基于时空图卷积神经网络的离港航班延误预测

摘要：

对于日益频发的机场航班延误,精准的航班延误预测是最重要的防范措施之一.通过谱图卷积将机场网络从不规则的图结构转换为规则的网络结构,利用图卷积神经网络(GCN)和门控线性单元(GLU)捕获网络中的时空相关性并组成时空卷积块,提出可以预测离港航班延误状况的时空图卷积神经网络(STGCN).遴选美国51座枢纽机场构建机场网络,并预测未来一段时间内的机场离港准点率以检验STGCN用于预测航班延误的可行性.结果表明:当预测窗口为1天时,STGCN预测结果的平均绝对误差(MAE)相对于历史平均(HA)法、长短期记忆循环神经网络(LSTM)、堆栈自编码器(SAEs)分别下降了18.19％、10.45％、6.24％;当预测窗口为2天时,MAE分别下降了9.93％、3.96％、4.37％;当预测窗口为3天时,MAE分别下降了7.02％、2.47％、9.20％.实例证明STGCN相比传统模型能够显著提升航班延误预测的精度,并为机场制定延误决策提供参考指导.

关键词：航班延误预测、深度学习、机场网络、图卷积神经网络、门控线性单元

所属期刊栏目：49

分类号：V351(航空港（站）、机场及其技术管理)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金

在线出版日期：2023-06-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1044-1052