基于时空数据挖掘的航空延误预测
机器学习
2021-06-16 v1 系统与控制
系统与控制
摘要
为应对未来十年商业航班的空前增长,美国已部署下一代空中交通系统(Next Generation Air Transportation System, NextGen),其记录大规模空中交通管理(Air Traffic Management, ATM)数据,以使航空旅行更安全、更高效、更经济。空中交通调度与空域资源协同决策的关键一环是准确预测航班延误。已有大量尝试应用机器学习等数据驱动方法,利用起降空中交通数据预测航班延误状况。然而,多数方法忽略了航班的航路空间信息及连续航班间的时间相关性,导致预测不准确。本文提出一种基于堆叠长短期记忆(Long Short-Term Memory, LSTM)网络的商业航班航空延误预测系统。该系统从历史广播式自动相关监视(automatic dependent surveillance-broadcast, ADS-B)报文轨迹中学习,并利用相关地理位置沿后向航路收集气候要素、空中交通、空域及人为因素等不可或缺的特征。这些特征被整合后输入我们所提出的回归模型。数据的潜在时空模式在LSTM架构中被抽象与学习。相较先前方案,我们的方法对大型枢纽机场表现出更强的鲁棒性与准确性。
引用
@article{arxiv.2103.11221,
title = {Spatio-Temporal Data Mining for Aviation Delay Prediction},
author = {Kai Zhang and Yushan Jiang and Dahai Liu and Houbing Song},
journal= {arXiv preprint arXiv:2103.11221},
year = {2021}
}