面向全网航班延误预测的时空传播学习
机器学习
2022-07-15 v1 人工智能
摘要
揭示多个机场间的延误传播机制是精确且可解释延误预测的基础，这对所有航空业利益相关者的决策至关重要。主要挑战在于有效利用与延误传播相关的时空依赖与外生因素。然而，以往工作仅考虑有限的时空模式与少量因素。为促进更全面的延误传播建模，我们提出时空传播网络（STPN），一种时空可分离图卷积网络，在时空依赖捕捉上具有新颖性。在空间关系建模方面，我们提出考虑地理邻近性与航班时刻的多图卷积模型。在时间依赖捕捉方面，我们提出可端到端学习的多头自注意力机制，显式推理延误时间序列的多种时间依赖。我们表明联合时空学习模型产生克罗内克积之和，将时空依赖分解为若干空间与时间邻接矩阵之和。借此，STPN 允许空间与时间因素的交叉对话以建模延误传播。此外，在 STPN 每一层加入挤压激励（squeeze and excitation）模块以增强有意义的时空特征。为此，我们将 STPN 应用于大规模机场网络的多步提前到达与起飞延误预测。为验证模型有效性，我们使用包括美国与中国航班延误的两个真实延误数据集进行实验，表明 STPN 优于最先进方法。此外，STPN 生成的_counterfactuals 显示其学到了可解释的延误传播模式。
引用
@article{arxiv.2207.06959,
title = {Spatiotemporal Propagation Learning for Network-Wide Flight Delay Prediction},
author = {Yuankai Wu and Hongyu Yang and Yi Lin and Hong Liu},
journal= {arXiv preprint arXiv:2207.06959},
year = {2022}
}
备注
14 pages,8 figures