基于在线学习的机场离港航班延误预测

基于在线学习的机场离港航班延误预测(任务书,开题报告,外文翻译,论文14000字)
摘要
日益严重的航班延误问题对旅客、航空公司和机场都产生了一定的影响。论文从离港航班角度出发，建立离港航班延误时间预测模型，以达到离港航班延误预警的目的。
本文主要实现首都机场离港航班延误时间的预测。首先，论文分析了离港延误时间与数据集中各个影响因素的相关性。根据相关性系数，选取延误时间中位数、延误时间标准差、航空公司、到达机场、段数、时段作为特征。再根据选取的特征建立了神经网络模型，使用在线学习的方法训练模型。用训练后的模型预测某天起飞的航班延误时间，预测准确率为61.49%，误差为15分钟。最后将训练好的模型用Flask进行部署实现在线预测。
论文利用在线学习训练预测模型，解决了传统离线学习学习效率低，无法及时更新模型的问题。在线学习使得模型可以及时根据新产生的数据进行训练并更新，有利于模型保存和新数据信息的利用。

关键词：离港航班延误；神经网络；在线学习；在线预测

Abstract
The growing problem of flight delayshasa significant impact on passengers, airlines and airports. From the perspective of departing flights, this paper establishes a forecast model of delay time for departing flights in order to achieve early warnings of flight delays.
This paper mainly realizes the prediction of the delay time of the flights departingfrom the Capital Airport. First of all, the paper analyzes the correlation between the delay time of departure flights and every influencing factor in the data set. Then the median delay time, the standard deviation of the delay time, the airline, the arrival airport, the number of segments, and the time period are selected as features based on the correlation coefficients to establish neural network model which trained through online learning. The prediction accuracy is 61.49% with an error of 15 minutes by using trained model to predict the flight delay time in on day. Finally, the trained model is deployed with Flaskto achieve online prediction.
The paper uses the online learning training prediction model to solvethe problem that  traditional offline learning is inefficient and is hard to update the model in time. Online learning enables models to be trained and updated in time based on newly generated data, which facilitates the model's preservation and utilization of new data.

Key Words：departure flight delay; neural network; online learning; online prediction

章节安排
本文将建立基于在线学习的神经网络模型，实现对首都机场离港航班延误时间的预测。论文的章节安排如下。
第一章绪论，介绍研究航班延误的背景、目的及意义，简要说明国内外对于航班延误的研究角度和方法，并说明全文的章节安排。
第二章预测方法及开发工具，描述本文中主要使用的预测模型的理论和相关学习算法，包括神经网络模型和在线学习方法，然后介绍本文主要的开发工具。
第三章数据准备，阐述构建原始数据集的方法，并阐明对原始数据集进行分析和处理的过程。
第四章离港航班延误预测模型，介绍本文使用的神经网络模型结构、使用在线学习方法训练模型的过程以及模型的预测结果，并且阐明如何将训练好的模型进行部署，实现在线预测。
第五章总结及展望，阐述本文的主要工作内容以及本文的创新点，并提出需要进一步讨论的问题和建议。

目录
第1章绪论    1
1.1 研究目的和意义    1
1.2 国内外研究现状    1
1.3 章节安排    2
第2章预测方法及开发工具    3
2.1 人工神经网络    3
2.1.1 神经元模型    3
2.1.2 全连接神经网络    4
2.2 在线学习    5
2.3 开发工具    6
第3章数据准备    8
3.1 原始数据集构建    8
3.1.1 爬虫获取数据    8
3.1.2 历史研究数据    9
3.2 数据活化    10
3.2.1 数据分析    10
3.2.2 数据预处理    12
3.2.3 特征提取    13
3.2.4 数据标准化    14
第4章离港航班延误预测模型    15
4.1 基于在线学习的神经网络模型    15
4.1.1 神经网络结构    15
4.1.2 在线学习训练模型    16
4.1.3 模型预测结果及分析    19
4.2 模型部署    20
第5章总结及展望    22
5.1 总结    22
5.2 展望    22
参考文献    24
附录    25
致谢    33