目前,大數(shù)據(jù)和人工智能技術(shù)的飛速發(fā)展惠及了各行各業(yè)。在民航領(lǐng)域,智慧機(jī)場(chǎng)、智慧空管的概念也早已提出,大量智能化民航應(yīng)用逐漸落地,航班延誤是民航領(lǐng)域一直關(guān)注的重難點(diǎn)問(wèn)題,迫切需要實(shí)現(xiàn)高精度的延誤預(yù)測(cè)。因此,本文以此為目標(biāo),提出利用基于大數(shù)據(jù)深度學(xué)習(xí)的方法進(jìn)行航班延誤預(yù)測(cè),旨在通過(guò)高效智能的算法挖掘延誤數(shù)據(jù)的潛在價(jià)值,為空管、機(jī)場(chǎng)、航空公司等相關(guān)部門決策提供參考。論文主要研究工作如下:首先,論文在結(jié)合航班自身數(shù)據(jù)特征、考慮航班延誤多種影響因素的前提下,利用大數(shù)據(jù)分析技術(shù)分別對(duì)航班自身信息、天氣信息、關(guān)聯(lián)機(jī)場(chǎng)延誤波及屬性數(shù)據(jù)進(jìn)行預(yù)處理,研究三種特征信息對(duì)航班延誤的影響程度。詳細(xì)介紹了三種數(shù)據(jù)集的特征屬性含義以及數(shù)據(jù)預(yù)處理過(guò)程。同時(shí),為進(jìn)一步提高航班延誤預(yù)測(cè)的精度,提出了一種數(shù)據(jù)融合的方法,利用關(guān)聯(lián)主鍵合并的方式將三種特征信息同時(shí)輸入網(wǎng)絡(luò)中。其次,針對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）深層訓(xùn)練時(shí)特征信息易損失導(dǎo)致梯度消失的現(xiàn)象,基于DenseNet（Densely Connected Convolutional Networks）算法構(gòu)建航班... 

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外發(fā)展現(xiàn)狀
        1.2.1 航班延誤預(yù)測(cè)研究現(xiàn)狀
        1.2.2 卷積神經(jīng)網(wǎng)絡(luò)算法研究現(xiàn)狀
    1.3 本文主要研究工作
    1.4 本文組織結(jié)構(gòu)
第二章 航班延誤預(yù)測(cè)數(shù)據(jù)集預(yù)處理
    2.1 引言
    2.2 數(shù)據(jù)集介紹及特征屬性定義
    2.3 數(shù)據(jù)預(yù)處理
        2.3.1 數(shù)據(jù)清洗
        2.3.2 特征編碼
        2.3.3 數(shù)據(jù)融合
    2.4 本章小結(jié)
第三章 基于DenseNet算法的航班延誤預(yù)測(cè)模型
    3.1 引言
    3.2 DenseNet預(yù)測(cè)模型的設(shè)計(jì)
        3.2.1 網(wǎng)絡(luò)描述
        3.2.2 特征提取
        3.2.3 分類預(yù)測(cè)
    3.3 DenseNet預(yù)測(cè)模型的訓(xùn)練
        3.3.1 前向傳播
        3.3.2 反向傳播
    3.4 DenseNet預(yù)測(cè)模型的優(yōu)化
        3.4.1 基于瓶頸-壓縮(BC)層的優(yōu)化
        3.4.2 基于Padding技術(shù)的策略優(yōu)化
    3.5 實(shí)驗(yàn)結(jié)果分析
        3.5.1 實(shí)驗(yàn)環(huán)境及模型參數(shù)配置
        3.5.2 BC層對(duì)模型參數(shù)的影響
        3.5.3 航班延誤預(yù)測(cè)實(shí)驗(yàn)
    3.6 本章小結(jié)
第四章 基于SE-DenseNet的航班延誤預(yù)測(cè)模型研究
    4.1 引言
    4.2 SE-DenseNet預(yù)測(cè)模型的設(shè)計(jì)
        4.2.1 網(wǎng)絡(luò)描述
        4.2.2 特征提取
        4.2.3 分類預(yù)測(cè)
    4.3 SE-DenseNet預(yù)測(cè)模型的訓(xùn)練
        4.3.1 前向傳播
        4.3.2 反向傳播
    4.4 SE-DenseNet預(yù)測(cè)模型的優(yōu)化
        4.4.1 基于維度變化比率γ的優(yōu)化
        4.4.2 基于卷積復(fù)合函數(shù)的優(yōu)化
    4.5 實(shí)驗(yàn)結(jié)果分析
        4.5.1 實(shí)驗(yàn)環(huán)境及模型參數(shù)配置
        4.5.2 維度變化比率γ對(duì)模型性能的影響
        4.5.3 SE-DenseNet結(jié)構(gòu)驗(yàn)證分析
        4.5.4 不同航班延誤影響因素分析
        4.5.5 不同航班延誤預(yù)測(cè)模型對(duì)比
    4.6 本章小結(jié)
第五章 總結(jié)與展望
參考文獻(xiàn)
致謝
攻讀碩士期間取得的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的航班延誤預(yù)測(cè)模型[J]. 吳仁彪,李佳怡,屈景怡.  計(jì)算機(jī)應(yīng)用. 2018(07)
[2]推動(dòng)民航高質(zhì)量發(fā)展 開(kāi)啟新時(shí)代民航強(qiáng)國(guó)建設(shè)新征程[J]. 馮正霖.  人民論壇. 2018(05)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別[J]. 董峻妃,鄭伯川,楊澤靜.  計(jì)算機(jī)應(yīng)用. 2017(07)
[4]基于復(fù)雜網(wǎng)絡(luò)的空中交通特征與延誤傳播分析[J]. 武喜萍,楊紅雨,韓松臣.  航空學(xué)報(bào). 2017(S1)
[5]基于貝葉斯網(wǎng)絡(luò)的航班保障服務(wù)時(shí)間動(dòng)態(tài)估計(jì)[J]. 邢志偉,唐云霄,羅謙.  計(jì)算機(jī)應(yīng)用. 2017(01)
[6]基于復(fù)雜網(wǎng)絡(luò)理論的航班延誤波及分析[J]. 邵荃,朱燕,賈萌,張海蛟.  航空計(jì)算技術(shù). 2015(04)
[7]面向機(jī)場(chǎng)時(shí)段差異的航班延誤免疫預(yù)測(cè)算法[J]. 丁建立,王曼,曹衛(wèi)東,胡海生,黃威.  計(jì)算機(jī)工程與設(shè)計(jì). 2015(04)
[8]采用支持向量機(jī)回歸的航班延誤預(yù)測(cè)研究[J]. 羅赟騫,陳志杰,湯錦輝,朱永文.  交通運(yùn)輸系統(tǒng)工程與信息. 2015(01)
[9]基于航班延誤分布的機(jī)位魯棒指派模型[J]. 李軍會(huì),朱金福,陳欣.  交通運(yùn)輸工程學(xué)報(bào). 2014(06)
[10]基于航空信息網(wǎng)絡(luò)的樞紐機(jī)場(chǎng)航班延誤預(yù)測(cè)模型[J]. 羅謙,張永輝,程華,李川.  系統(tǒng)工程理論與實(shí)踐. 2014(S1)

碩士論文
[1]雙通道卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)方法研究[D]. 朱威.中國(guó)民航大學(xué) 2017
[2]航班延誤引發(fā)旅客群體性事件處置對(duì)策優(yōu)化研究[D]. 張孟.山東財(cái)經(jīng)大學(xué) 2016
[3]基于數(shù)據(jù)挖掘的航班延誤預(yù)警管理研究[D]. 張成偉.中國(guó)民用航空飛行學(xué)院 2016



本文編號(hào)：3734164