FlightSense：基于旋转链传播特征与智能体对话 AI 的实时航班延误预测端到端 MLOps 平台
机器学习
2026-05-19 v2
摘要
航班延误在航空网络中引发连锁运营与财务负担，年均耗费美国经济数十亿美元，破坏 interconnected 飞机旋转系统。虽然先前机器学习方法在预测性能上表现突出，但大多将上游延误视为静态输入变量，而未显式建模延误如何通过飞机旋转链动态传播；且无人部署配合实时天气感知的对话式 AI 界面供用户交互。本文提出 FlightSense，一个面向实时航班延误预测的端到端 MLOps 平台，构建渐进式三版本特征工程框架。版本1在11个日程特征上训练 XGBoost 分类器，基于2018 年美国 BTS On-Time Performance 记录获得0.732的 ROC AUC 基线。版本2引入11个源自飞机旋转链的延误传播特征(通过机尾号追踪)，实现主导性性能提升(ROC AUC 从0.732提升至0.875)，超越 Zhou(2025)报告的单阶段 XGBoost 基线。版本3整合5个 NOAA 气象特征覆盖10个美国主要机场，最终测试集 ROC AUC 达0.879。FlightSense 以生产级 AWS MLOps 流水线部署，包含通过 Lambda 实时天气摄取、SageMaker 实时推理、交互式 Streamlit 仪表板，以及 Amazon Bedrock Nova Micro 对话式助手通过工具-使用架构回答自然语言延误查询。
引用
@article{arxiv.2605.07364,
title = {FlightSense: An End-to-End MLOps Platform for Real-Time Flight Delay Prediction via Rotation-Chain Propagation Features and Agentic Conversational AI},
author = {Aditi J. Shelke and Renuka J. Shelke and Yash M. Kamerkar and Nitin P. Hazarani},
journal= {arXiv preprint arXiv:2605.07364},
year = {2026}
}
备注
12 pages, 5 figures, 9 tables; machine learning, MLOps, aviation delay prediction