本文是一篇计算机软件论文，本文通过阅读大量国内外关于航班延误预测研究方面的文献，通过分析和归纳整理，总结了现有基于神经网络的航班延误预测模型存在的不足，提出了一个新的模型：基于长短期记忆与残差网络的航班延误预测模型。该模型相比于传统的神经网络等方法存在以下几个方面的优势：第一，考虑更多的影响航班延误因素的特征，包括更全面的航班信息特征以及气象数据特征。实验结果表明，通过考虑更全面的航班信息特征以及气象数据特征，可提高预测的准确率。第二，基于长短期记忆网络的延误预测模型，可有效的提取航班信息之间潜在的时序性特征，与没有考虑时序性的传统方法相比，模型的特征表达能力增强。通过实验与其他没有考虑时序性的传统方法对比，实验结果显示该模型预测的准确率更高。
1 绪论
1.1 研究背景及意义
随着民航业的快速发展，航班延误逐渐成为一个热点话题，航班延误对于我们的日常出行造成了很大的困扰[1][2]。航班延误成因较难解释，因为其可能受制于多重因素，例如天气原因，航空公司管理原因，航空管制原因，前序航班原因，出发地或者目的地机场管理原因，旅客原因，还有可能是飞机在飞行过程中出现飞行事故导致的备降、迫降等等，甚至多重原因叠加或多种原因形成连锁效应。
由于天气原因造成航班延误表现在[6]：比如雷、雨、雾等导致航班延误，很多时候旅客看到眼前的天气是晴朗的却被告知航班因天气原因需要延误，其实天气原因不仅是指目的地机场的天气状况，主要结合出发地机场天气状况适不适宜起飞；目的地机场天气状况适不适宜降落；飞行航路上气象状况适不适宜飞行这三点进行综合分析。由于航空管制造成的航班延误表现在[7]：近几年空中交通流量增长较大，飞行管理难以适应。一方面民航发展速度，航班量急剧增加，但是相应的地面设施，导致设备、服务保障方面发展缓慢，航路结构不合理，无法适应当前高速发展的民航业，对空域实行严格限制进行流量控制；另一方面由于空军活动涉及国防机密，往往会突然进行航空管制，遇到这种情况只能等待，没有理由，没有预计时间。航空公司管理原因造成的航班延误表现在[8]：各个不同的航空公司的规模大小不尽相同，规模较大的航空公司在航班数量、飞机调配等方面比较成熟，在应对连续的航班延误状况中能够快速有效的采取相应的措施使前序航班造成的延误对后续的影响降到最小[9]。而规模较小的航空公司由于设备、航线、机场等配套不是很完善，导致航班运行整体效率偏低，一旦发生意外情境，应变、调配能力较差，然而目前尚无完善可行的协调机制来解决此类问题。由于飞行故障导致的航班延误表现在[10]：随着飞行器技术飞速发展，飞机的安全系数也不断在提高，也具备详细的定期维护计划，绝大部分的故障隐患都会在这些例行检查中得到及时处理。但也无法保证飞机设备不会突然出现故障，为了确保安全，彻底排除故障隐患就会造成一定程度的延误。机械故障必须确定解决，飞机才能上天。一般来说如果飞机故障地为该航空公司基地，排除故障时间较快，即使是大故障一时难以修复，由于在基地，也比较容易调配其他飞机，延误时间会较短。但如果飞机故障地为外站，当地缺少必要的检修设备、零件和维修人员，这种情况造成延误的时间就很难确定。如果是飞机故障一时难以排除，即使调配其他飞机也需要较长时间。
..........................
1.2 国内外研究现状
国内外相关学者对于航班延误预测进行了大量研究，已有方法中多采取决策树、贝叶斯网络、支持向量机、随机森林等机器学习算法。丁建立等人采用动态贝叶斯网对航班延误传递进行研究，并对典型的动态贝叶斯网参数学习的效果进行了比较[13][14]；程华等人主要考虑机场的进港航班延误预测研究提出一个面向机场的到港航班延误预测问题，对比现有的贝叶斯网络及朴素贝叶斯方法结合航班数据的特点构建了基于决策树的航班延误预测模型[15][16]；何洋采用基于支持向量机回归的方法，通过对单个机场历史起降数据构建了一个单位小时进离港延误航班数以及延误时间的预测模型[17]；Suvojit 等人利用梯度提升决策树预测航班延误状态[18][19]；Kim 等人通过应用几种机器学习算法来研究航班延误情况[20]。
近些年来开始有学者通过使用神经网络来预测航班延误状况[21][22][23]。Varsha等人使用了神经网络来预测航班是否延误；Nathalie 等人分别使用三种机器学习的算法：决策树方法、逻辑回归方法和人工神经网络来预测航班的延误情况；Thomas 等人使用了递归神经网络，用于预测某个机场航班延误状态。
相关学者对于航班延误预测的研究主要从以下 2 个角度进行：
（1）基于机场视角的延误预测，即针对机场起降数据以统计性数据为主，通过航班的起降数据进行分析并预测延误状况；
（2）基于航空公司视角的延误预测，即针对航空公司下属的各个航班的延误情况进行分析并预测未来的延误；
实际上，导致航班延误的因素有很多，如天气原因，出发地或者目的地机场管理原因，航空公司管理原因，航空管制原因，前序航班原因，旅客原因等等，甚至多重原因叠加或多种原因形成连锁效应。而国内外现有研究大多数只从某一个或少量方面的角度进行研究，而对于航班延误时序性角度的研究更少，这就导致无法通过综合因素来考究航班延误的状况，使得预测结果不够精确。
..........................
2 神经网络相关技术
2.1 神经网络基础
2.1.1 神经元模型
神经元是神经网络最基本的单位，在生物神经网络中，一个神经元如图 2-1所示，其轴突末梢连接着无数个神经元的树突，当前者处于“兴奋”状态时，它会通过轴突向其他与其相连接的神经元释放化学物质，从而改变这些神经元的电位，当它们中的某些神经元的电位超过了一定的“阈值”，则会被“激活”，进入到“兴奋”状态，接着向与它们相连接的更多神经元释放化学物质。
.......................
2.2 循环神经网络
长短期记忆神经网络作为本文方法之一，它是一种应用比较广泛的循环神经网络模型变体。在前一小节的神经网络基础之上，接下来首先对循环神经网络思想进行介绍，再对本文中所用到长短时记忆神经网络模型进行阐述。
.........................
3 数据描述与预处理................................ 17
3.1 数据描述与制作数据集........................... 17
3.1.1 航班数据....................... 17
3.1.2 气象数据............................. 19
4 基于长短时记忆神经网络的航班延误预测模型........................ 25
4.1 模型结构设计................................. 25
4.1.1 模型网络结构............................ 25
4.1.2 模型整体流程............................... 27
5 基于长短时记忆与残差网络的航班延误预测......................... 33
5.1 模型结构设计.............................. 33
5.1.1 模型网络结构............................... 33
5.1.2 实验设计思路................................... 33
6 航班延误预测平台
6.1 航班延误预测平台设计
航班延误预测平台的实现使用了 Vue 框架，该框架为目前前端开发的主流框架[49]。此外前端框架还使用了 Element 框架，Element 框架为 Vue 框架提供了丰富的组件库。航班延误预测平台的后台开发使用了 Java 的 Spring Boot 框架[50]。本文中设计的基于LSTM-ResNet航班延误预测模型算法经处理后存储到MySQL数据库中，前端界面将搜索条件发送到后台，后台 Spring Boot 以此搜索条件进行查询，将查询到的结果以 JSON 的形式再反馈给前端，前端解析 JSON 数据并将其展示出来[51]。
..........................
7 总结与展望
7.1 全文总结
本文通过阅读大量国内外关于航班延误预测研究方面的文献，通过分析和归纳整理，总结了现有基于神经网络的航班延误预测模型存在的不足，提出了一个新的模型：基于长短期记忆与残差网络的航班延误预测模型。该模型相比于传统的神经网络等方法存在以下几个方面的优势：
第一，考虑更多的影响航班延误因素的特征，包括更全面的航班信息特征以及气象数据特征。实验结果表明，通过考虑更全面的航班信息特征以及气象数据特征，可提高预测的准确率。
第二，基于长短期记忆网络的延误预测模型，可有效的提取航班信息之间潜在的时序性特征，与没有考虑时序性的传统方法相比，模型的特征表达能力增强。通过实验与其他没有考虑时序性的传统方法对比，实验结果显示该模型预测的准确率更高。
第三，对上述模型进一步改进，在模型中加入了残差网络结构，并通过加深网络的深度更深层次的提取特征。残差网络具有的特性使得网络在层数做深的基础上仍能使特征不被损耗，解决了梯度消失的问题，模型的特征表达能力进一步的增强。
