型可以对国内航班延误做出更准确的判断,因此对航班延误的处理具有现实意义。