改航预测服务

仅2019年，美国国家空域系统的延误成本估计就达330亿美元，为过去数年增长趋势下的峰值。为解决这一巨大低效问题，我们设计开发了新颖的数据分析与机器学习系统，旨在通过主动支持改航决策来减少延误。给定未来数天的时段，系统预测是否会针对某空中航路交通管制中心或某咨询标识符发布改航咨询，这可能影响相关航路。为给出此类预测，系统使用从FAA提供的系统广域信息管理(SWIM)数据服务收集的历史改航数据，以及美国环境预测国家中心(NCEP)提供的气象数据。数据体量巨大，且许多项以高速流式传入、不相关且含噪声。系统持续处理原始输入数据，并为下一步提供可用数据，该步创建并自适应维护临时数据存储以支持高效查询处理。所得数据被输入一组相互竞争以求更高精度的ML算法。性能最优的算法用于最终预测，生成最终结果。本系统实验所得平均准确率高于90%。我们的算法将关注区域划分为聚合单元，并利用各地理单元气象预报参数的聚合测度时间序列，以检测与改航的相关性及其最可能发生位置。面向实际应用，系统由若干微服务组成，部署于云端，具备分布式、可扩展与高可用性。