基于arima模型的航班延誤預(yù)測(cè)方法
【專利摘要】本發(fā)明涉及一種基于ARIMA模型的航班延誤預(yù)測(cè)方法，具體包括以下步驟：步驟S1：建立數(shù)據(jù)集：采集航班數(shù)據(jù)，所述航班數(shù)包括航班信息、時(shí)間信息、機(jī)場(chǎng)信息以及延誤時(shí)間信息；步驟S2：數(shù)據(jù)集特征分析：分析各個(gè)機(jī)場(chǎng)與航空公司間的差異以及天氣對(duì)航班的影響；步驟S3：建立ARIMA模型：ARIMA模型的建立包括移動(dòng)平均過(guò)程、自回歸過(guò)程、自回歸移動(dòng)平均過(guò)程以及ARIMA過(guò)程；步驟S4：選取最佳的ARIMA模型：對(duì)建立的ARIMA模型進(jìn)行驗(yàn)證并選取最佳參數(shù)；步驟S5：航班延誤預(yù)測(cè)：獲取任意一航班數(shù)據(jù)后，選取最佳的ARIMA函數(shù)作為模型延誤函數(shù)，選取多元線性回歸函數(shù)作為天氣延誤函數(shù)，相加后得到最后的預(yù)測(cè)結(jié)果。本發(fā)明能實(shí)現(xiàn)更高的預(yù)測(cè)精度，縮短使用時(shí)間，有效預(yù)測(cè)航班延誤。
【專利說(shuō)明】
基于AR IMA模型的航班延誤預(yù)測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及航班信息分析技術(shù)領(lǐng)域，具體涉及一種基于ARMA模型的航班延誤預(yù) 測(cè)方法。
【背景技術(shù)】
[0002] 有效的數(shù)據(jù)挖掘算法和分析策略，可以通過(guò)獲取先驗(yàn)知識(shí)為公司或個(gè)人提取有價(jià) 值的信息，并幫助他們作出進(jìn)一步的決定。在那些涉及大數(shù)據(jù)的領(lǐng)域里，航班延誤預(yù)測(cè)已 引起了廣泛的關(guān)注。近年來(lái)，航班延誤的風(fēng)險(xiǎn)管理的重要性顯而易見(jiàn)。比如，駭人聽聞的 MH370飛行事故的發(fā)生，以及國(guó)內(nèi)航班延誤導(dǎo)致的巨大經(jīng)濟(jì)損失給航空公司和乘客帶來(lái)的 巨大不滿，將飛行風(fēng)險(xiǎn)管理推到了一個(gè)非常緊急的位置。所以無(wú)論從安全系數(shù)還是經(jīng)濟(jì)方 面來(lái)說(shuō)，更有效的航班延誤預(yù)測(cè)模型是十分必要的。
[0003] 然而，鑒于航班數(shù)據(jù)的特征（如數(shù)據(jù)量大、多樣性等），高精度地預(yù)測(cè)航班延誤，同 時(shí)保證計(jì)算復(fù)雜性和延遲在可接受的范圍內(nèi)是很困難的。此外，影響航班延誤的特征中，天 氣等因素可能會(huì)動(dòng)態(tài)改變。因此，提出基于ARMA模型的航班延誤預(yù)測(cè)方法，它能夠有效地 預(yù)測(cè)航班延誤。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明的目的是提供一種基于AR頂A模型的航班延誤預(yù)測(cè)方法，以實(shí)現(xiàn) 更高的預(yù)測(cè)精度，縮短使用時(shí)間，有效預(yù)測(cè)航班延誤。
[0005] 本發(fā)明采用以下方案實(shí)現(xiàn):一種基于AR頂A模型的航班延誤預(yù)測(cè)方法，具體包括以 下步驟： 步驟Sl:建立數(shù)據(jù)集:采集航班數(shù)據(jù)，所述航班數(shù)包括航班信息、時(shí)間信息、機(jī)場(chǎng)信息以 及延誤時(shí)間信息； 步驟S2:數(shù)據(jù)集特征分析:分析各個(gè)機(jī)場(chǎng)與航空公司間的差異以及天氣對(duì)航班的影響； 步驟S3:建立AR頂A模型:ARMA模型的建立包括移動(dòng)平均過(guò)程MA、自回歸過(guò)程AR、自回 歸移動(dòng)平均過(guò)程ARM以及ARIM過(guò)程； 步驟S4:選取最佳的ARIMA模型:對(duì)建立的ARIMA模型進(jìn)行驗(yàn)證并選取最佳參數(shù)； 步驟S5:航班延誤預(yù)測(cè):獲取任意一航班數(shù)據(jù)后，選取最佳的ARMA函數(shù)作為模型延誤 函數(shù)，選取多元線性回歸函數(shù)作為天氣延誤函數(shù)，并將所述模型延誤函數(shù)與天氣延誤函數(shù) 相加，得到最后的預(yù)測(cè)結(jié)果。
[0006] 進(jìn)一步地，所述步驟Sl中，所述航班信息包括航空公司、航班號(hào)以及飛機(jī)尾號(hào)；所 述時(shí)間信息包括日期、預(yù)計(jì)出發(fā)時(shí)間、預(yù)計(jì)到達(dá)時(shí)間、預(yù)計(jì)飛行時(shí)間、實(shí)際飛行時(shí)間、延誤出 發(fā)時(shí)間以及延誤到達(dá)時(shí)間;所述機(jī)場(chǎng)信息包括出發(fā)機(jī)場(chǎng)、到達(dá)機(jī)場(chǎng)、稅率期限、起飛時(shí)間以 及降落時(shí)間；延誤時(shí)間信息包括極端天氣情況、航空公司的飛機(jī)控制情況、國(guó)家航空系統(tǒng)的 飛機(jī)控制情況以及安全問(wèn)題。
[0007] 進(jìn)一步地，所述極端天氣情況包括龍卷風(fēng)與暴風(fēng)雪；所述航空公司的飛機(jī)控制情 況包括飛機(jī)維修或清潔與行李裝載;所述國(guó)家航空系統(tǒng)的飛機(jī)控制情況包括機(jī)場(chǎng)運(yùn)營(yíng)與交 通堵塞下取消航線;所述安全問(wèn)題包括飛機(jī)的安全漏洞。
[0008] 進(jìn)一步地，所述步驟S3中，所述ARIMA模型根據(jù)原序列是否平穩(wěn)以及回歸中所含部 分的不同，包括移動(dòng)平均過(guò)程MA、自回歸過(guò)程AR、自回歸移動(dòng)平均過(guò)程ARM以及ARIMA過(guò)程； 將非周期性的ARMA模型被劃分為ARMA(p，d，q)模型，其中p為自回歸項(xiàng)，q為移動(dòng)平均項(xiàng) 數(shù)，d為時(shí)間序列成為平穩(wěn)時(shí)所做的差分次數(shù)，則所述ARIM模型如下： y _· ·、·" s . Ji ；"： ^X 其中
自回歸（AR) 系數(shù)多項(xiàng)式;[￥1_ + 0|靜全~+ 為移動(dòng)平均(MA)系數(shù)多項(xiàng)式； (Ei}為零均值白噪聲序列。
[0009] 進(jìn)一步地，所述步驟S4具體包括以下步驟： 步驟S41:進(jìn)行數(shù)據(jù)平穩(wěn)性檢驗(yàn):繪制時(shí)間序列并對(duì)圖形進(jìn)行評(píng)價(jià)或運(yùn)用ADF單位根進(jìn) 行檢驗(yàn)； 步驟S42:擬合平穩(wěn)時(shí)間序列ARMA:使用{y}表示進(jìn)行差分之后的平穩(wěn)時(shí)間序列，并計(jì)算 自相關(guān)函數(shù)ACF和偏自相關(guān)函數(shù)PACF，從ACF和PACF測(cè)試模式中選擇合適的p和q的值； 步驟S43:選擇參數(shù):測(cè)試p和q的不同組合，應(yīng)用AIC和SC準(zhǔn)則選擇最佳的模型參數(shù)； 步驟S44:模型驗(yàn)證:通過(guò)檢查殘差是否是一個(gè)白噪聲序列來(lái)驗(yàn)證該模型是否準(zhǔn)確； 步驟S45:模型預(yù)測(cè):根據(jù)被選定的模型，用于對(duì)航班模型延誤的未來(lái)值作出預(yù)測(cè)。
[0010] 進(jìn)一步地，所述步驟S5具體包括以下步驟： 步驟S51:選取模型延誤函數(shù):選擇ARIMA函數(shù)作為模型延誤函數(shù)； 步驟S52:選取天氣延誤:通過(guò)主成分分析以及因素分析方法獲取影響航班延誤的三個(gè) 主要因素，所述三個(gè)主要因素包括風(fēng)、可見(jiàn)度和空氣條件，運(yùn)用多元線性回歸函數(shù)作為天氣 延誤函數(shù)：
其中指的是風(fēng)速，指的是可見(jiàn)度，鐵!指的是空氣條件和'代表航班號(hào)。
[0011]步驟S53:應(yīng)用所有歷史天氣延誤數(shù)據(jù)集線性回歸和最小化可能值，獲得合理的， 其次建立適用于天氣延誤的回歸方程，再分析函數(shù)的優(yōu)勢(shì)，檢驗(yàn)回歸函數(shù)的正確性、天氣結(jié) 果的隨機(jī)性以及特殊的回歸協(xié)同因素的正確性，最后對(duì)航班天氣延誤的未來(lái)值作出預(yù)測(cè)。
[0012] 與現(xiàn)有技術(shù)相比，本發(fā)明的基于ARMA(差分自回歸移動(dòng)平均)模型的航班延誤預(yù) 測(cè)方法，實(shí)現(xiàn)更高的預(yù)測(cè)精度，縮短使用時(shí)間，有效預(yù)測(cè)航班延誤。
【附圖說(shuō)明】
[0013] 圖1為本發(fā)明的流程示意圖。
【具體實(shí)施方式】
[0014] 下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。
[0015] 本實(shí)施提供一種基于ARIMA模型的航班延誤預(yù)測(cè)方法，如圖1所示，具體包括以下 步驟： 步驟Sl:建立數(shù)據(jù)集:采集航班數(shù)據(jù)，所述航班數(shù)包括航班信息、時(shí)間信息、機(jī)場(chǎng)信息以 及延誤時(shí)間信息； 步驟S2:數(shù)據(jù)集特征分析:分析各個(gè)機(jī)場(chǎng)與航空公司間的差異以及天氣對(duì)航班的影響； 步驟S3:建立AR頂A模型:ARMA模型的建立包括移動(dòng)平均過(guò)程MA、自回歸過(guò)程AR、自回 歸移動(dòng)平均過(guò)程ARM以及ARIM過(guò)程； 步驟S4:選取最佳的ARIMA模型:對(duì)建立的ARIMA模型進(jìn)行驗(yàn)證并選取最佳參數(shù)； 步驟S5:航班延誤預(yù)測(cè):獲取任意一航班數(shù)據(jù)后，選取最佳的ARMA函數(shù)作為模型延誤 函數(shù)，選取多元線性回歸函數(shù)作為天氣延誤函數(shù)，并將所述模型延誤函數(shù)與天氣延誤函數(shù) 相加，得到最后的預(yù)測(cè)結(jié)果。
[0016] 在本實(shí)施例中，所述步驟Sl中，所述航班信息包括航空公司、航班號(hào)以及飛機(jī)尾 號(hào);所述時(shí)間信息包括日期、預(yù)計(jì)出發(fā)時(shí)間、預(yù)計(jì)到達(dá)時(shí)間、預(yù)計(jì)飛行時(shí)間、實(shí)際飛行時(shí)間、 延誤出發(fā)時(shí)間以及延誤到達(dá)時(shí)間；所述機(jī)場(chǎng)信息包括出發(fā)機(jī)場(chǎng)、到達(dá)機(jī)場(chǎng)、稅率期限、起飛 時(shí)間以及降落時(shí)間；延誤時(shí)間信息包括極端天氣情況、航空公司的飛機(jī)控制情況、國(guó)家航空 系統(tǒng)的飛機(jī)控制情況以及安全問(wèn)題。
[0017] 在本實(shí)施例中，所述極端天氣情況包括龍卷風(fēng)與暴風(fēng)雪;所述航空公司的飛機(jī)控 制情況包括飛機(jī)維修或清潔與行李裝載;所述國(guó)家航空系統(tǒng)的飛機(jī)控制情況包括機(jī)場(chǎng)運(yùn)營(yíng) 與交通堵塞下取消航線;所述安全問(wèn)題包括飛機(jī)的安全漏洞。
[0018] 在本實(shí)施例中，所述步驟S2通過(guò)對(duì)一些機(jī)場(chǎng)與航空公司的分析，可得出如下結(jié)論： 1、機(jī)場(chǎng)模式:各機(jī)場(chǎng)的航班數(shù)量、平均延誤時(shí)間、航空公司數(shù)量和取消率存在差異。2、航空 模式:美國(guó)的航空公司會(huì)比西南航空公司有一個(gè)更高的出發(fā)/到達(dá)延誤率和更長(zhǎng)的延誤時(shí) 間。3、天氣影響：據(jù)統(tǒng)計(jì)，百分之四的航班延誤是因?yàn)闃O端天氣的影響，而非極端天氣也會(huì) 導(dǎo)致飛機(jī)晚點(diǎn)，天氣為影響航班延誤的一個(gè)重要因素。
[0019] 在本實(shí)施例中，ARMA模型包括自回歸(AR)和移動(dòng)平均(MA) ^RMA與ARMA的區(qū)別 為:ARMA模型用于預(yù)測(cè)平穩(wěn)時(shí)間序列，而ARIMA用于預(yù)測(cè)非平穩(wěn)時(shí)間序列。AR頂A模型是差分 與ARMA的組合，稱為差分自回歸移動(dòng)平均模型，是指將非平穩(wěn)時(shí)間序列轉(zhuǎn)化為平穩(wěn)時(shí)間序 列，然后將因變量?jī)H對(duì)它的滯后值以及隨機(jī)誤差項(xiàng)的現(xiàn)值和滯后值進(jìn)行回歸所建立的模 型。
[0020] 則所述步驟S3中，所述ARMA模型根據(jù)原序列是否平穩(wěn)以及回歸中所含部分的不 同，包括移動(dòng)平均過(guò)程MA、自回歸過(guò)程AR、自回歸移動(dòng)平均過(guò)程ARMA以及ARIMA過(guò)程;將非周 期性的ARIMA模型被劃分為ARIMA(p，d，q)模型 ，其中P為自回歸項(xiàng)，q為移動(dòng)平均項(xiàng)數(shù)，d為時(shí)間序列成為平穩(wěn)時(shí)所做的差分次數(shù)，則所 述ARIMA模型如下：
其中 Ad =(1 -[)??;Φ(10 = 1 --中2[2-…一Φρ[Ρ 為自回歸(AR)系 數(shù)多項(xiàng)式；Θ (L) = 1 + Θ立L + θ2 L2 4-…-f GqLQ為移動(dòng)'p均（MA)系數(shù)多項(xiàng)式； {hj為零均值白噪聲序列。
[0021 ]在本實(shí)施例中，所述步驟S4具體包括以下步驟： 步驟S41:進(jìn)行數(shù)據(jù)平穩(wěn)性檢驗(yàn):一個(gè)簡(jiǎn)單的方法就是繪制時(shí)間序列，并對(duì)圖形進(jìn)行評(píng) 價(jià)，更為精確的方法就是運(yùn)用ADF單位根進(jìn)行檢驗(yàn)； 步驟S42:擬合平穩(wěn)時(shí)間序列ARMA:使用{y}表示進(jìn)行差分之后的平穩(wěn)時(shí)間序列，并計(jì)算 自相關(guān)函數(shù)ACF和偏自相關(guān)函數(shù)PACF，從ACF和PACF測(cè)試模式中選擇合適的p和q的值； 步驟S43:選擇參數(shù):測(cè)試p和q的不同組合，應(yīng)用AIC和SC準(zhǔn)則選擇最佳的模型參數(shù)； 步驟S44:模型驗(yàn)證:通過(guò)檢查殘差是否是一個(gè)白噪聲序列來(lái)驗(yàn)證該模型是否準(zhǔn)確； 步驟S45:模型預(yù)測(cè):根據(jù)被選定的模型，用于對(duì)航班模型延誤的未來(lái)值作出預(yù)測(cè)。
[0022] 在本實(shí)施例中，所述步驟S5中，獲取航班數(shù)據(jù)后，提取兩個(gè)主要導(dǎo)致航班延誤的特 征向量，進(jìn)行預(yù)測(cè)，具體包括以下步驟： 步驟S51:選取模型延誤函數(shù):選擇ARMA函數(shù)作為模型延誤函數(shù);其中所述ARMA函數(shù) 的選取即根據(jù)上述方法獲得:首先繪制航班模型延誤的數(shù)據(jù)分布圖，進(jìn)行數(shù)據(jù)平穩(wěn)性檢驗(yàn)， 判斷是否為平穩(wěn)時(shí)間序列；如若不是，則進(jìn)行時(shí)間序列差分，直到得到一個(gè)平穩(wěn)的時(shí)間序 列；其次選擇合適的ARIMA模型，使用R中的〃acf〃和〃pacf〃函數(shù)來(lái)分別（自）相關(guān)圖和偏相關(guān) 圖，并在"acf"和"pacf"設(shè)定"pl 〇t=FALSE"來(lái)得到自相關(guān)和偏相關(guān)的真實(shí)值。再則使用R中 的"arimaO"函數(shù)來(lái)估計(jì)AR頂A(p，d，q)模型中的參數(shù)，選擇最佳模型參數(shù)，使用殘差驗(yàn)證模 型正確性，最后使用它們做出預(yù)測(cè)模型，對(duì)航班模型延誤的未來(lái)值作出預(yù)測(cè)； 步驟S52:選取天氣延誤:通過(guò)主成分分析以及因素分析方法獲取影響航班延誤的三個(gè) 主要因素，所述三個(gè)主要因素包括風(fēng)、可見(jiàn)度和空氣條件，運(yùn)用多元線性回歸函數(shù)作為天氣 延誤函數(shù)： ^-βχ +- β2 ^ + β3 s4> +&i 4 = ?, ·η; 其中_:指的是風(fēng)速，瑪指的是可見(jiàn)度，指的是空氣條件和4代表航班號(hào)。
[0023] 步驟S53:應(yīng)用所有歷史天氣延誤數(shù)據(jù)集線性回歸和最小化可能值，獲得合理的， 其次建立適用于天氣延誤的回歸方程，再分析函數(shù)的優(yōu)勢(shì)，檢驗(yàn)回歸函數(shù)的正確性、天氣結(jié) 果的隨機(jī)性以及特殊的回歸協(xié)同因素的正確性，最后對(duì)航班天氣延誤的未來(lái)值作出預(yù)測(cè)。
[0024] 以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專利范圍所做的均等變化與 修飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。
【主權(quán)項(xiàng)】
1. 一種基于ARIM模型的航班延誤預(yù)測(cè)方法，其特征在于:具體包括w下步驟： 步驟S1:建立數(shù)據(jù)集:采集航班數(shù)據(jù)，所述航班數(shù)包括航班信息、時(shí)間信息、機(jī)場(chǎng)信息W 及延誤時(shí)間信息； 步驟S2:數(shù)據(jù)集特征分析:分析各個(gè)機(jī)場(chǎng)與航空公司間的差異W及天氣對(duì)航班的影響； 步驟S3:建立ARIMA模型:ARIMA模型的建立包括移動(dòng)平均過(guò)程MA、自回歸過(guò)程AR、自回 歸移動(dòng)平均過(guò)程ARM W及ARIM過(guò)程； 步驟S4:選取最佳的ARIM模型:對(duì)建立的ARIM模型進(jìn)行驗(yàn)證并選取最佳參數(shù)； 步驟S5:航班延誤預(yù)測(cè)：獲取任意一航班數(shù)據(jù)后，選取最佳的ARIMA函數(shù)作為模型延誤 函數(shù)，選取多元線性回歸函數(shù)作為天氣延誤函數(shù)，并將所述模型延誤函數(shù)與天氣延誤函數(shù) 相加，得到最后的預(yù)測(cè)結(jié)果。2. 根據(jù)權(quán)利要求1所述的一種基于ARIMA模型的航班延誤預(yù)測(cè)方法，其特征在于:所述 步驟S1中，所述航班信息包括航空公司、航班號(hào)W及飛機(jī)尾號(hào);所述時(shí)間信息包括日期、預(yù) 計(jì)出發(fā)時(shí)間、預(yù)計(jì)到達(dá)時(shí)間、預(yù)計(jì)飛行時(shí)間、實(shí)際飛行時(shí)間、延誤出發(fā)時(shí)間W及延誤到達(dá)時(shí) 間；所述機(jī)場(chǎng)信息包括出發(fā)機(jī)場(chǎng)、到達(dá)機(jī)場(chǎng)、稅率期限、起飛時(shí)間W及降落時(shí)間；延誤時(shí)間 信息包括極端天氣情況、航空公司的飛機(jī)控制情況、國(guó)家航空系統(tǒng)的飛機(jī)控制情況W及安 全問(wèn)題。3. 根據(jù)權(quán)利要求2所述的一種基于ARIMA模型的航班延誤預(yù)測(cè)方法，其特征在于:所述 極端天氣情況包括龍卷風(fēng)與暴風(fēng)雪;所述航空公司的飛機(jī)控制情況包括飛機(jī)維修或清潔與 行李裝載;所述國(guó)家航空系統(tǒng)的飛機(jī)控制情況包括機(jī)場(chǎng)運(yùn)營(yíng)與交通堵塞下取消航線;所述 安全問(wèn)題包括飛機(jī)的安全漏桐。4. 根據(jù)權(quán)利要求1所述的一種基于ARIMA模型的航班延誤預(yù)測(cè)方法，其特征在于:所述 步驟S3中，所述ARIM模型根據(jù)原序列是否平穩(wěn)W及回歸中所含部分的不同，包括移動(dòng)平均 過(guò)程MA、自回歸過(guò)程AR、自回歸移動(dòng)平均過(guò)程ARMAW及ARIMA過(guò)程;將非周期性的ARIM模型 被劃分為ARIMA(p，d，q)模型，其中P為自回歸項(xiàng)，q為移動(dòng)平均項(xiàng)數(shù)，d為時(shí)間序列成為平穩(wěn) 時(shí)所做的差分次數(shù)，則所述ARIMA模型如下：其牛為自回 歸(AR)系數(shù)多項(xiàng)式為移動(dòng)平均(MA)系 數(shù)多項(xiàng)式；{ej為零均值白噪聲序列。5. 根據(jù)權(quán)利要求1所述的一種基于ARIMA模型的航班延誤預(yù)測(cè)方法，其特征在于:所述 步驟S4具體包括W下步驟： 步驟S41:進(jìn)行數(shù)據(jù)平穩(wěn)性檢驗(yàn):繪制時(shí)間序列并對(duì)圖形進(jìn)行評(píng)價(jià)或運(yùn)用ADF單位根進(jìn) 行檢驗(yàn)； 步驟S42:擬合平穩(wěn)時(shí)間序列ARMA:使用{y}表示進(jìn)行差分之后的平穩(wěn)時(shí)間序列，并計(jì)算 自相關(guān)函數(shù)ACF和偏自相關(guān)函數(shù)PACF，從ACF和PACF測(cè)試模式中選擇合適的p和q的值； 步驟S43:選擇參數(shù):測(cè)試P和q的不同組合，應(yīng)用AIC和SC準(zhǔn)則選擇最佳的模型參數(shù)； 步驟S44:模型驗(yàn)證:通過(guò)檢查殘差是否是一個(gè)白噪聲序列來(lái)驗(yàn)證該模型是否準(zhǔn)確； 步驟S45:模型預(yù)測(cè):根據(jù)被選定的模型，用于對(duì)航班模型延誤的未來(lái)值作出預(yù)測(cè)。6.根據(jù)權(quán)利要求1所述的一種基于ARIMA模型的航班延誤預(yù)測(cè)方法，其特征在于:所述 步驟S5具體包括W下步驟： 步驟S51:選取模型延誤函數(shù):選擇ARIM函數(shù)作為模型延誤函數(shù)； 步驟S52:選取天氣延誤:通過(guò)主成分分析W及因素分析方法獲取影響航班延誤的Ξ個(gè) 主要因素，所述Ξ個(gè)主要因素包括風(fēng)、可見(jiàn)度和空氣條件，運(yùn)用多元線性回歸函數(shù)作為天氣 延誤函數(shù)：其中心勺指的是風(fēng)速，指的是可見(jiàn)度，破I;指的是空氣條件和4代表航班號(hào)； 步驟S53:應(yīng)用所有歷史天氣延誤數(shù)據(jù)集線性回歸和最小化可能值，獲得合理的，其次 建立適用于天氣延誤的回歸方程，再分析函數(shù)的優(yōu)勢(shì)，檢驗(yàn)回歸函數(shù)的正確性、天氣結(jié)果的 隨機(jī)性W及特殊的回歸協(xié)同因素的正確性，最后對(duì)航班天氣延誤的未來(lái)值作出預(yù)測(cè)。
【文檔編號(hào)】G06Q50/30GK105844346SQ201610152208
【公開日】2016年8月10日
【申請(qǐng)日】2016年3月17日
【發(fā)明人】鄭相涵, 葉慧娟, 郭文忠
【申請(qǐng)人】福州大學(xué)