基于贝叶斯网络的航班离港延误预警分析
基于贝叶斯判别的机场航班延误因素分析
基于贝叶斯判别的机场航班延误因素分析clc,clear,close allload('sourcedata.mat');load data.matload('datatest.mat');n=size(data);%% 创建朴素贝叶斯分类器对象%% 创建朴素贝叶斯分类器对象ObjBayestraining=data(1:103,1:5);group=data(1:103,6);ObjBayes = NaiveBayes.fit(training,group,'Distribution','kernel')%% 对训练样本进行判别%% 利用所创建的朴素贝叶斯分类器对象ObjBayes，对训练样本进行判别pre0 = ObjBayes.predict(training);disp '贝叶斯分类器训练数据和实际结果是否相等，相等为1，否则为0'isequal(pre0, group) % 判断判别结果pre0与分组向量group是否相等pre1 = ObjBayes.predict(data(1:103,1:5));figure,subplot(211),bar(data(:,6));figure(gcf);axis tight,box off,grid on title('原始数据---> 用于训练网络---103组数据---实际延误率') subplot(212),bar(pre1);figure(gcf);axis tight,box off,grid ontitle('贝叶斯网络训练结果---预测延误率')%% 贝叶斯预测误差统计By1=ysw(data,pre1)%%%% 对于样本进行预测test=datatest(:,1:5);datatestresult=datatest(:,6);pre2 = ObjBayes.predict(test);figure,subplot(211),bar(datatest(:,6));figure(gcf);axis tight,box off,grid on title('输入待检验的数据，实际结果')subplot(212),bar(pre2);figure(gcf);axis tight,box off,grid on title('贝叶斯网络训练结果')%% 贝叶斯预测误差统计By2=ysw(datatest,pre2)。
航班延误论文综述
忻州师范学院第二届数学建模竞赛论文题目：航班延误问题目录摘要 (2)问题重述 (3)问题分析 (3)模型假设 (8)符号说明 (9)模型建立与分析 (9)模型的评价 (10)问题建议 (11)参考文献 (11)附录 (12)题目：航班延误问题一、摘要在我国民航事业快速发展的过程中，随着航班延误事件的增多，航班延误已成为制约航空业发展的绊脚石。
根据的统计，香港南华早报网称：中国的航班延误最严重。
本文阐述了航班延误的概念，通过翻阅书籍和搜查资料，航班延误与多个因素有关(1)，简单分为四类：航空管制，天气原因，空域流量，空域划分。
由于多个因素，我们建立了一种基于贝叶斯网络的航班延误预测分析模型，该模型考虑了影响航班延误的原因的相关因素，通过设定各因素的属性信息，可以对航班是否发生延误进行预测。
利用贝叶斯公式在数据上进行挖掘，不断完善观点。
对事情曾经发生的频率的考察，进行估计。
分析不同因素对航班延误的影响大小。
从航空管制，天气原因，空域流量，空域划分等方面综合分析航班影响因素，得出中国航班延误确实比较严重。
对中国民航的普遍问题认真分析，希望可以为民航延误的问题带来一些帮助。
关键词：航班延误，主要原因，贝叶斯网络，预测分析二、问题重述航班延误一直困扰是国际国内民航业的一个热点问题。
近年间我国航空延误口益加重，己经影响到民航业的发展，改善延误状况迫在眉睫。
航班延误多发生在繁忙的枢纽机场，枢纽机场又是多数航班的转乘点，是航班链中的关键环节。
当航班延误发生在繁忙的枢纽机场时，延误在航班链中的波及将不可避免。
减轻繁忙枢纽机场的延误，可以使整条航班链，继而整个民航系统的运行状态得到改善。
空域、机场资源难以满足日益增长的航班量，再辅以天气等诸多影响航班正常运行的因素，机场大面积航班延误难以避免。
为了分析大面积航班延误的影响因素，对机场航班延误进行预警，减少其对机场与航空公司所造成的损失。
最近几年，中国经济快速发展，民航也迅速发展，航线网络不断扩大，航班量急剧增加，数据调查显示空管原因造成的航班延误占航班延误总比例的57.0%。
基于贝叶斯网络的空中交通延误传播分析
Ａｎａ ｌ ｙ ｓ ｉ ｓ ｏ ｆ ａ ｉ ｒ ｔ ｒ ａ ｉｃ ｆ ｄ ｅ ｌ ａ ｙ ｐｒ ｏ ｐａ ｇ ａ ｔ ｉ ｏ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｂａ ｙ ｅ ｓ ｉ ａ ｎ ｎｅ ｔ ｗｏ ｒ ｋｓ
Ｚ Ｈ Ａ ０ Ｙ ｉ 币 ， Ｍ Ａ Ｌ ｅ — ｃ ｈ ｕ ａ ｎ ， ＷＡＮ Ｇ Ｈｏ ｎ ｇ － ｙ ｏ ｎ ｇ
第３ １卷
第 １ 期
中 国 民 航 大 学 学 报
Ｊ ＯＵＲＮＡＬ ０Ｆ ＣＩ ＶＩ Ｌ ＡＶＩ ＡＴ１ ０Ｎ ＵＮＩ ＶＥＲＳ Ｉ ＴＹ ０Ｆ ＣＨＩ ＮＡ
Ｖ０ ｌ ３１ Ｎｏ ． １ Ｆ ｅ ｂ ｒ ｕａ ｒ ｙ ２ ０１ ３
２ ０ １ ３年 ２月
基 于贝 叶斯 网络 的 空 中交 通 延 误传 播 分析
ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ ｂ ｅ ｔ ｗｅ ｅ ｎ ｔ ｈ ｅ ａ ｉ ｐｏ ｒ ａ ． Ｔ ｈ ｅ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ｄ ａ ｔ ａ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ，ｗ ｈ ｅ ｎ ａ ｎ ａ ｉ ｒ ｐ ｏ ｔ ｒ ｄ ｅ ｐ ａ ￣ ｕ ｒ ｅ ｄ ｅ ｌ ａ ｙ ｓ ｐ ｒ ｏ ｄ ｕ ｃ ｅ ｄ， ｔ ｈ ｅ ｄ ｅ ｌ ａ ｙ ｗｉ ｌ ｌ ｎ ｏ ｔ ｄ ｉ ｓ ａ ｐ ｐ ｅ ａ ｒ ，ｂ ｕ ｔ ａ ｔ ｆ ｅ ｒ ａ ｔ ｉ ｍｅ ｓ ｐ ｒ ｅ ａ ｄ ｔ ｏ ｏ ｔ ｈ ｅ ｒ ａ ｉ ｐｏ ｒ ｒ ｔ ｓ ，ｃ ａ ｕ ｓ ｉ ｎ ｇ ｏ ｔ ｈ ｅ ｒ ａ ｉ ｐｏ ｒ ｒ ｔ ｄ ｅ ｌ ａ ｙ ｓ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：Ｂ ａ ｙ ｅ ｓ ｉ ａ ｎ ｎ ｅ ｔ ｗｏ ｒ ｋ ｓ ；ｆ ｌ ｉ ｇ ｈ ｔ ｄ ｅ ｌ ａ ｙ；ｄ ｅ ｌ ａ ｙ ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ
基于机器学习的航班延误预测与分析
基于机器学习的航班延误预测与分析随着人们对旅游和商务出差的需求不断增加，航空业的发展也愈发迅猛。
然而，在旅途中遇到航班延误和取消的情况也变得越来越普遍。
延误和取消给旅客带来的不便和经济损失，也给航空公司和相关机构带来了重大的财务和品牌损失。
因此，对于航班延误的预测和分析成为了一个迫切需要解决的问题。
而机器学习技术的广泛应用，则为这一问题的解决提供了极大的帮助。
一、机器学习技术的概述机器学习，是利用样本数据来进行训练，从而使计算机能够自动地构建预测模型，从而更加准确地预测未来的结果的一种人工智能技术。
机器学习技术有监督学习、无监督学习和半监督学习等多种模式。
其中，有监督学习是最常用的一种模式。
通过对训练样本的学习，系统能够建立一个关于待预测数据的函数，然后利用已知的输入，对未知的输出进行预测。
二、机器学习在航班延误预测中的应用航班延误预测是目前的研究重点之一。
机器学习作为先进的数据挖掘技术，也有着广泛的应用。
机器学习可以根据大量的历史数据，分析出导致航班延误的各种原因，从而预测未来的航班延误情况。
与传统的航班延误预测方法相比，机器学习技术的预测精度更高、更准确。
以下是机器学习在航班延误预测中的应用场景：1. 航空公司预测：机器学习可以帮助航空公司预测航班延误情况，并根据需要对航班进行调度和调整，以减少延误时间和降低影响。
2. 机场效率提高：通过机器学习技术来预测航班的延误情况，机场管理部门可以更加科学地调整资源分配，提高机场运营效率。
3. 旅客服务：通过机器学习技术对航班延误和取消等问题的预测，旅客可以提前知道航班的状态，从而做出合理的准备和出行安排。
三、机器学习在航班延误预测中的算法下面是机器学习在航班延误预测中的一些常用的算法：1. 朴素贝叶斯算法：朴素贝叶斯是基于贝叶斯定理和概率统计的一种机器学习算法。
在航班延误预测中，朴素贝叶斯可以对航班延误所涉及到的各种因素进行联合概率分析，从而得出航班延误情况的概率。
基于聚类与贝叶斯网络的航班离港延误预测模型
usl tu divine the vvvanCe intervvi, which ccn sianimconyy imprcgv the preeiction acccracc
of the monel.
Key worbt: departina flighw; flight delay; delay preeiction; 011131^ analysit; Bayesiag getwork ； confusion matwo
第1期
李晓霞，等:基于聚类与贝叶斯网络的航班离港延误预测模型
-111 -
机场的离港延误而产生，本文重点研究离港延误的
问题• 3口果在已知过站航班运行的外部压力（如天 气，飞机排队架次等）的情况下，可对航班的离港
延误进行预测•预测结果可以给相关部门预警，提 前做好应对措施，以提高旅客满意度.
国内外有许多学者对航班延误的预测进行过 大量研究，针对该问题用到的方法也很多•如文献
第36卷第1期
哈尔滨商业大学学报(自然科学版)
2020 年 2 月 Journal of Harbin University of Commerce (Natural Sciences Edition)
Vol. 36 No. 1 Feb. 3020
基于聚类与贝叶斯网络的航班离港延误预测模型
李晓霞，吴薇薇*，韩东，石5婷
flights, bfechveiy prebictinh tie delays and pronanilities of deqartinh flights tu minimize
flighi delays and csnsing significhgt losses to passecgers, airlines and airoorts. Aiming ni the
基于贝叶斯网络的航班延误数据初步分析
贝叶斯 方法综 合 先 验 知识 和样 本 数 据 ， 概 率表 用
收 稿 日期 ：０ ７０ ． ２０ － １ ８５ 修 订 日期 ）， ， １６ － 男 天津市人 ， 工程师 ， 硕士， 主要研究方 向为 民航信息技术 ， 数据挖掘
斯 网络 ， 日期 、 对 时问 、 生 的航 班延 误 以及 延 误 原 因 发
据 分析处 理 中获得 变量 域 的理解 。 ３ 贝叶斯 网络 和 贝叶斯统 计是 紧 密相 关 的 ，促进 ） 了知识 和数据 域之 问 的关 联关 系 。 ４ 贝叶斯 网络 可 以有效 地 避免数 据溢 出的情 况 。 ） 综上 所 述 ， 应用 贝 叶斯 网络建模 进行 数据 分 析 ， 能
的数据 ， 首先 在 Ｓ ＬＳ Ｒ Ｅ ２ ０ Ｑ Ｅ Ｖ Ｒ ０ ０环 境 中进 行 了必要
的预处 理 。提取 源数 据库 中到达 机场 和 出发 机 场为 首 都 机场 （ Ｅ 的数 据 ； 加 离 港 延 误 时 间 （ ｅｄｌｙ Ｐ Ｋ） 增 ｄｐ ｅ ） ａ 和到达 延误 时间 （ｒ ｅ ｙ 属性 ， 别存 放 离 开和 到达 ａ ｄｌ ） ｒ ａ 分
维普资讯
第３ 卷 ７
第 ６期
航 空 计 算 技 术
Ａｅｏ ｕｉ ａ ｒ ｎａ ｔｃ ｌＣｏｍｐ ｔｎｇＴｅ ｈｎｑｕ ｕｉ ｃ ｉ ｅ
Ｖｏ ． ７ Ｎｏ ６ Ｉ３ ．
ＮＯ ２ ７ Ｖ． ０ｏ
２０ ０ ７年 １ １月
基 于 贝 叶 斯 网 络 的 航 班 延 误 数 据 初 步 分 析
直观 因果 关 系不 明确等 问题 。
１ 贝 叶斯 网络
１ １ 基 本概 念 ．
２ 模 型 的构 建
基于贝叶斯网络的机场过站时间分析
贝叶斯 网络模型 。模 型清晰呈现 了机 型 类型、 前航 延误 时 间等 因素对机 场过站 时 间的影响 以及 首
发延误等级 、 经停机 场过站时 间调整量等 因素对末班延误 的影响 。通过从 多角度对模 型进行 分析 ，
结 果 表 明发 生前 航 延 误 时调 整 航 班 在 机 场 的过 站 时 间 可 以 有 效 减 少 延误 向 下 游机 场 的 波及 。
型 ， 讨 了相关航 班 中进 港 延误 和航 班 取 消 对离 港 延 探 误 的影 响 ， 未提 及多个 机 场 问的延误 波及 影 响 。 并
区别 于 以上 学 者 对 航 班 延 误 波 及 理 论 的研 究 视
图 １ 单 架 飞 机 执 行 ｎ个 航 班 的链 式 模 型
收 稿 日期 ：０ ０ ０ ． ２ ２ １ ． ７ ０
时 间差 。 １ ２ 航 班延 误链 式波及 ．
一
当 由于某 种原 因 发生 延 误 时 ， 以对 该 原 因引 起 的后 可 续 波及进 行分 析 ， 未 提及 如 何 减 小 延误 波及 。文 献 但
［ ］ Ｓｅｖ ｈ ｄ ｅｇ 等 人研 究 通 过 重 新 分 配 航 ３ 中 ｈｒｉ Ａ ｍａＢ ｙｉ ｎ 班计 划 中的松弛 时 间来 减少 航 班 延 误 的 波及 影 响 ， 但
第４ ０卷
第Ａｅ ｏ ａ ｔ ａ ｍｐ ｔ ｇ Ｔ ｃ ｎ ｑ ｅ ｒ ｎ ｕｉ ｌ ｃ Ｃｏ ｕ ｉ ｅ ｈ ｉ ｕ ｎ
Ｖｏ． ０ ． １ ４ Ｎｏ ５ Ｓ ｐ． ０１ ｅ ２ ０
２１ ００年 ９月
基 于 贝 叶 斯 网 络 的 机 场 过 站 时 间分 析
题 。导致 航班延 误 的原 因主要 分 为 四类 ： 是 天 气 等 一 自然 因素 造成 的延 误 ； 是 航 空 公 司 自身 原 因造 成 的 二
基于贝叶斯网络的航空安全风险评估研究
基于贝叶斯网络的航空安全风险评估研究航空安全一直是全球关注的话题。
航空事故对人类生命财产的危害不言而喻，因此对于航空安全的保障至关重要。
随着科技的不断进步，航空安全风险评估技术也得到了大幅提升。
其中，贝叶斯网络是一项重要的技术，被广泛应用于航空安全风险评估中。
什么是贝叶斯网络？贝叶斯网络是一种概率图模型，可以用于建立变量之间的条件依赖性，以及变量之间的因果关系。
该模型以节点和边构成有向无环图来表示变量之间的关系。
其中，节点表示一个随机变量，边表示两个随机变量之间的条件依赖性。
贝叶斯网络不仅可以表达变量之间的相关性，还可以利用概率推断进行预测和决策。
贝叶斯网络在航空安全中的应用航空安全风险评估是指对航空运输过程中涉及到的各种风险进行分析、评估和控制的过程。
传统的航空安全风险评估方法主要是基于经验或者统计数据分析。
但是这些方法都存在一定的局限性，例如无法准确地评估复杂的安全问题，无法预测未来的风险等。
相比于传统方法，贝叶斯网络可以更准确地评估航空安全风险。
航空安全风险涉及到多个因素，例如环境、机载设备、人员等。
而这些因素之间存在复杂的因果和条件依赖性关系。
贝叶斯网络可以利用统计学方法对这些因素之间的关系进行建模，从而实现风险的定量化评估和预测。
例如，贝叶斯网络可以用于分析模拟飞行器在不同的气象条件下面对逆风、侧风、顺风的操纵难度，从而评估飞行员在不同气象条件下的飞行风险。
同时，贝叶斯网络可以用于预测飞行器在控制系统出现故障的情况下崩溃的概率，从而对飞行风险进行评估和管理。
贝叶斯网络在航空安全风险评估中的优势贝叶斯网络在航空安全风险评估中具有多项优势。
首先，贝叶斯网络可以利用专家知识、实验数据等多种不同类型的数据来源进行建模，且不需要假设数据之间的分布类型。
这样可以提高模型的准确度和可靠性。
其次，贝叶斯网络可以用于进行多种不同的推断和决策，例如预测未知的风险发生的概率、评估不同决策方案的优劣等。
这样可以提高风险管理的效率和效果。
基于贝叶斯网络的航班延误与波及预测共3篇
基于贝叶斯网络的航班延误与波及预测共3篇基于贝叶斯网络的航班延误与波及预测1基于贝叶斯网络的航班延误与波及预测航班延误是航空公司和旅客共同面临的难题。
航班延误不仅给旅客带来不便，还会给航空公司造成不同程度的经济损失。
因此，预测航班延误及其波及对航空公司和旅客都非常重要。
本文基于贝叶斯网络提出了一种航班延误及其波及的预测方法。
一、贝叶斯网络介绍贝叶斯网络是一种表示概率关系的有向无环图模型，其中节点表示变量，边表示概率关系。
贝叶斯网络是一种强大的工具，可以用于各种推理问题，例如概率推理、参数学习和模型选择等。
应用领域包括生物医学、金融、物流等。
二、航班延误预测航班延误的预测涉及的变量非常多，例如天气、燃油价格、机组人员状况、航班时刻表等。
这些变量之间存在着复杂的关系，在传统的预测方法中，往往难以准确地预测延误情况。
在贝叶斯网络中，每个节点代表一个变量，每个边代表概率关系。
航班延误的预测可以转化为一个贝叶斯网络推理问题。
假设我们想要预测航班延误发生的概率P(D)，节点变量包括天气、燃油价格、机组人员状况、航班时刻表等。
根据贝叶斯公式，P(D)可以表示为：P(D) = ∑ P(D|A,B,C)P(A)P(B)P(C)其中，A、B、C是其它变量节点。
根据链式法则，节点A、B、C之间的概率关系可以表示为：P(D|A,B,C) = P(D|A)P(D|B)P(D|C)节点A、B、C与D之间的概率关系可以通过历史数据推导出来。
航班延误预测可以通过贝叶斯网络模型对各个节点之间的概率关系进行计算，最终得到延误发生的概率。
三、航班延误波及预测航班延误不仅给旅客带来不便，还会对其它航班产生波及影响。
航班波及是指由于某一航班延误导致其它航班相继延误或取消的状况。
在贝叶斯网络中，航班波及可以表示为一个条件概率。
假设航班A与航班B之间存在波及关系，航班A延误时，航班B延误的概率可以表示为：P(B|D(A)) = ∑ P(B|D(A),E)P(E)其中，E是其它变量节点，P(B|D(A),E)表示在给定A延误和E 的情况下，B延误的概率。
基于贝叶斯网络的飞机失事原因分析
基于贝叶斯网络的飞机失事原因分析第一章：引言飞机失事是航空领域一直以来的重要问题，比如Malaysia Airlines MH370、AirAsia QZ8501等被大家所熟知的事件。
随着飞行器的复杂性不断提高，以及大量的人类和机器交互系统的普及，飞机失事的原因也变得越来越复杂。
因此，研究如何利用机器学习技术对飞机失事进行原因分析和风险评估具有重要意义。
本文着重探讨基于贝叶斯网络的飞机失事原因分析。
第二章：贝叶斯网络贝叶斯网络是一种概率图模型，它用于表示变量之间的依赖关系。
贝叶斯网络由节点和有向边组成，节点表示变量，有向边表示变量之间的依赖关系。
可见，这种模型也被称为有向无环图。
贝叶斯网络由概率分布和条件概率表参数化。
在贝叶斯网络中，每个节点的状态是已知的或未知的，已知节点称为观察变量，未知节点称为不确定变量。
贝叶斯网络还提供了一种有效的方法来计算后验概率，即已知节点的条件下，未知节点的概率。
贝叶斯网络在飞机失事原因分析中具有很强的应用优势。
如图1所示，可以利用贝叶斯网络建立一个模型来表示各个输入与输出之间的关系，以评估可能存在的失事风险。
图1：贝叶斯网络示例第三章：飞机失事原因分析针对飞机失事原因分析，可以将多种不同的变量建模成贝叶斯网络中的节点，以此来确定这些变量之间的依赖关系，进而预测某个变量的可能结果。
由于飞机失事原因通常会受到多个变量的影响，因此贝叶斯网络的建立可以为机器学习算法提供一个理想框架。
考虑一个简单的例子。
一架飞机失事的原因可能涉及很多因素，例如机械故障，人的疏忽等等。
贝叶斯网络有助于将这些因素分离，并确定它们之间的依赖关系。
可以考虑将每种因素建模成贝叶斯网络中的一个节点，同时将每个节点的状态设置为已知或未知。
然后根据不同的预测结果来确定最终失事原因。
贝叶斯网络适用于飞机失事原因分析的另一个优势是，它可以通过对已知数据的学习来自动更新贝叶斯网络的条件概率表参数。
这种自适应方法可以帮助贝叶斯网络在不断更新数据时提高预测准确性。
【CN109961085A】基于贝叶斯估计的航班延误预测模型的建立方法及装置【专利】
1/6 页
基于贝叶斯估计的航班延误预测模型的建立方法及装置
技术领域 [0001] 本公开涉及一种基于贝叶斯估计的航班延误预测模型的建立方法及装置。
背景技术 [0002] 民 用航空提供了快捷的出行方式，但航班延误严重影响着航空出行的便利。尽管 机场与航空公司已采取多种方式对航班延误进行应急处理，但是这些方法多集中于对航班 延误的 事后解决方案 ，无法预 测航班延误 ，也未从根本上解决这一问 题。因此 ，基于现有的 数据 ，提出一 种高效准 确的 航班延误预 测模型对于解决航班延误 ，缓解机场运行压力有着 重要意义。 [0003] 国内外已有众多学者展开大量研究。一些研究人员以航班延误时间和运行时刻表 估计延误导致的 后续影响 ，在应 用中为考虑实际 数据的 影响。有研究者 引入大量航班天气 数据作为数据样本，基于Spark对数据进行处理并利用随机森林特征划分时间延误预测。此 外 ，该研究者还尝试利 用卷积神经网络对 相同 数据进行分析 ，在 引入直通通道保证数据无 损处理的基础上加快了数据处理能力并提高了准确率。有研究者采集同一架飞机连续飞行 数据，采用贝叶斯方法对航班进行统计意义上的分析并预测其延误情况。另外一部分研究 人员研究了深度学习模型在空中交通延误预测任务中的有效性。通过结合基于深度学习范 例的 多个模型 ，建立了准 确且稳健的 预 测模型 ，该模型能 够对空中交通延误中的 模式进行 精细分析。此外一些模型利 用两阶 段估算模型 ，采 用有监督的 机器学 习算法来估计飞行准 时性能 。模型的 第一阶 段执行二元分类以 预 测航班延误的发生 ，第二阶 段执行回 归以 预 测 延迟的值。或者SVM方式建立航班预测模型，将延误时间序列进行相空间重构，并结合PSO优 化模型参数。 [0004] 上述研究应用，采用了多种数据处理方式并结合机器学习建立航班延误预测模 型 ，运 用相关度较高的 训练数据及特定的处理方式进行模型分析 ，与实际 运 用存在一定距 离。
基于贝叶斯网的离港航班滑行时间动态估计
基于贝叶斯网的离港航班滑行时间动态估计邢志伟;蒋骏贤;罗晓;罗谦【摘要】为提升离港航班运行效率,根据机场协同决策规范(A-CDM)中关于离港航班可变滑行时间(EXOT)的有关规定,分析了相关影响因素.根据数据分析处理和民航专家知识建立了一种基于贝叶斯网的离港航班滑行时间动态估计模型.贝叶斯网是一种将概率统计应用于复杂领域、进行不确定性推理和数据分析的工具.应用其增量学习特点对模型进行动态调整,实现了对场面实时变化的把控.以国内某大型枢纽机场为例,使用期望优化(EM)算法实现了对随机缺失数据的处理,并验证了模型的有效性.对实验结果与该机场实际运行数据对比表明,所建模型能有效地估计离港航班滑行时间且具有较高的置信度.【期刊名称】《计算机工程与应用》【年(卷),期】2018(054)024【总页数】7页(P66-71,203)【关键词】航空运输;离港航班可变滑行时间;贝叶斯网估计;航班离港滑行过程;增量学习;期望优化算法【作者】邢志伟;蒋骏贤;罗晓;罗谦【作者单位】中国民航大学电子信息与自动化学院,天津 300300;中国民航大学电子信息与自动化学院,天津 300300;中国民航局第二研究所信息技术分公司,成都610041;中国民航局第二研究所信息技术分公司,成都 610041【正文语种】中文【中图分类】U81 引言航班地面运行规律研究一直是制约民航发展的瓶颈问题。
据分析，航班滑行时间是机场协同决策（A-CDM）规范的主要协调内容之一，也是研究机场场面运行状态的瓶颈[1]。
对于机场运行状态的研究，目前国内外的研究成果主要集中在仿真复现、优化滑行路径或者调度优化[2-7]。
Balakrishnan等[8]建立了一种排队论预测模型用以估计从停机位到离港跑道的离港航班滑行时间，该方法还考虑了滑行道之间的互相影响。
Roling等[9]基于时空网络建立了MILP模型，以最小化滑行时间并惩罚离场过晚的航班为目标解决场面滑行问题。
基于贝叶斯网络的机场航班延误因素分析
基于贝叶斯网络的机场航班延误因素分析邵荃;罗雄;吴抗抗;韩松臣【摘要】中国民航业近年来快速发展,航班量增多、航班密度逐步加大,许多资源配置的矛盾也日益凸显出来.机场大面积航班延误难以避免.针对上述问题,在航班延误波及分析的基础上,建立机场航班延误的贝叶斯网络分析模型.通过机场航班数据网络学习和测试,得到了不同因素对机场航班延误的影响程度、不同时间段的延误情况,为机场当局解决大面积航班延误提供决策依据.%The flight quantity and density have increased gradually and the contradiction of resource allocation became prominent with the rapid development of China civil aviation in recent years. To prevent large area flight delay is difficult. The Bayesian network model of the airport flight delay is proposed on the basis of flight delay analysis for the above problems. The complexity of flight delay respond to different factors get understood by the study and tests of airport flight data network, which provides decision foundations for airport authorities to settle large area flight delay down.【期刊名称】《科学技术与工程》【年(卷),期】2012(012)030【总页数】5页(P8120-8124)【关键词】延误因素;航班延误波及;贝叶斯网络【作者】邵荃;罗雄;吴抗抗;韩松臣【作者单位】南京航空航天大学民航学院/飞行学院,南京210016;南京航空航天大学民航学院/飞行学院,南京210016;南京航空航天大学民航学院/飞行学院,南京210016;南京航空航天大学民航学院/飞行学院,南京210016【正文语种】中文【中图分类】V355.2近年来，随着我国经济和居民生活水平的高速增长，中国民航目前正处于快速发展的黄金时期。
基于动态贝叶斯网的航班延误传递分析
基于动态贝叶斯网的航班延误传递分析丁建立;赵键涛;曹卫东;胡海生;黄威【期刊名称】《计算机工程与设计》【年(卷),期】2015(000)012【摘要】为对航班延误传递的特性进行研究，采用动态贝叶斯网络对延误传递过程进行分析。
在动态贝叶斯网络结构确定的条件下，不同的参数学习方法效果不同，以似然函数作为度量准则，比较两种不同的参数学习方法在相同数据集下的学习结果，在较好的学习结果上，对航班延误传递的特性进行分析。
分析结果表明，当上游航班发生延误时，若飞机过站时间充分，大多数情况下延误可被吸收，为航班延误传递的关键环节过站时间的设置提供了很好的参考；航班延误传递是一个非稳态过程，当延误在传递的过程中时，延误时间的不确定性是逐渐增大的，预测准确的可能性是逐渐减小的。
%To study the property of flight delay transmission,dynamic Bayesian network was used to analyze the flight delay propagation.Different parameter learning methods have different outcomes when the structure of dynamic Bayesian network is established.Two methods of learning the parameter applied on the same dataset were compared using the likelihood as criterion. The features of flight delay transmit were analyzed based on the good result.The result indicates that in most cases,when up-stream flight is delayed,the delay can be absorbed when the turnaround time is sufficient,which provides reference for airline companies setting up turnaround time which is thekey to flight delay transmit.Besides,the flight delay transmit is not a steadyprocess,the uncertainty over delay time is increasing while the delay is transmitting,so the possibility of accurate prediction is decreasing.【总页数】6页(P3311-3316)【作者】丁建立;赵键涛;曹卫东;胡海生;黄威【作者单位】中国民航大学计算机科学与技术学院，天津 300300;中国民航大学计算机科学与技术学院，天津 300300;中国民航大学计算机科学与技术学院，天津 300300;中国民航信息网络股份有限公司，北京 100010;中国民航信息网络股份有限公司，北京 100010【正文语种】中文【中图分类】TP391【相关文献】1.基于随机集贝叶斯网的航班延误分析 [J], 贡英杰;刘君强;黄亮2.基于贝叶斯网络的航班延误传播分析 [J], 李俊生;丁建立3.基于贝叶斯网络的航班过站时间分析与延误预测 [J], 曹卫东;林翔宇4.基于贝叶斯网络的航班离港延误预警分析 [J], 曹卫东;丁建立;刘玉洁5.基于贝叶斯网络的机场航班延误因素分析 [J], 邵荃;罗雄;吴抗抗;韩松臣因版权原因，仅展示原文概要，查看原文内容请购买。
基于XGBoost的航班延误预测
文章编号：1007-1423（2020）27-0037-05DOI：10.3969/j.issn.1007-1423.2020.27.007基于XGBoost的航班延误预测庄刚强，王欣（中国民用航空飞行学院计算机学院，广汉618307）摘要：航班延误是衡量空中交通网络运行性能的重要指标，因此航班延误预测有着重要的实际意义。
以亚特兰哈兹菲尔德-杰克逊机场（ATL）的航班数据作为实验数据集，应用数据预处理技术清洗数据，应用特征工程降低冗余。
提出采用XGBoost回归算法对航班延误进行预测，通过网格搜索和交叉验证方法实现模型的参数优化。
实验结果表明，与随机森林、GBDT算法相比，改进的XGBoost算法在R-Squared、MAE、RMSE指标方面均优于比较算法，表现出较高的预测精度。
关键词：航班延误预测；XGBoost算法；梯度提升决策树；随机森林基金项目：2019年民航局安全能力建设资金项目（No.14002600100018J002）0引言根据《2019年全球机场&航空公司准点率报告》显示，2019年中国大陆地区机场实际出港航班量达480.23万架次，出港延误率达到了24.43%，起飞平均延误时长达到28.11分钟，由于飞机延误问题长期困扰着旅客，不正常航班也成为消费者投诉最多的服务类型。
查阅中国民航局“月度消费者投诉通报”发现，2019年1-10月份航空运输消费者投诉类型中，排名前三位的分别为：不正常航班服务、票务服务和行李服务，尽管不同月份投诉件数和占比有差别，但不正常航班服务的投诉比例始终在50%左右浮动。
因此航班延误预测可以对航班动态的掌握，提前做好相关应急措施，从而减少不利影响。
在目前航班延误研究分析中，文献[1]结合航班数据的特点构建了基于C4.5决策树的航班延误预测模型，对国内某大型机场的真实数据集，该研究设计了大量实验，实验结果表明所提模型正确率接近80%。
文献[2，3]采用支持向量机回归方法建立航班到港延误预测模型，实验结果表明，能够有效预测航班延误。
基于贝叶斯网络的航班过站时间分析与延误预测
基于贝叶斯网络的航班过站时间分析与延误预测曹卫东;林翔宇【期刊名称】《计算机工程与设计》【年(卷),期】2011(32)5【摘要】从航班延误链式波及的角度出发,分析了影响航班过站时间的多种因素,建立了贝叶斯网络模型,模型能够清晰地反映多种因素对下游航班过站时间的影响.提出了基于贝叶斯网络参数估计的航班延误预测算法,当航班发生起飞延误时能够预测下游航班的起飞时间和延误状况.对算法进行了实现,并利用实际航班数据进行仿真,结果表明了该算法有比较高的预测准确率.%From the standpoint of flight delay propagation prediction, multi-factors that influenced flight turnaround time are analyzed,and a Bayesian network model is established, which could clearly reflected the influence of various factors on the downstream flight turnaround time.A flight delay prediction algorithm based on Bayesian network parameter estimation is proposed, and when flight delay occurred during take-off stage the downstream flight departure time and delay conditions could be predicted.The algorithm is programmed and the actual flight data is used to simulate the process.The results show that the algorithm has higher prediction accuracy.【总页数】4页(P1770-1772,1776)【作者】曹卫东;林翔宇【作者单位】中国民航大学,计算机科学与技术学院,天津,300300;中国民航大学,计算机科学与技术学院,天津,300300【正文语种】中文【中图分类】TP391【相关文献】1.基于延误分级的航班过站松弛时间优化研究 [J], 朱星辉;戚彦龙;吴薇薇;高强2.基于贝叶斯网络的航班延误与风险共因性研究 [J], 薛漾;王建新;厉耀威3.基于贝叶斯网络的机场过站时间分析 [J], 曹卫东;林翔宇4.基于波及延误的航班过站松弛时间重分配 [J], 高强; 周覃; 陈欣5.基于聚类与贝叶斯网络的航班离港延误预测模型 [J], 李晓霞; 吴薇薇; 韩东; 石钰婷因版权原因，仅展示原文概要，查看原文内容请购买。
基于机场延误预测的航班计划优化研究
基于机场延误预测的航班计划优化研究吴薇薇;孟亭婷;张皓瑜【摘要】随着航空运输业的快速发展,航班延误及传播问题越来越严重.本文建立基于航班串的贝叶斯网络模型模拟航班延误波及和航班间延误的相互关系,揭示不正常运营条件对航班计划可靠性的影响.根据对航班运营可靠性的分析找出航班串中的薄弱环节,即关键机场,运用加权马尔科夫链模型对关键机场的整体延误状态进行预测,反映机场随机因素对航班串中延误传播的影响.从而更准确地预测航班延误状况,并根据预测结果对航班计划进行相应调整,以提高航班计划运营可靠性.%With the rapid development of air transport industry, the problem of flight delay and propagation is becoming more and more serious. In this paper, a Bayesian network model based on flight string is established to simulate the relationship between delay propagation and flight delays, and to indicate the impact of abnormal operation conditions on the reliability of the flight plan. According to the reliability of flight operations, we find out the weak link of string, namely the key airport. And by using the weighted Markov chain model to predict overall delayed state of the key airport, reflecting the impact of airport random factors on the spread of flight delays in the string. Therefore, it is more accurate to predict the flight delay. According to the forecast results, the flight plan is adjusted accordingly, so as to improve the reliability of the flight plan.【期刊名称】《交通运输系统工程与信息》【年(卷),期】2016(016)006【总页数】7页(P189-195)【关键词】航空运输;航班计划优化;贝叶斯网络;马尔科夫链;延误波及【作者】吴薇薇;孟亭婷;张皓瑜【作者单位】南京航空航天大学民航学院,南京210016;南京航空航天大学民航学院,南京210016;南京航空航天大学民航学院,南京210016【正文语种】中文【中图分类】U8随着航空运输业的发展，航班延误问题愈显突出.航空公司从经济性考虑，航班串衔接紧密，过站时间少，一旦发生延误，波及不可避免.寻找航班串中的延误易发生环节并加以控制，可以使整条航班链的运行状态得到改善.因此，寻找航班串中影响航班计划鲁棒性的薄弱环节进行延误状态预测并对航班计划进行优化是非常值得深入研究和探讨的.针对航班延误问题，国内外学者的研究以延误波及分析为主.文献[1]建立了波及树模型估计由于飞机和机组链接导致延误波及的可能性.文献[2-3]提出了不同因素引起的延误波及分析模型.文献[4]构建了网络延误传播模型，利用模型计算单个机场的局部拥堵造成的延误及其给其他机场带来的“连锁效应”.文献[5]在综合考虑飞机航线和机组配对的情况下计算最小的延误波及成本.文献[6]将贝叶斯网络应用于连续航班间延误波及分析.以上研究分析了延误在航班环中的波及情况，但没有针对机场对航班串中延误传播的影响进行研究.也有学者对航班延误预测进行了研究，文献[7]以航班延误率、航班平均延误时间及由航班延误带来的损失做为航班延误状态的评价指标，对延误状态进行了趋势预测.文献[8]运用定性定量相结合的方法进行航班延误预测研究.以上两篇文献均采用马尔科夫链对评价指标进行预测.马尔科夫链预测法适合于对随机过程预测[9-10]，它的最大特点是具有无后效性.由于机场前一时段的延误程度会对后一时段的延误程度产生影响，可以假设机场的延误问题也具有无后效性的特点，因此该方法可以用于机场延误状态的预测.机场延误状态对航班串中延误向后传播的影响较大，因此，本文以提高航班计划可靠性为目标，建立基于航班串的贝叶斯网络模型，对航班的离港延误情况进行评价，寻找航班串中的关键机场，并结合航班计划利用马尔科夫链对关键机场的延误状态进行预测，由此分析机场对航班离港造成进一步延误的程度，考虑是否需要调整航班计划来确保其可靠性.1.1 贝叶斯网络贝叶斯网络BN(Bayesian network)又称信度网络，是一个带有概率注释的有向无环图.节点代表随机变量，弧代表影响概率，弧的方向代表两个节点之间原因结果的影响关系.它以概率论为基础，研究客观事物中多个变量之间相互依赖的统计规律性.贝叶斯网络的链式规则如下：假设为贝叶斯网络变量集合，由贝叶斯网络确定的全部条件概率给出贝叶斯网络特定的联合概率分布为式中：为贝叶斯网络中Ai的父节点的集合；P (U)反映了贝叶斯网络变量Ai与pa(Ai)之间的相关强度.本文在给定的航班串运行状态下对贝叶斯网络图中节点概率进行计算，反映机场节点对延误在航班串中波及的影响，寻找影响航班计划可靠性的关键机场.1.2 马尔科夫过程的思想马尔科夫过程是指系统的未来状态仅与现在的状态有关，而与以前状态无关的随机过程，具有无后效性特点.其数学表达式为马尔可夫链是状态和时间均离散的马尔可夫过程.马尔可夫链预测的关键问题在于计算转移概率矩阵：从状态Ei(m)经过m步转移到下一状态Ej(m)的可能性即为状态转移概率pij(m)，则状态转移概率矩阵为P(m)反映了各状态之间的移动规律，其中pij(m)=Mij/Mi表示由状态Ei经过m步转移到状态Ej的概率，Mij表示由状态Ei经过m步转移到状态Ej的样本数，Mi表示原始数据落入状态Ei的样本数.通过考察转移概率矩阵P(m)，则可预测系统未来状态的转向.传统的马尔科夫链预测方法认为各阶马尔科夫链的绝对概率所起的作用是相同的，这显然不科学.事实上，一个满足马氏性的相依时间序列，其各阶自相关性是不一样的.在某一时间段内，随机因素对机场延误状态的影响较大，马尔科夫预测模型所产生的误差会呈现较大的波动，预测结果会受到影响，因此可考虑加权马尔科夫链预测方法.2.1 基于贝叶斯网络识别关键机场本文以航空公司A提供的一年的航班延误数据作为研究资料，选取某架飞机一天运营的7个航班(见表1)，对经过5个机场的7个航班所构成航班串的300个样本数据进行统计整理，构造贝叶斯网络，估计航班延误分布和机场随机延误因素对运行可靠性的影响程度.相关符号说明如下：Org：出发机场(S1-S3表示航班串中有3个航班在机场S起飞，C1、C2类同)；Dst：到达机场；SDT：航班计划离场时间(Schedule Departure Time)；SAT：航班计划到达时间(Schedule Arrival Time)；本文将进港/离港延误时间(min)分为[0,15)、[15,30)、[30,45)、[45,60)、[60,75)、[75,90)、[90,∞)7个时间区间(规定延误15 min以内属于正常航班).根据IATA延误编码方法，将延误原因分为7个主要类别，如表2所示.为反映延误因素和前航延误引起的后续航班延误分布情况，基于航班运营数据和延误原因分类，构建贝叶斯网络模型，如图1所示.该网络图从根节点开始，通过飞机链接向后增加节点，显示延误在网络中波及的规模，反映进港延误、机场因素，以及计划缓冲时间对离港航班的影响.基于该网络图寻找航班串中的关键机场.由贝叶斯网络图中各离港航班节点数据得到图2，可以看出航班2到航班7的航班离港准点率在50%～90%之间，且航班6、7发生延误的概率高于前5个航班.由于飞机共享，一般一天中越早的航班离港准点率越高，但图2显示航班2的离港准点率却低于航班3、4、5，而航班2、6的离港机场均为机场C.为评价机场对航班串中延误波及的影响，进一步分析航班进出港准点率变化，如图3所示.可看出C1、C2机场处航班进离港准点率变化最大，在C1处准点率下降18.9%，在C2处更为严重，下降了23.1%.说明机场C可能对航班的保障效率过低或在机场C离港的航班过站时间过短.针对从机场C离港的航班2、6的延误因素讨论如图4所示.发现同一机场在不同运行时间的延误因素分布情况基本相同，且造成航班2、6离港延误的因素中，reactionary占的比例最高.说明在机场C离港的航班受前面航班延误波及程度大，可以考虑对在机场C处离港的航班增加过站时间，以减少延误波及.根据以上分析，发现从C机场出发的两个航班延误严重，一方面是受延误波及影响，另一方面受到机场的影响.因此，定义机场C为关键机场.考虑到延误造成的航空公司损失和对乘客的影响，航空公司应该格外关注航班计划在薄弱机场的运营情况.因此，本文对关键机场C的整体延误状态进行预测，反映由于机场随机因素对航班串中延误传播的影响.2.2 基于加权马尔科夫链的关键机场延误预测由于机场在不同时间的延误率是相互关联的，对某一时间段预测需考虑前面若干时间段的延误情况.采用加权马尔可夫链对关键机场的延误进行预测，可以尽量保证预测的准确性.本文选取延误率作为衡量关键机场C延误状态的评价指标.航班延误率是某一时间段内实际航班延误的数量与执行航班总量之比，用于衡量航班延误的次数与波及范围.采用样本均值—均方差分级法计算航班延误率的变化区间如下：(-∞,-α1s),(-α1s,-α2s),(-α2s,+α2s), (+α2s,+α1s),(+α1s,+∞).假设延误率为x，则为延误率均值，s为均方差.α1取值范围为[1.0, 1.5]，α2取值范围为[0.3,0.6]，本文假设α1=1.1，α2=0.5.根据文献[7]基于延误率对延误等级的划分，本文根据计算的延误率区间值将延误级别划分为5个等级，即正常延误，轻微延误，中度延误，严重延误和危险延误.指标区间值计算结果与延误级别对应如表3所示.本文收集了关键机场C一年内所有离港航班数据，为保证预测的准确性，选取航班延误率较平稳的9月中下旬及10月上旬数据作为原始数据.由于机场繁忙程度会影响航班离港延误，由图5离港航班量的分布情况发现每2 h时间间隔离港航班量相差不大，机场繁忙程度接近.因此，本文参照机场航班离港时间，以2 h为单位确定该机场在不同时间序列的延误率.根据表3中指标区间值与机场延误状态的对应关系，确定延误时间序列中各时间段延误率所对应的延误状态，如表4所示. 定义rk为第k阶(滞时为k)自相关系数，即时刻j-k的机场延误状态对j时刻机场延误状态的影响程度，表达式为式中：xl表示第l时段的航班延误率；表示各时段航班延误率的平均值；n表示时间序列长度.将规范化，(m为按预测需要计算到的最大阶数)，定义wk为各步长的马尔科夫链的权重.各阶自相关系数和各步长的马尔可夫链权重计算结果如表5所示.根据式(3)，可得不同滞时(步长)的马尔可夫链的转移概率矩阵，它决定了机场整体延误状态转移过程的概率法则.其中一阶转移矩阵为分别以前面若干时段的延误率为初始状态,结合其相应的转移概率矩阵即可预测出该时段延误率的状态概率，k为滞时(步长), k=1,2,…,m.将同一状态的各预测概率加权和作为航班延误率处于该状态的预测概率,即由表6可知，此时i=3，即该时段关键机场C的航班延误率处于中度延误状态.对该时间段内离港的航班6影响较大，很有可能加重航班串中延误波及.为了减小机场延误状态对航班串中延误波及的影响程度，应对航班串中相应航班的过站时间进行适当的调整.对应的i即为该时段延误率的预测状态.对10月10日航班6离港时刻的机场整体延误状态进行预测，选取关键机场C在10月10日4个时段的离港航班延误，预测该机场在17:00-19:00时间段的延误情况，计算结果如表6所示.2.3 航班计划优化合理的过站时间能有效提高航班正点率和旅客满意度，同时减轻航班延误对航班计划的影响.由2.2节预测结果可知在航班6离港时刻，关键机场C处于中度延误状态，有较大的概率会加重航班6的离港延误.为了保障航班计划的准时性，根据机场整体延误程度对航班6的过站时间进行调整.图6反映对航班6增加10 min的过站时间前后，其离港延误概率分布变化情况.可发现航班6的离港准点率虽然没有变化，但其主要延误时间区间由[30,45]转移至[15,30]，即航班延误时间明显减少.具体调整幅度应根据预测结果进行动态调整，若预测所得关键机场的延误状态更为严重，可考虑加大过站时间调整幅度.为了有效降低离港航班延误率，保证机场运行效率，依次对航班串中航班2-4进行过站时间调整，航班串中各航班的离港准点率变化趋势图如图7所示.图7 中，current表示目前航班串中各航班离港延误情况，FLT002+10、FLT003+10和FLT004+10分别表示在航班串中的航班2、3、4处增加10 min过站时间后各航班的离港延误情况.从图7可以看出：(1)在整个航班串中，相对于在航班3、4处增加过站时间，航班2处增加过站时间对离港准点率的影响是最显著的.(2)对航班4而言，分别考虑对航班2、航班4增加10 min过站时间，调整航班2过站时间后航班4的离港准点率更高.综合图7分析结果可知，增加航班2的过站时间对航班串中航班的离港准点率影响最大，而航班2的离港机场也为机场C，由此推断过站时间变化10 min对从机场C离港的航班影响最显著.这也印证了前面章节分析得出的机场C为航班串中的关键机场这一结论.以上研究结果表明，和非关键机场相比，在关键机场处调整航班过站时间可以使航班延误波及程度更低.因此，为了提高航班计划鲁棒性，应对关键机场进行延误预测，且对航班计划进行调整时，必须估价其成本效益，对关键机场处离港的航班适当地增加过站时间加强地面各部门配合，以提高航班计划可靠性.本文从航空公司角度出发，通过构建基于航班串的贝叶斯网络模型，分析了影响航班计划可靠性的关键机场，并结合航班计划运用加权马尔科夫链模型对给定时间段的机场延误状态进行预测，细化了机场延误预测方面的研究.并根据预测结果对航班计划进行定量优化，提高航班计划鲁棒性.本文存在的不足之处是只针对基于单资源的航班串进行研究，没有从基于多资源(如飞机资源、机组资源)的航空公司航线网络的角度进行运行可靠性研究，今后研究重点将放在考虑多资源的航空公司运营可靠性分析上.【相关文献】[1]AHMADBEYGI S,COHN A,GUAN Y,et al.Analysis of the potential for delay propagation in passenger airline networks[J].Journal of Air Transport Management, 2008,14(5):221-236.[2]ABDELGHANY K F,SHAH S S,RAINA S,et al.A model for projecting flight delays during irregular operationconditions[J].JournalofAirTransport Management,2004,10(6):385-394.[3]CLARKE M.The airline schedule recovery problem[R]// Working Paper.Boston,USA:MITInternational Center for Air Transportation,1997.[4]PYRGIOTIS N,MALONE K M,ODONI A.Modelling delaypropagationwithinanairportnetwork[J]. Transportation Research Part C Emerging Technologies, 2011,27(2):60-75.[5]DUNBAR M,FROYLAND G,WU C L.Robust airline schedule planning:minimizing propagated delay in an integratedroutingandcrewingframework[J]. Transportation Science,2012,46(46):204-216.[6]CAO W D.Bayesian networks analysis for sequence flight delay andpropagation[J].Journal of Computer Applications,2009,29(2):606-610.[7]王红，刘金兰，曹卫东，等.航空公司航班延误预警管理模型与分析[J].计算机仿真,2009,26(4):292-296. [WANG H,LIU J L,CAO W D,et al.Modeling and analysisofairlineflightdelayearlywarning management[J].ComputerSimulation,2009,26(4):292-296.][8]李频，刘君强.基于加权马尔科夫的航班延误预测研究[J].滨州学院学报,2014(6):50-54.[LI P,LIU J Q. Flight delay prediction research based on Weighted Markov chain[J].Journal of Binzhou University,2014 (6):50-54.][9]冯耀龙，韩文秀.加权马尔可夫链在河流丰枯状况预测中的应用[J].系统工程学报,1999,19(10):89-93. [FENG Y L,HAN W X.The application of Weighted Markov-Chain to the prediction of river runoff State[J]. Journal of Systems Engineering,1999,19(10):89-93.] [10]娄彦江，马艳丽，韩丽飞.基于马尔科夫链的区域综合交通客运结构预测[J].交通运输系统工程与信息, 2012，12(3):1-5.[LOU Y J,MA Y L,HAN L F. Regionalintegratedpassengertransportstructure predictionbasedonMarkovchain[J].Journalof Transportation Systems Engineering and Information Technology,2012,12(3):1-5.]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｋｅ ｒ ｓ Ｂ ｙ ｓ ｎ ｎ ｔ ｒ ｓ ｌ ｇ ｔ ｅ ａｔ ｒ ｅ ａ ｙ ｗｏ ｄ ： ａ ｅ ｉ ｅｗｏｋ ；ｆ ｈ ｐ ｒｕ ｅ ｄ ｌｙ；ｄ ｌｙ ｒ ａ ｏ ｓ ｅ ａ ａ ｉ ｇ ａ ｉ ｄ ｅａ ｅ ｓ ｎ ；ｄ ｌｙ ｗ ｒ ｎ ｎ
Ａ ａｙ ｉ ｏ ｉｈ ｅ ａ ｔｒ ｅａ ｎ ａ ｎｎ ａ ｅ ｎ Ｂ ｙ ｓａ ｅｗ ｒ ｓ ｎ ｌｓｓ ｆｆ ｇ ｔｄ ｐ ｒ ｅ ｄ ｌｙ ａ ｄ ｗ ｒ ｉ ｇ ｂ ｓ ｄ ｏ ａ ｅ ｉｎ ｎ ｔ ｏ ｋ ｌ ｕ
Ｃ Ｏ Ｗｅ—ｏｇ ，Ｄ Ｎ ｉ — Ａ ｉ ｎ ｄ ＩＧ Ｊ ｎｌ ａ ｉ，ＬＵＹ －ｅ Ｉ ｕｊ ｉ
建 实际航 班及其 关联 的 贝叶斯 网络 ， 别是针 对航 班延误 的 最 主要 环节—— 离港延 误 ， 时 间段 对 国 内某航 空 特 分
公 司在 某机 场 的 离港数据进 行 了延误原 因分析 和延误预 警分析 。 关 键词 ：贝叶斯 网络 ；航 班 离港 延误 ；延 误原 因 ；延误预 警 中图分 类号 ：Ｔ ２ ４ Ｔ ３ １ Ｐ ７ ； Ｐ ９ 文 献标志码 ：Ａ 文 章编号 ：１０ －６ ５ ２ ０ ） １ ３ ８ — ３ ０ １ ３ ９ （ ０ ８ １－ ３ ８ ０
曹卫东 ，丁建立 ，刘玉洁
（ ． 津大 学 系统工程研 究所 ， １天 天津 ３０ ７ ；２ 中国民航 大学 计 算机 学院 ， 津 ３００ ） ００２ ． 天 ０ ３０ 摘 要 ：贝叶斯 网络是一种 有效 的概率预 测方 法 ， 尝试将 其应 用 于航 班 数据 分析 预 警 ， 用 Ｎ ｔａ软 件 工具 构 应 ｅｃ ｉ
中国民用航空系统是 一个庞大 的随机系统 ， 包括错综复杂 的互相关联成分 ： 行政管理部 门、 控制 中心 、 机场 、 空公 司、 航 飞 行器、 乘客等。这种复杂性必然导致了管理 和控制上 的大量 困 难。其 中最难处理的问题 之一就是飞机延误 ， 给航空公 司造 它
目的在于对未来 的延误进行 预测 。在此基 础上尝试 探讨离港 延误 预警 。
然有研究致力于分析引起航班延误 的原 因， 但重点多在 于定性 分析 ， 对造成航班延误 的因素只 当做 一个既定 的概念来用 ， 并 没有对这些 因素进行界定 ， 因而使航班延误的结果存在一个模 糊的范围。同时 ， 缺乏一个统一的指标体系来表示航班延误整
个有 向无环 图 （ Ａ Ｌ 的节 点用 随机 变量 或命 题 来标 Ｄ Ｇ）２ｏ它 Ｊ 志， 认为有直接关系的命题或变量则用弧来连接 。假设节点 Ｅ
（ ．ｎｔｕ 把 Ｅ ｇｎｅｎ ，Ｔａｊ ｎｖｒｔ， ０ｊ ００ ２， ｈｎ ；２ ｏｌ ｅｏ Ｃ ｍ ｕｅ Ｓｉ ｃ ，Ｃｖ ｖ ｔ ｎ Ｕ ｉ ｒｔ ｏ １Ｉｓｔｔ ｏ ｉ ｅｆ Ⅲ ｎ ｉ ｒ ｇ ｉｎｎ Ｕ ｉ ｓｙ ｎｉ ３ ０７ Ｃ ｉａ ．Ｃｌｇ ｏ ｐ ｔ ｃ ｎｅ ｉｌ ｉ ｉ ｎｖ ｓｙｆ ｅｉ ｉ ｅｉ ｎ ｅ ｆ ｒ ｅ ｉＡ ａ ｏ ｅ ｉ Ｃｉ ｈｎ ｉｎｉ ３０ ０ ， ｈｎ ） ａ，Ｔａｊ ０ ３ ０ Ｃ ｉ ｎ ａ
１ 贝 叶斯 网络
１ １ 基 本 概 念 ．
成了巨大损失 。随着中国民航事业 的不断发展 ， 系统需求与 日
俱增 ， 航班延误 问题 愈显突 出。导致延 误 的影 响因素较 多 ， 虽
贝叶斯网络亦称信念 网络 （ ｅ ｅ ｎｔｏｋ ， 一种模拟人 ｂｌｆ ｅ ｒ） 是 ｉ ｗ
类推过程中因果关 系的不确定性处理模型 ， 网络拓扑结 构是一
Ａｂ ｔ ａ ｔ Ｂ ｙ ｓ ｎ ｎ ｔ ｏ ｋ ｓ ａｉ ｒ ｂ ｂｌ ｙ ｆｒ ｃ ｓ ｍｅ ｈ ｄ， ｔ ｓｔ ｅ ｓ ｉｈ ａａ ａ ａｙ ｉ ａ ｄｗａｎ ｎ ．Ｎ ｔ ｓｒ ｃ ： ａ ｅ ｉ ｅｗ ｒ ｓｉ ｖ ｌ ｐ ｏ ａ ｉ ｔ ｏｅ ａ ｔ ｔ ｏ ｉ ｉ ｒ ｄｔ ｕ ｅ ｉ ｆ ｇ ｔ ｔ ｎ ｓｓ ｎ ｒ ｉ ｇ ｅｉ ａ ａ ｄ ｉ ｉ ｏ ｎｌ ｄ ｌ — ｃ ｏｔ ａ ｅｐ ｃ ａ ｅ ｅ ｅｕ ｅ ｏ ｓ ｕ ｔｎ ｙ ｓａ ｅｗ ｒ ｓｏ ｃｕ ｌ ｉｈ ａａ ａ ｄ ｔ ｅｒ ｅａ ｉｎ ｈ ｐ ．Ｅ ｐ ｃａ ｌ ｉ ｄ ａ ｓ ｆ ｒ ａ ｋ ｇ ｓｗ ｒ ｓ ｄ ｉ ｃ ｎ ｔ ｃｉ ｇＢａ ｅ ｉｎ ｎ ｔ ｏ ｋ ｆ ｔ ａ ｆ ｇ ｔ ｔ ｎ ｉ ｌｔ ｓ ｉ ｓ ｓ ｅ ｉｌ ａｍｅ ｗ ｎ ｒ ａ ｌ ｄ ｈ ｒ ｏ ｙ ａ ｌ ｈ ｅ ａｔ ｒ ｅａ ．Ｉ ａ ａｙ ｅ ｅａ ｅ ｓ ｎ ｎ ｅａ ａ ｎ ｎ ｙ ｕ ｉ ｇｐ ｒ ｔ ｎ ｔ ａａｏ ｎ ａ ｒ ｎ ｏ ａ ｙ ｄ ｐ ｒ ｔ ｉ ｔ ｐ ｒｕ ｅｄ ｌｙ ｔ ｎ ｚ ｄ ｄ ｌｙ ｒ ａ ｏ ｓａ ｄ ｄ ｌ ｙｗ ｒ ｉｇ ｂ ｓｎ ａｔ ｉ ｍｅｄ ｔ ｆａ ｉ ｉ ｅｃ ｍｐ ｎ ｅ ａ — ｆｇ ｄ ｌ ｉｏ ｉ ｌ
直接影响到节点 日， 则建立节点 Ｅ到节点 日 的有 向弧 （ Ｈ） Ｅ， ，
体的状态… ， 以很难 进行 延误预 警。贝 叶斯方 法是概 率统 所
第２ ５卷第 １ 期 １
２０ ０ ８年 １ １月
计 算 机 应 用 研 究
Ａｐ ｌ ａｉｎ Ｒｅ ｅ ｒｈ ｏ ｏ ｕｅｓ ｐｉ ｔｏ ｓ ａｃ ｆＣ ｍｐ ｔｒ ｃ
Ｖｏ ． ５ Ｎｏ １ １２ ． １ ＮＯ ．２ ０ Ｖ ０８
基 于贝 叶斯 网络 的航 班 离港 延 误预 警 分 析 木