航班延誤預測新模型面世 准確性提升20%

2016年11月16日

圖：航班延誤

對於那些搭乘航班回家過節的旅客來說，最不想聽到的通知就是航班延誤。紐約州立大學賓漢姆頓分校的研究人員設計了一個新的計算機模型，比現在正在使用的模型更准確地預測航班延誤。

"我們提出的方法更適合分析與航班延誤相關的分類變量(如天氣或安全風險這樣的定性變量而不是數值變量)數據集。我們的研究表明，該模型在准確性和速度方面都優於傳統網絡，" 該研究的第一作者Sina Khanmohammadi說，她也是紐約州立大學賓漢姆頓分校，托馬斯J.沃森工程和應用科學學院，系統科學專業的博士生。

目前，航班延誤使用人工神經網絡(ANN)計算機模型進行預測，利用之前航班延誤數據進行全量回填。人工神經網絡就是一個計算機節點的互聯網絡，共同分析各種變量得出結論(在這裏指航班延誤)，與大腦中的神經網絡協同工作解決問題的原理類似。這些網絡模型可以自我學習，尋找規律。人工神經網絡處理的變量越多，變量中的分類變量越多，收集的曆史數據就會讓人工神經網絡預測航班延誤的速度減慢。

賓漢姆頓團隊引入了一個新的多級輸入層人工神經網絡來處理簡單的分類變量，使航空公司很容易看出輸入變量(如天氣)的輸出變量(航班延誤)之間的關系。

該研究並不能消除航班延誤，但是它能幫助航空公司，更快、更准確地告知旅客，目前存在什麼問題。這個新模型也能幫助規模較小的支線機場提高效率，每天能夠容納更多的航班。

"航空公司可以使用該方法來為客戶提供更精確的延誤信息，從而提高顧客的忠誠度，"Khanmohammadi說。"繁忙機場的空中交通管制人員也可以使用此信息作為補充，以提高航運量的管理水平。"

研究人員選擇了14個不同變量，加快模型的訓練和推斷過程——包括一周內的每一天，始發機場，天氣和安全——這些數據影響從53個不同機場到紐約肯尼迪機場的1099個航班的到達時間。這個新系統預測一個假設航班的延誤情況(預計1月21日下午6:30分達到肯尼迪機場)，根據不同始發機場和各種條件下的數據。

新模型與傳統模型相比，預測的時間准確率高20%，得出結論的時間減少40%。

"由於模型使用的數據集是運輸統計局(BTS)提供的大數據集中的小樣本，因此不可能得出確鑿的結論。也就是說，根據小樣本數據集，航班延誤的最大因素就是之前的航班晚點到達，" Khanmohammadi說。"例如，如果一開始，一架航班晚點到達洛杉磯機場，那麼它到達肯尼迪機場的時間就會更晚，然後航班從一個機場到另一個機場就會出現一連串的延誤。"

隨著複雜性的提升以及世界各地航班的增加，研究團隊計劃，繼續研究能夠應用到新模型中的變量。該團隊還希望不止在航班調度上應用該模型，還可以使用模糊數學(根據真實的程度，而不是真/假二分法進行計算)，將研究模型擴展到現實世界的更多領域進行應用。

博士生Salih Tutun(工業工程)和Yunus Kucuk(計算機科學)是這篇文章的共同作者。該研究"預測肯尼迪機場航班延誤的多級輸入層人工神經網絡模型，"發表在《Procedia Computer Science》第95卷上，並提交於11月2日在洛杉磯舉辦的複雜適應性系統會議上。

新聞來源：科技網