乘队起飞：用于航班延误预测的可迁移深度学习框架
机器学习
2025-07-15 v1 人工智能
摘要
航班延误是航空业中的重大挑战，导致重大的财务和运营中断。为提高乘客体验并减少收入损失，航班延误预测模型必须在不同网络之间保持精确和可迁移性。本文引入一种新方法，将 Queue-Theory 与简单注意力模型结合，称为 Queue-Theory SimAM（QT-SimAM）。为验证我们的模型，我们使用了美国运输统计局的数据，其中我们的提议 QT-SimAM（双向）模型在准确率为 0.927、F1 分数为 0.932 的情况下超越了现有方法。为评估可迁移性，我们在 EUROCONTROL 数据集上测试了该模型。结果显示模型性能强劲，准确率达到 0.826，F1 分数为 0.791。最终，本文概述了一种有效的、从头到尾的航班延误预测方法。该模型在不同网络之间以高准确率预测延误的能力，可以帮助减少乘客的焦虑并改进运营决策。
引用
@article{arxiv.2507.09084,
title = {Queue up for takeoff: a transferable deep learning framework for flight delay prediction},
author = {Nnamdi Daniel Aghanya and Ta Duong Vu and Amaëlle Diop and Charlotte Deville and Nour Imane Kerroumi and Irene Moulitsas and Jun Li and Desmond Bisandu},
journal= {arXiv preprint arXiv:2507.09084},
year = {2025}
}
备注
3 figures, 20 pages references and appendix included,