基于数据挖掘的航班延误的分析与预测
发布时间：2020-12-12 15:59
近年来,伴随着民航出行需求的快速增长,航班量逐年递增,航班延误问题也日渐严重。当航班延误不可避免时,分析和总结航班延误的相关规律可以为减轻航班延误提供有效建议和有益参考。本文收集了某航空公司和OAG数据库的大量历史数据,采用统计学和数据挖掘相关方法发现海量数据背后潜藏的规律和知识。本文通过统计历年航班数据找出导致航班延误的主要原因。利用决策树模型找到对当前航班延误类型影响最大的因素,同时分析了不同航班延误类型的出现条件,并得到了置信度在0.9以上的决策规则。通过统计和分析不同因素下首航班和非首航班的航班延误率的变化,找到了影响首航班延误率和非首航班延误率的因素。采用TAN贝叶斯网络模型对首航班和非首航班的延误状态进行建模,得到了影响首航班和非首航班延误状态的主要因素,并且从定量角度分析了主要因素对于航班延误状态的影响程度,同时发现部分因素之间存在关联。通过计算航班实际延误时间的均值、中位数、偏度等统计学指标,分析其变化趋势和极值代表的意义,得出了实际延误时间在不同月份和不同小时的变化规律。借助改进后的KNN模型建立了一种预测航班实际延误时间的模型,并根据RMSE和MAE选择使预测精度最...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
本文的技术路线
图 2.2 决策树的示意图表 2.3 决策规则的示意图编号 决策规则1 如果无收入，则不放贷2 如果有收入且有存款，则放贷3 如果有收入且无存款，则不放贷点优点成结果具有较强的可读性，很容易转化成规则，便于下值变量、字符型变量，允许数据存在缺失值；，运算速度快；些变量对于目标字段来说更重要。缺点的预测效果较差；较多时分类或者预测的准确率会下降，当数据不平衡时预
基于数据挖掘的航班延误的分析与预测测当前航班延误原因可以减少 42.1%的误差。表 2.13 延误原因和前序航班延误原因的列联表分析结果方向度量值 渐进标准误差a近似值 Tb近Lambda对称的 .324 .001 192.378 延误原因 （目标变量） .420 .002 171.818 前序航班延误原因（目标变量） .266 .001 184.951 Tau延误原因 （目标变量） .421 .001 前序航班延误原因（目标变量） .237 .001 a 研 研 研 研 研 研 研 研 研 b 研 研 研 研 研 研 研 研 研 研 研 研 研 研 研 研 c 研 研 研 研 研 研 研图 2.3、图 2.4、图 2.5 可以看到，除了前序航班的延误原因外，其余解释变量重要性在不同算法中并不一致，这主要是决策树的不同算法对分裂属性的选取。
【参考文献】：
期刊论文
[1]面向机场时段差异的航班延误免疫预测算法[J]. 丁建立,王曼,曹卫东,胡海生,黄威. 计算机工程与设计. 2015(04)
[2]采用支持向量机回归的航班延误预测研究[J]. 罗赟骞,陈志杰,汤锦辉,朱永文. 交通运输系统工程与信息. 2015(01)
[3]基于加权马尔科夫的航班延误预测研究[J]. 李频,刘君强. 滨州学院学报. 2014(06)
[4]基于时序数据挖掘的航班延误预测分析[J]. 罗凤娥,张成伟. 现代电子技术. 2014(24)
[5]基于物元二次可拓多机场起飞延误关联性分析及预测[J]. 岳仁田,魏子琦. 科学技术与工程. 2014(28)
[6]基于修正延误波及树的航班延误传播研究[J]. 吴薇薇,郑松林. 交通信息与安全. 2014(04)
[7]基于航空信息网络的枢纽机场航班延误预测模型[J]. 罗谦,张永辉,程华,李川. 系统工程理论与实践. 2014(S1)
[8]航班延误关键影响因素及影响程度识别——基于动态排队模型的分析[J]. 杨秀云,王军,何建宝. 统计与信息论坛. 2014(04)
[9]首都机场航班延误分布规律分析[J]. 杨文东,黄鹂诗,刘万明. 交通运输系统工程与信息. 2013(02)
[10]基于GATS贝叶斯网络结构学习的航班延误模型[J]. 曹卫东,丁建立. 计算机工程与应用. 2012(31)
博士论文
[1]动态数据驱动的航班延误预测关键技术研究[D]. 陈海燕.南京航空航天大学 2012
[2]天气影响的机场容量与延误评估研究[D]. 张静.南京航空航天大学 2012
[3]基于贝叶斯网络的航班延误与波及预测[D]. 刘玉洁.天津大学 2009
硕士论文
[1]基于监督式学习模型的航班延误分析与预测[D]. 刘乙超.浙江大学 2016
[2]基于时间序列数据分析的飞机延迟预测研究[D]. 程洁.南京邮电大学 2015
[3]基于航班着陆率的航班延误研究[D]. 扶雪浇.中国民用航空飞行学院 2013
[4]航班延误及其衍生事件预测预警方法研究[D]. 吴抗抗.南京航空航天大学 2012
[5]我国航班延误成因分析及服务应对策略研究[D]. 邱红平.复旦大学 2011
[6]基于数据挖掘的航班延误预测模型及方法的研究[D]. 刘小飞.南京航空航天大学 2010
[7]基于数据挖掘技术的航班延误DSS研究[D]. 牛亦.电子科技大学 2010
[8]航班延误统计指标体系及延误等级评估研究[D]. 张亮.中国民航大学 2008
本文编号：2912865
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
本文的技术路线
图 2.2 决策树的示意图表 2.3 决策规则的示意图编号 决策规则1 如果无收入，则不放贷2 如果有收入且有存款，则放贷3 如果有收入且无存款，则不放贷点优点成结果具有较强的可读性，很容易转化成规则，便于下值变量、字符型变量，允许数据存在缺失值；，运算速度快；些变量对于目标字段来说更重要。缺点的预测效果较差；较多时分类或者预测的准确率会下降，当数据不平衡时预
基于数据挖掘的航班延误的分析与预测测当前航班延误原因可以减少 42.1%的误差。表 2.13 延误原因和前序航班延误原因的列联表分析结果方向度量值 渐进标准误差a近似值 Tb近Lambda对称的 .324 .001 192.378 延误原因 （目标变量） .420 .002 171.818 前序航班延误原因（目标变量） .266 .001 184.951 Tau延误原因 （目标变量） .421 .001 前序航班延误原因（目标变量） .237 .001 a 研 研 研 研 研 研 研 研 研 b 研 研 研 研 研 研 研 研 研 研 研 研 研 研 研 研 c 研 研 研 研 研 研 研图 2.3、图 2.4、图 2.5 可以看到，除了前序航班的延误原因外，其余解释变量重要性在不同算法中并不一致，这主要是决策树的不同算法对分裂属性的选取。
【参考文献】：
期刊论文
[1]面向机场时段差异的航班延误免疫预测算法[J]. 丁建立,王曼,曹卫东,胡海生,黄威. 计算机工程与设计. 2015(04)
[2]采用支持向量机回归的航班延误预测研究[J]. 罗赟骞,陈志杰,汤锦辉,朱永文. 交通运输系统工程与信息. 2015(01)
[3]基于加权马尔科夫的航班延误预测研究[J]. 李频,刘君强. 滨州学院学报. 2014(06)
[4]基于时序数据挖掘的航班延误预测分析[J]. 罗凤娥,张成伟. 现代电子技术. 2014(24)
[5]基于物元二次可拓多机场起飞延误关联性分析及预测[J]. 岳仁田,魏子琦. 科学技术与工程. 2014(28)
[6]基于修正延误波及树的航班延误传播研究[J]. 吴薇薇,郑松林. 交通信息与安全. 2014(04)
[7]基于航空信息网络的枢纽机场航班延误预测模型[J]. 罗谦,张永辉,程华,李川. 系统工程理论与实践. 2014(S1)
[8]航班延误关键影响因素及影响程度识别——基于动态排队模型的分析[J]. 杨秀云,王军,何建宝. 统计与信息论坛. 2014(04)
[9]首都机场航班延误分布规律分析[J]. 杨文东,黄鹂诗,刘万明. 交通运输系统工程与信息. 2013(02)
[10]基于GATS贝叶斯网络结构学习的航班延误模型[J]. 曹卫东,丁建立. 计算机工程与应用. 2012(31)
博士论文
[1]动态数据驱动的航班延误预测关键技术研究[D]. 陈海燕.南京航空航天大学 2012
[2]天气影响的机场容量与延误评估研究[D]. 张静.南京航空航天大学 2012
[3]基于贝叶斯网络的航班延误与波及预测[D]. 刘玉洁.天津大学 2009
硕士论文
[1]基于监督式学习模型的航班延误分析与预测[D]. 刘乙超.浙江大学 2016
[2]基于时间序列数据分析的飞机延迟预测研究[D]. 程洁.南京邮电大学 2015
[3]基于航班着陆率的航班延误研究[D]. 扶雪浇.中国民用航空飞行学院 2013
[4]航班延误及其衍生事件预测预警方法研究[D]. 吴抗抗.南京航空航天大学 2012
[5]我国航班延误成因分析及服务应对策略研究[D]. 邱红平.复旦大学 2011
[6]基于数据挖掘的航班延误预测模型及方法的研究[D]. 刘小飞.南京航空航天大学 2010
[7]基于数据挖掘技术的航班延误DSS研究[D]. 牛亦.电子科技大学 2010
[8]航班延误统计指标体系及延误等级评估研究[D]. 张亮.中国民航大学 2008
本文编号：2912865
本文链接：https://www.wllwen.com/jingjilunwen/jtysjj/2912865.html
