基于双通道卷积神经网络的航班延误预测模型

摘要 针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限的问题，提出一种基于双通道卷积神经网络（DCNN）的航班延误预测模型。首先，该模型将航班数据和气象数据进行融合，应用DCNN进行自动特征提取，采用批归一化（BN）和Padding策略优化，提升到港延误等级的分类预测性能；然后，在卷积神经网络（CNN）基础上加入直通通道，以保证特征矩阵的无损传输，增强深度网络的畅通性；同时引入卷积衰减因子对卷积通道的特征矩阵进行稀疏性限制，控制不同网络深度的特征叠加比例，维持模型的稳定性。实验结果表明，所提模型与传统模型相比，具有更强的数据处理能力。通过数据融合，航班延误预测准确率可提高1个百分点；加深网络深度后，该模型能保证梯度的稳定，从而训练更深的网络，使准确率提升至92.1%。该基于DCNN算法的模型特征提取充分，预测性能优于对比模型，可更好地服务于民航决策