基于地面保障流程的過(guò)站航班延誤預(yù)測(cè)方法

羊 釗,陳怡欣,張智杰

(1. 南京航空航天大學(xué) 通用航空與飛行學(xué)院,江蘇 溧陽(yáng) 213300; 2. 南京航空航天大學(xué) 民航學(xué)院,江蘇 南京 211116)

0 引 言

航班作為延誤發(fā)生的載體是研究者們一直以來(lái)研究的重要對(duì)象[1]。航班延誤的產(chǎn)生機(jī)理復(fù)雜多樣,與機(jī)場(chǎng)網(wǎng)絡(luò)[2-3]息息相關(guān),對(duì)航班延誤進(jìn)行提前感知和準(zhǔn)確預(yù)測(cè),需要綜合考慮多方因素。現(xiàn)有的研究方法可分為兩大類。由于延誤狀態(tài)來(lái)源于正常狀態(tài)的跳轉(zhuǎn),分析狀態(tài)之間的轉(zhuǎn)移概率成為此方向的一個(gè)切入點(diǎn)。將經(jīng)典數(shù)學(xué)分布與航班出發(fā)延誤時(shí)間和到達(dá)延誤時(shí)間相結(jié)合[4],能夠模擬出航班延誤產(chǎn)生與消散的過(guò)程,進(jìn)而對(duì)其進(jìn)行預(yù)測(cè);采用貝葉斯網(wǎng)絡(luò)[5]或?qū)⑵渑c前序后序航班的鏈?zhǔn)讲ㄏ嘟Y(jié)合[6-7],可以反映出航班間延誤的相互影響,進(jìn)而調(diào)整航班計(jì)劃以減輕延誤。由于機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘方法可從大量歷史數(shù)據(jù)中直接預(yù)測(cè)出航班延誤狀態(tài),利用數(shù)據(jù)挖掘規(guī)律成為此方向的另一切入點(diǎn)。將多種與航班延誤相關(guān)的特征如自動(dòng)相關(guān)監(jiān)視廣播(ADS-B)特征[8]、惡劣天氣特征[9]、機(jī)場(chǎng)交通復(fù)雜性(ATC)特征[10]等進(jìn)行融合,采用KNN[11]、隨機(jī)森林[12]、聚類[13]等方法建立由輸入端到輸出端的預(yù)測(cè)模型。該方法避免了模型對(duì)各種信息的完整需求以及延誤產(chǎn)生機(jī)理方程的構(gòu)建等問(wèn)題。因此,機(jī)器學(xué)習(xí)領(lǐng)域的諸多經(jīng)典模型以及各種改進(jìn)的深度學(xué)習(xí)模型[11,14-16]被廣泛應(yīng)用于航班延誤預(yù)測(cè)方面。

在航班延誤頻繁發(fā)生的航班過(guò)站保障流程中,利用過(guò)站航班相關(guān)數(shù)據(jù)有助于辨識(shí)延誤發(fā)生的源環(huán)節(jié),提高航班保障作業(yè)時(shí)的延誤預(yù)測(cè)精度。然而由于數(shù)據(jù)難以采集利用、多方交織參與作業(yè)、航班特征難以提取等困難,上述提及的兩類研究方法均未對(duì)此階段航班延誤問(wèn)題開(kāi)展研究。利用概率研究航班延誤的方法中,只將航班的上下游延誤時(shí)間分布聯(lián)系起來(lái);利用機(jī)器學(xué)習(xí)模型研究航班延誤的方法中,只將與航班間接相關(guān)的特征進(jìn)行融合,并未考慮航班延誤的來(lái)源。

基于上述思想,筆者從新的視角展開(kāi)對(duì)航班延誤預(yù)測(cè)的研究。首先,根據(jù)航班流程節(jié)點(diǎn)的時(shí)間特征統(tǒng)計(jì)相鄰前序-后序流程節(jié)點(diǎn)的時(shí)間差及標(biāo)準(zhǔn)范圍,處理后作為模型輸入特征;其次,根據(jù)過(guò)站航班的地面保障服務(wù)流程,構(gòu)建神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),具體來(lái)說(shuō),每個(gè)過(guò)站航班的保障節(jié)點(diǎn)被表示為神經(jīng)網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn),相鄰流程的連接被表示為一條有向邊;最后,構(gòu)建了兩類航班延誤預(yù)測(cè)模型,第 1 類包括隨機(jī)森林、決策樹、XGBoost 3 種傳統(tǒng)的機(jī)器學(xué)習(xí)模型,第 2 類為 4種圖卷積神經(jīng)網(wǎng)絡(luò)模型,包括圖卷積網(wǎng)絡(luò)(GCN)、圖注意力網(wǎng)絡(luò)(GAT)、GraphSAGE網(wǎng)絡(luò)以及集成圖卷積網(wǎng)絡(luò)模型。4 種圖卷積神經(jīng)網(wǎng)絡(luò)模型將圖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與過(guò)站航班作業(yè)流程融合,利用圖網(wǎng)絡(luò)結(jié)構(gòu)上不同層間多種特征聚合、更新和傳遞的方式,以期提高航班延誤預(yù)測(cè)的精度。

1 數(shù)據(jù)準(zhǔn)備與預(yù)處理

考慮過(guò)站航班流程節(jié)點(diǎn)的先后邏輯,收集并清洗機(jī)場(chǎng)內(nèi)航班保障流程的時(shí)刻數(shù)據(jù),根據(jù)開(kāi)艙門時(shí)刻與后續(xù)流程節(jié)點(diǎn)是否屬于同一天,將航班數(shù)據(jù)劃分為隔夜航班集合和非隔夜航班集合。在兩類集合中分別計(jì)算出每條航班實(shí)際起飛時(shí)刻與計(jì)劃離港時(shí)刻的差值集合,將兩類集合分別劃分出延誤航班集合和非延誤航班集合,即隔夜延誤航班集合、隔夜非延誤航班集合、非隔夜延誤航班集合、非隔夜非延誤航班集合。對(duì)每個(gè)集合計(jì)算出航班后續(xù)-前序流程節(jié)點(diǎn)的時(shí)間差值,在隔夜非延誤、非隔夜非延誤的航班集合中計(jì)算相鄰節(jié)點(diǎn)時(shí)間差,作為標(biāo)準(zhǔn)時(shí)間段集合。將隔夜延誤、非隔夜延誤航班集合中的節(jié)點(diǎn)差值與標(biāo)準(zhǔn)時(shí)間段集合進(jìn)行對(duì)比,得到兩類延誤航班與標(biāo)準(zhǔn)時(shí)段集合的距離節(jié)點(diǎn)特征集合,作為后續(xù)模型的輸入特征。

1.1 數(shù)據(jù)邏輯處理

航班過(guò)站時(shí)一般性過(guò)站流程如圖1。

圖1 航班過(guò)站流程示意

此流程可分為 3 個(gè)部分:①與旅客相關(guān)的流程;②與貨物行李相關(guān)的流程;③飛機(jī)本身需要進(jìn)行保障的流程。由于目前的技術(shù)手段對(duì)貨物行李和飛機(jī)保障兩部分的流程時(shí)刻收集存在困難,因此筆者采用與旅客相關(guān)的時(shí)刻節(jié)點(diǎn)進(jìn)行后續(xù)實(shí)驗(yàn)。具體選取上海浦東國(guó)際機(jī)場(chǎng)2019年6月1日—12月31日內(nèi) 94 262 條過(guò)站航班保障流程節(jié)點(diǎn)的時(shí)刻數(shù)據(jù),其中延誤航班數(shù)據(jù) 22 270 條,非延誤航班數(shù)據(jù)71 992條。采集的節(jié)點(diǎn)包括計(jì)劃進(jìn)港時(shí)刻、實(shí)際落地時(shí)刻、實(shí)際上輪擋時(shí)刻、開(kāi)艙門時(shí)刻、關(guān)艙門時(shí)刻、登機(jī)口開(kāi)啟時(shí)刻、登機(jī)口關(guān)閉時(shí)刻、實(shí)際撤輪擋時(shí)刻、實(shí)際開(kāi)始滑行時(shí)刻、實(shí)際起飛時(shí)刻、計(jì)劃離港時(shí)刻,如圖2。

圖2 數(shù)據(jù)示意

由于選取的時(shí)刻集合存在前后邏輯關(guān)系,需要進(jìn)行數(shù)據(jù)邏輯處理,處理原則為:

1)檢查采集到的各航班時(shí)刻的前后關(guān)聯(lián),將時(shí)刻數(shù)據(jù)中的異常值剔除,如該航班的某一時(shí)刻與其余時(shí)刻不在同一天,該航班的下一時(shí)刻比上一時(shí)刻早等。

2)由于存在隔夜起飛情況,根據(jù)每條航班中開(kāi)艙門時(shí)刻和關(guān)艙門時(shí)刻差值長(zhǎng)度,將差值長(zhǎng)度超過(guò) 400 且開(kāi)艙門時(shí)刻在晚上、關(guān)艙門時(shí)刻在第二天早上的數(shù)據(jù)歸為隔夜航班集合Tpover,其余數(shù)據(jù)歸為非隔夜航班集合Tpnonover。

3)以各航班的實(shí)際落地時(shí)刻tal、計(jì)劃進(jìn)港時(shí)刻tea、實(shí)際起飛時(shí)刻tad和計(jì)劃離港時(shí)刻ted為航班的參照?qǐng)?zhí)行時(shí)刻,優(yōu)先處理與實(shí)際落地時(shí)刻和實(shí)際起飛時(shí)刻接近的異常和缺失時(shí)刻。將需處理的時(shí)刻數(shù)據(jù)分為兩類:一類與該航班實(shí)際落地時(shí)刻tal或?qū)嶋H起飛時(shí)刻tad相關(guān),另一類與該航班前后兩個(gè)及以上時(shí)刻相關(guān)。針對(duì)兩類異常值和缺失值,在Tpover和Tpnonover中,利用與其余流程節(jié)點(diǎn)上完好時(shí)刻數(shù)據(jù)的關(guān)系進(jìn)行清洗。

筆者用兩類問(wèn)題節(jié)點(diǎn)舉例說(shuō)明。

1)第 1 類異常值使用實(shí)際開(kāi)始滑行時(shí)刻進(jìn)行說(shuō)明,如果第i條航班的實(shí)際開(kāi)始滑行時(shí)刻ti-at缺失或異常,重新計(jì)算出的第i條航班的實(shí)際開(kāi)始滑行時(shí)刻t′i-at如式(1):

(1)

式中:ti-ad為第i條航班的實(shí)際起飛時(shí)刻;ti-at為第i條航班的實(shí)際開(kāi)始滑行時(shí)刻;pnonover和pover分別為非隔夜航班和隔夜航班的航班條數(shù)。

2)第2類異常值使用實(shí)際關(guān)艙門時(shí)刻進(jìn)行說(shuō)明,如果第i條航班的實(shí)際關(guān)艙門時(shí)刻ti-cd缺失或異常,重新計(jì)算得到的第i條航班的實(shí)際關(guān)艙門時(shí)刻t′i-cd如式(2):

(2)

式中:ti-boff為第i條航班的實(shí)際撤輪擋時(shí)刻;ti-od為第i條航班的實(shí)際開(kāi)艙門時(shí)刻。

將清洗后的所有時(shí)刻數(shù)據(jù)作為原始數(shù)據(jù)集合Tp,其中Tp包含Tpover和Tpnonover。

1.2 數(shù)據(jù)特征抽取

為得到非延誤航班各流程的標(biāo)準(zhǔn)時(shí)段,計(jì)算Tp中所有航班實(shí)際起飛時(shí)刻與計(jì)劃離港時(shí)刻的時(shí)間差集合M,如式(3):

(3)

式中:di為第i條航班實(shí)際起飛時(shí)刻與計(jì)劃離港時(shí)刻的時(shí)間差;ti-ad為第i條航班的實(shí)際起飛時(shí)刻;ti-ed為第i條航班的計(jì)劃離港時(shí)刻;tr為機(jī)場(chǎng)實(shí)際起飛時(shí)間和計(jì)劃離港時(shí)間之間可接受的時(shí)間差,tr為常數(shù)。

在Tpover和Tpnonover中,分別劃分延誤航班時(shí)刻集合Tdelay和非延誤航班時(shí)刻集合Tnon-delay,如式(4):

(4)

基于航班中存在的隔夜和非隔夜起飛情況,分別計(jì)算Tdelay和Tnon-delay中航班各前序—后序流程節(jié)點(diǎn)上的時(shí)間差值集合δdelay和δnon-delay。選取各時(shí)間差的上四分位數(shù)QU和下四分位數(shù)QL的數(shù)據(jù)段為標(biāo)準(zhǔn)時(shí)段集合Dstd,選取時(shí)間差如表1。

表1 前序—后續(xù)流程節(jié)點(diǎn)時(shí)間差數(shù)據(jù)統(tǒng)計(jì)

將Dstd與Tdelay中的δdelay進(jìn)行比較,得到距離集合X如式(5)、式(6):

X={x1,x2,…,xis,…,xpdelay×(m-1)}

(5)

(6)

式中:m為一條航班包含的流程節(jié)點(diǎn)個(gè)數(shù)。距離集合X的特征即表1中的第一列特征,隨后將距離集合作為圖卷積神經(jīng)網(wǎng)絡(luò)模型的輸入特征。

2 模型建立

將航班流程節(jié)點(diǎn)轉(zhuǎn)化為圖網(wǎng)絡(luò)結(jié)構(gòu),將其細(xì)化成模型需要的邊集合、索引集合、節(jié)點(diǎn)特征集合和預(yù)測(cè)值集合,構(gòu)建圖卷積神經(jīng)網(wǎng)絡(luò)模型。

2.1 圖網(wǎng)絡(luò)結(jié)構(gòu)建立

筆者使用延誤航班各流程節(jié)點(diǎn)構(gòu)建圖網(wǎng)絡(luò)結(jié)構(gòu)G=(V,E),其中,va∈V,V={v1,v2,…,vn}為由va構(gòu)成的點(diǎn)集合;E={e1,e2,…,epdelay×(m-1)}為(va,vb)構(gòu)成的邊集合;V、vi分別為G中的節(jié)點(diǎn)集合和第i個(gè)流程節(jié)點(diǎn);E、ei分別為G中的邊集合和第i個(gè)邊;pdelay為延誤航班的航班條數(shù),每條航班構(gòu)成的圖網(wǎng)絡(luò)結(jié)構(gòu)中包含m-1條邊。G的鄰接矩陣Aab和度矩陣Dab中的元素Aab、Dab如式(7)、式(8):

(7)

(8)

式中:n為所有延誤航班的總流程節(jié)點(diǎn)個(gè)數(shù)。

2.2 多種圖卷積神經(jīng)網(wǎng)絡(luò)層建立

2.2.1 GCN 層

搭建GCN(graph convolutional networks)卷積層[17]進(jìn)行圖網(wǎng)絡(luò)結(jié)構(gòu)上節(jié)點(diǎn)特征的聚合、更新和傳遞,使用傳播規(guī)則f(·)將圖上特征向下傳遞,傳遞過(guò)程如式(9):

X(l+1)=f(X(l),Aab)

(9)

式中:X(l)為第l層的特征;f(·)為圖網(wǎng)絡(luò)結(jié)構(gòu)G層間的傳播規(guī)則。

根據(jù)式(10)的卷積定理得到圖卷積過(guò)程如式(11);根據(jù)拉普拉斯矩陣的性質(zhì)L=UΛUT,該公式可進(jìn)一步改寫為式(12);引入切比雪夫多項(xiàng)式擬合卷積核,對(duì)圖卷積公式取一階近似,得到圖卷積公式如式(13);圖神經(jīng)網(wǎng)絡(luò)中GCN卷積層之間的傳播過(guò)程如式(14):

(10)

(X?Wθ)G=U[(UTWθ)·(UTX)]

(11)

(Wθ?X)G=Wθ(L)X

(12)

(13)

(14)

式中:Wθ為可學(xué)習(xí)的參數(shù);In為G的自循環(huán);L為G的拉普拉斯矩陣。

2.2.2 GAT 卷積層

GCN卷積層在聚合、更新和傳遞特征時(shí),難以分配不同權(quán)重給不同鄰居節(jié)點(diǎn)。搭建GAT(graph attention networks)卷積層[18],通過(guò)注意力系數(shù)改進(jìn)上述缺點(diǎn)。

分別計(jì)算vi與多個(gè)鄰居節(jié)點(diǎn)之間的注意力權(quán)重。vi到每個(gè)鄰居節(jié)點(diǎn)vj的相關(guān)性系數(shù)eij如式(15);之后計(jì)算注意力系數(shù)αij如式(16);把節(jié)點(diǎn)上的時(shí)間特征加權(quán)求和,得到vi上的新時(shí)間特征x′vi如式(16):

eij=a([wxvi‖wxvj]),vj∈Vi

(15)

(16)

(17)

式中:xvi、xvj為vi、vj的輸入特征;w為不同節(jié)點(diǎn)上可學(xué)習(xí)的參數(shù);a為特征映射函數(shù);f′LeakyReLU(·)為激活函數(shù);x′vi為vi上的新時(shí)間特征;eij為vi到每個(gè)鄰居節(jié)點(diǎn)vj的相關(guān)性系數(shù);αij為vi到每個(gè)鄰居節(jié)點(diǎn)vj的注意力系數(shù)。

最后,通過(guò)GCN卷積層進(jìn)行每個(gè)流程節(jié)點(diǎn)上時(shí)間特征的聚合、更新和傳遞。

2.2.3 GraphSAGE 卷積層

GCN卷積層需要對(duì)整個(gè)圖結(jié)構(gòu)進(jìn)行迭代,搭建GraphSAGE(graph sample and aggregate)卷積層[19]。通過(guò)鄰居采樣將流程節(jié)點(diǎn)的全圖訓(xùn)練模式轉(zhuǎn)化成以各流程節(jié)點(diǎn)為中心的小批量訓(xùn)練模式,避免相同時(shí)間特征多次訓(xùn)練。

(18)

?vj∈Vi

(19)

(20)

結(jié)合文中所述特征和預(yù)測(cè)任務(wù)的特殊性,構(gòu)建雙層圖卷積神經(jīng)網(wǎng)絡(luò)(雙GCN層、雙GAT層、雙GraphSAGE層、單GCN層與單GraphSAGE層相連),每個(gè)雙層圖神經(jīng)網(wǎng)絡(luò)與兩層全連接神經(jīng)網(wǎng)絡(luò)相連,并與一層池化層相接。將節(jié)點(diǎn)導(dǎo)向任務(wù)轉(zhuǎn)化為全局的圖導(dǎo)向任務(wù),構(gòu)成 4 種不同的圖卷積神經(jīng)網(wǎng)絡(luò)(GNN)模型。模型整體架構(gòu)如圖3。

圖3 航班延誤預(yù)測(cè)GNN模型結(jié)構(gòu)示意

3 結(jié)果分析

基于圖卷積神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證文中方法在航班延誤預(yù)測(cè)任務(wù)中的性能。電腦環(huán)境配置為Win 10(64 bit)操作系統(tǒng)、Intel(R) Core(TM) i5-8265U 1.60GHz處理器、16 GB 內(nèi)存、4 GB 顯存。利用 Python 3.7 程序設(shè)計(jì)語(yǔ)言,基于Pycharm的開(kāi)發(fā)環(huán)境、Pytorch模型框架實(shí)現(xiàn)過(guò)站航班延誤預(yù)測(cè)。

3.1 模型參數(shù)設(shè)定

為了使搭建的模型具有較好的性能,針對(duì)4種不同的圖卷積神經(jīng)網(wǎng)絡(luò)模型,對(duì)卷積層神經(jīng)元個(gè)數(shù)、全連接層神經(jīng)元個(gè)數(shù)、學(xué)習(xí)率、批訓(xùn)練數(shù)量、迭代次數(shù)和優(yōu)化器進(jìn)行參數(shù)設(shè)定和比較,選取其中誤差最小的參數(shù)組合,結(jié)果設(shè)定如表2。

表2 不同航班延誤預(yù)測(cè)GNN模型參數(shù)設(shè)定

3.2 預(yù)測(cè)結(jié)果分析

選取平均絕對(duì)誤差EMA、均方根誤差ERMS和平均絕對(duì)百分誤差EMAP共3 個(gè)指標(biāo)以衡量各模型的預(yù)測(cè)值和真實(shí)值的距離。根據(jù)時(shí)刻數(shù)據(jù)的數(shù)據(jù)清洗標(biāo)準(zhǔn),以 2019年數(shù)據(jù)為例,筆者將 3 476 條缺失關(guān)鍵數(shù)據(jù)的樣本刪除,最終可用延誤航班樣本為18 794 條。選取決策樹、隨機(jī)森林和 XGBoost 作為對(duì)比模型,將前 16 500 條延誤航班樣本作為訓(xùn)練集Xtrain和驗(yàn)證集Xval,將第16 501條～第18 794 條延誤航班樣本作為測(cè)試集Xtest,采用5折交叉驗(yàn)證的方法進(jìn)行模型訓(xùn)練。

將測(cè)試集輸入所有模型中,利用三類指標(biāo)橫向?qū)Ρ冉?jīng)典機(jī)器學(xué)習(xí)模型和圖卷積神經(jīng)網(wǎng)絡(luò)模型的性能。7 種模型的多種預(yù)測(cè)誤差如表3。經(jīng)典機(jī)器學(xué)習(xí)模型的預(yù)測(cè)結(jié)果如圖4～圖6,圖卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程和預(yù)測(cè)結(jié)果如圖7。為了驗(yàn)證模型的有效性,進(jìn)一步利用2020年6月—12月內(nèi)13 240 條航班中轉(zhuǎn)流程中的保障節(jié)點(diǎn)數(shù)據(jù)建模分析,在進(jìn)行數(shù)據(jù)清洗和特征轉(zhuǎn)換后,比較 7 種模型的預(yù)測(cè)誤差,結(jié)果如表3。

表3 不同航班延誤預(yù)測(cè)模型誤差

圖4 模型預(yù)測(cè)結(jié)果

通過(guò)對(duì)比表3和圖4、圖5可知,在經(jīng)典機(jī)器學(xué)習(xí)模型中,隨機(jī)森林模型和決策樹模型的預(yù)測(cè)各有利弊。由于隨機(jī)森林模型訓(xùn)練了多個(gè)弱回歸器,按照Bagging的規(guī)則對(duì)單棵決策樹的結(jié)果進(jìn)行平均,因此其偏向均值預(yù)測(cè),對(duì)異常值的挖掘不及決策樹模型敏感,而決策樹模型的預(yù)測(cè)結(jié)果易呈現(xiàn)出高峰和低谷。總體來(lái)看,決策樹模型在測(cè)試集上顯示出更好的泛化能力。雖然利用經(jīng)典機(jī)器學(xué)習(xí)模型能夠得到相對(duì)較快的預(yù)測(cè)結(jié)果,但是筆者提出的圖卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)平均速度在實(shí)際應(yīng)用場(chǎng)景中仍在可接受范圍內(nèi)。因此,從模型運(yùn)算速度上來(lái)看,筆者提出的圖卷積神經(jīng)網(wǎng)絡(luò)模型更實(shí)用。相對(duì)經(jīng)典機(jī)器學(xué)習(xí)模型,筆者提出的 4 種圖卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度更高,利用圖論的思想能更好地捕捉航班中轉(zhuǎn)流程保障節(jié)點(diǎn)的時(shí)刻數(shù)據(jù)中存在的時(shí)序和時(shí)間關(guān)系。在4種圖卷積神經(jīng)網(wǎng)絡(luò)中,雖然GCN模型的預(yù)測(cè)精度較差,但是其在訓(xùn)練時(shí)更容易穩(wěn)定、快速地收斂。將GCN層-GraphSAGE集成搭建的圖卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度在所有模型中效果最好,但是雙層GraphSAGE模型在驗(yàn)證集上取得的精度相對(duì)GCN-GraphSAGE集成模型來(lái)說(shuō)更好。綜上,在過(guò)站航班保障流程提取到的時(shí)刻數(shù)據(jù)中,筆者提出的基于圖卷積神經(jīng)網(wǎng)絡(luò)的航班延誤預(yù)測(cè)模型預(yù)測(cè)誤差更小。

圖5 多種圖卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及預(yù)測(cè)結(jié)果

4 結(jié) 論

筆者使用過(guò)站航班保障流程中的時(shí)刻數(shù)據(jù),并引入圖卷積神經(jīng)網(wǎng)絡(luò)模型以提高預(yù)測(cè)精度,通過(guò)實(shí)例驗(yàn)證得出以下結(jié)論:

1)基于過(guò)站航班原始特征訓(xùn)練的對(duì)比模型預(yù)測(cè)精度較差,反映出過(guò)站航班保障流程中原始時(shí)刻特征與航班延誤時(shí)間之間存在非線性或線性關(guān)系的概率較小。

2)從非延誤航班中抽取各流程節(jié)點(diǎn)間的標(biāo)準(zhǔn)作業(yè)時(shí)段,利用其與標(biāo)準(zhǔn)時(shí)段的時(shí)間差構(gòu)建的模型預(yù)測(cè)精度較好,反映出筆者提出的數(shù)據(jù)清洗方式有利于預(yù)測(cè)航班延誤的發(fā)生。

3)在過(guò)站航班保障流程節(jié)點(diǎn)上聚合鄰居節(jié)點(diǎn)的時(shí)間特征能夠更全面的提取流程節(jié)點(diǎn)的時(shí)間特征,使所提出的模型在圖級(jí)別的預(yù)測(cè)精度更好。

4)筆者提出的針對(duì)過(guò)站航班保障流程節(jié)點(diǎn)的航班延誤預(yù)測(cè)方法優(yōu)勢(shì)在于模型的預(yù)測(cè)精度高且收斂速度在可接受范圍內(nèi),但是該模型對(duì)原始數(shù)據(jù)的連貫性和邏輯性要求高,針對(duì)原始時(shí)刻數(shù)據(jù)需要進(jìn)行大量邏輯判斷和清洗更正工作。

盡管筆者提出的方法在短期出發(fā)延誤預(yù)測(cè)方面取得了較優(yōu)的結(jié)果,但在這項(xiàng)研究中仍然需要解決幾個(gè)局限性。文中采集時(shí)刻數(shù)據(jù)人工錄入方式占比較大,存在一定誤差,模型的預(yù)測(cè)結(jié)果中均方根誤差較大,未來(lái)針對(duì)時(shí)刻數(shù)據(jù)如何高效采集仍是需要解決的問(wèn)題之一。其他相關(guān)因素也可能對(duì)起飛延誤有影響,因此未來(lái)的研究仍然需要確定其他重要變量的影響,如航路的天氣信息、前序機(jī)場(chǎng)和后序機(jī)場(chǎng)、其他節(jié)點(diǎn)的序列數(shù)據(jù),可以進(jìn)一步提高延誤預(yù)測(cè)精度。筆者僅以上海浦東國(guó)際機(jī)場(chǎng)為例進(jìn)行模型分析,來(lái)自其他機(jī)場(chǎng)的數(shù)據(jù)也可用于進(jìn)一步調(diào)查所提出模型的穩(wěn)健性和適用性。