文献类型：期刊文章

作　　者：吴仁彪[1] 李佳怡[1] 屈景怡[1]

WU Renbiao;LI Jiayi;QU Jingyi(Tianjin Key Laboratory of Advanced Signal Processing,Civil Aviation University of China,Tianjin 300300,Chin)

机构地区：[1]中国民航大学天津市智能信号与图像处理重点实验室,天津300300

出　　处：《计算机应用》

基　　金：国家自然科学基金青年科学基金资助项目(11402294);天津市智能信号与图像处理重点实验室开放基金资助项目(2017ASP-TJ01)~~

年　　份：2018

卷　　号：38

期　　号：7

起止页码：2100-2106

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限的问题,提出一种基于双通道卷积神经网络(DCNN)的航班延误预测模型。首先,该模型将航班数据和气象数据进行融合,应用DCNN进行自动特征提取,采用批归一化(BN)和Padding策略优化,提升到港延误等级的分类预测性能;然后,在卷积神经网络(CNN)基础上加入直通通道,以保证特征矩阵的无损传输,增强深度网络的畅通性;同时引入卷积衰减因子对卷积通道的特征矩阵进行稀疏性限制,控制不同网络深度的特征叠加比例,维持模型的稳定性。实验结果表明,所提模型与传统模型相比,具有更强的数据处理能力。通过数据融合,航班延误预测准确率可提高1个百分点;加深网络深度后,该模型能保证梯度的稳定,从而训练更深的网络,使准确率提升至92.1%。该基于DCNN算法的模型特征提取充分,预测性能优于对比模型,可更好地服务于民航决策。

关 键 词：航班延误预测  双通道卷积神经网络  数据融合 直通通道  卷积衰减因子  

分 类 号：TP391.4]