申请/专利权人：北京航空航天大学

申请日：2021-08-18

公开（公告）日：2024-02-09

公开（公告）号：CN113657671B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/40;G06F18/243;G06N20/20;G06N5/01

优先权：

专利状态码：有效-授权

法律状态：2024.02.09#授权;2021.12.03#实质审查的生效;2021.11.16#公开

摘要：本发明公开了一种基于集成学习的航班延误预测方法，包括步骤S1：获取目标航班相关的航空公司属性、航班属性、执行班机属性、紧前航班的延误信息、起飞机场及航站信息，并对所获数据进行预处理；S2：根据预处理后信息提取多维解释变量并计算航班延误；S3：采用聚类算法设置延误分类规则；S4：依照航班延误时长设置延误等级标签；S5：基于集成学习算法模型并训练数据；S6:利用航班的多维特征预测目标航班的延误情况。本发明提供的一种基于轻量级梯度提升机的航班起飞延误预测方法，能够显著提升训练效率、降低内存消耗并且可以获取更高的准确率。

主权项：1.一种基于集成学习的航班延误预测方法，其特征在于，包括以下步骤：S1：获取目标航班相关的航空公司属性、航班属性、执行班机属性、紧前航班的延误信息、起飞机场及航站属性，并对所获数据进行预处理；S2：根据预处理后信息提取多维解释变量并计算航班延误，其中，提取多维解释变量可分为：航空公司属性：航线所属基地机场编号、航线规模；航班属性：是否为国际航班、是否经停、预计周转时间、旅客数量、航站楼编号、历史平均延误；班机属性：容量、最小周转时间；紧前航班属性：延误、飞行间隔；机场属性：机场航班密度、机场旅客密度；航站属性：准点率；S3：采用聚类算法设置延误分类规则；所述S3步骤进一步包括以下步骤：S31：选取带有K个集群的初始分区；S32：将样本点按照样本点与聚类中心的距离分配到最近的聚类中心，生成新的分区；S33：更新集群中心；S34：迭代步骤S32和S33，当集群离散度最小时聚类算法收敛；S4：依照航班延误时长设置延误等级标签；S5：构建基于集成学习算法的模型并训练数据；S6：利用航班的多维特征预测目标航班的延误情况。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种基于集成学习的航班延误预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD