面向集成学习的航班离港延误状态预测

doi:10.13873/J.1000-9787(2023)09-0141-04

Chinese

您当前的位置：

首页 >

文章列表页 >

面向集成学习的航班离港延误状态预测

更新时间：2025-09-11

- 面向集成学习的航班离港延误状态预测
- Issue 9, Pages: 141-144(2023)
- 作者机构：
  
  1. 北京信息科技大学自动化学院
  2. 北京信息科技大学计算机学院
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2023)09-0141-04
  CLC： V355;TP181
- Published：2023
- 稿件说明：
移动端阅览
[J]. 2023, (9): 141-144.
DOI：

[J]. 2023, (9): 141-144. DOI： 10.13873/J.1000-9787(2023)09-0141-04.

摘要

为了消除特征维度不足和稀疏数据对预测模型带来的负面影响，提出一种基于奇异值分解(SVD)和集成学习的航班离港延误预测方法。使用SVD对类别特征信息挖掘的同时，增加特征维度；采用LightGBM作为集成学习的特征转换器，将树中每个叶节点信息作为特征向量送入到Logistic模型进行离港延误预测。实验结果表明：SVD和集成学习方法均能够大幅度提高预测准确度，准确度达94.9%

为航空枢纽提供重要的参考和使用价值。

Abstract

关键词

Keywords

references

基于多变量LSTM的GPS坐标时间序列预测模型[J]. 胡向阳;孙宪坤;尹玲;李世玺;张仕森.传感器与微系统,2021(03)

基于时效信息和深度学习的离港航班延误预测[J]. 徐海文;付振宇;傅强.科学技术与工程,2020(34)

基于支持向量回归和线性回归的航班延误组合预测[J]. 王语桐;朱金福;马思思.武汉理工大学学报(交通科学与工程版),2019(03)

基于梯度提升决策树的航班延误分类预测[J]. 刘金元;丁勇;李涛.数学的实践与认识,2018(04)

基于Logistic模型的大面积航班延误预测方法研究[J]. 曹悦琪;贾奇.交通信息与安全,2017(01)

基于贝叶斯网络的机场航班延误因素分析[J]. 邵荃;罗雄;吴抗抗;韩松臣.科学技术与工程,2012(30)

A deep learning approach to predict the spatial and temporal distribution of flight delay in network[J]. Ai Yi;Pan Weijun;Yang Changqi;Wu Dingjie;Tang Jiahao.Journal of Intelligent & Fuzzy Systems,2019

Indicator of serious flight delays with the approach of time-delay stability[J]. Yan-Jun Wang;Yun-Feng Zhu;Chen-Ping Zhu;Fan Wu;Hui-Jie Yang;Yong - Jie Yan;Chin-Kun Hu.Physica A: Statistical Mechanics and its Applicat,2018

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于毫米波MIMO雷达的人体生命体征检测方法

基于集成学习模型的光纤陀螺温度漂移补偿

Related Author

袁新芳

陈平

吴泱序

毛宁

许江宁

何泓洋

吴苗

Related Institution

中北大学动态测试技术国家重点实验室

海军工程大学电气工程学院

⁰