基于时空图卷积神经网络的离港航班延误预测

作者：姜雨^*; 陈名扬; 袁琪; 戴垚宇

来源：北京航空航天大学学报, 2023, 49(05): 1044-1052.

DOI：10.13700/j.bh.1001-5965.2021.0415

• 航班延误预测
• 深度学习
• 机场网络
• 图卷积神经网络
• 门控线性单元

对于日益频发的机场航班延误，精准的航班延误预测是最重要的防范措施之一。通过谱图卷积将机场网络从不规则的图结构转换为规则的网络结构，利用图卷积神经网络（GCN）和门控线性单元（GLU）捕获网络中的时空相关性并组成时空卷积块，提出可以预测离港航班延误状况的时空图卷积神经网络（STGCN）。遴选美国51座枢纽机场构建机场网络，并预测未来一段时间内的机场离港准点率以检验STGCN用于预测航班延误的可行性。结果表明：当预测窗口为1天时，STGCN预测结果的平均绝对误差（MAE）相对于历史平均（HA）法、长短期记忆循环神经网络（LSTM）、堆栈自编码器（SAEs）分别下降了18.19%、10.45%、6.24%；当预测窗口为2天时，MAE分别下降了9.93%、 3.96%、 4.37%；当预测窗口为3天时，MAE分别下降了7.02%、2.47%、9.20%。实例证明STGCN相比传统模型能够显著提升航班延误预测的精度，并为机场制定延误决策提供参考指导。

• 单位
  南京航空航天大学