图：航班延误







	



	　　对于那些搭乘航班回家过节的旅客来说，最不想听到的通知就是航班延误。纽约州立大学宾汉姆顿分校的研究人员设计了一个新的计算机模型，比现在正在使用的模型更准确地预测航班延误。





	　　我们提出的方法更适合分析与航班延误相关的分类变量(如天气或安全风险这样的定性变量而不是数值变量)数据集。我们的研究表明，该模型在准确性和速度方面都优于传统网络， 该研究的第一作者Sina Khanmohammadi说，她也是纽约州立大学宾汉姆顿分校，托马斯J.沃森工程和应用科学学院，系统科学专业的博士生。





	　　目前，航班延误使用人工神经网络(ANN)计算机模型进行预测，利用之前航班延误数据进行全量回填。人工神经网络就是一个计算机节点的互联网络，共同分析各种变量得出结论(在这里指航班延误)，与大脑中的神经网络协同工作解决问题的原理类似。这些网络模型可以自我学习，寻找规律。人工神经网络处理的变量越多，变量中的分类变量越多，收集的历史数据就会让人工神经网络预测航班延误的速度减慢。





	　　宾汉姆顿团队引入了一个新的多级输入层人工神经网络来处理简单的分类变量，使航空公司很容易看出输入变量(如天气)的输出变量(航班延误)之间的关系。





	　　该研究并不能消除航班延误，但是它能帮助航空公司，更快、更准确地告知旅客，目前存在什么问题。这个新模型也能帮助规模较小的支线机场提高效率，每天能够容纳更多的航班。





	　　航空公司可以使用该方法来为客户提供更精确的延误信息，从而提高顾客的忠诚度，Khanmohammadi说。繁忙机场的空中交通管制人员也可以使用此信息作为补充，以提高航运量的管理水平。





	　　研究人员选择了14个不同变量，加快模型的训练和推断过程包括一周内的每一天，始发机场，天气和安全这些数据影响从53个不同机场到纽约肯尼迪机场的1099个航班的到达时间。这个新系统预测一个假设航班的延误情况(预计1月21日下午6:30分达到肯尼迪机场)，根据不同始发机场和各种条件下的数据。





	　　新模型与传统模型相比，预测的时间准确率高20%，得出结论的时间减少40%。





	　　由于模型使用的数据集是运输统计局(BTS)提供的大数据集中的小样本，因此不可能得出确凿的结论。也就是说，根据小样本数据集，航班延误的最大因素就是之前的航班晚点到达， Khanmohammadi说。例如，如果一开始，一架航班晚点到达洛杉矶机场，那么它到达肯尼迪机场的时间就会更晚，然后航班从一个机场到另一个机场就会出现一连串的延误。





	　　随着复杂性的提升以及世界各地航班的增加，研究团队计划，继续研究能够应用到新模型中的变量。该团队还希望不止在航班调度上应用该模型，还可以使用模糊数学(根据真实的程度，而不是真/假二分法进行计算)，将研究模型扩展到现实世界的更多领域进行应用。





	　　博士生Salih Tutun(工业工程)和Yunus Kucuk(计算机科学)是这篇文章的共同作者。该研究预测肯尼迪机场航班延误的多级输入层人工神经网络模型，发表在《Procedia Computer Science》第95卷上，并提交于11月2日在洛杉矶举办的复杂适应性系统会议上。