1 绪论
1.1 研究背景
1.2 国内外研究现状
1.2.1 现状概述
1.2.2 现存问题
1.3 主要研究内容和创新点
1.3.1 主要研究内容
1.3.2 主要创新点
2 文献综述
2.1 航班延误的定义
2.2 航班延误的研究范围
2.3 航班延误的特征分析
2.4 机场航班延误
2.5 航线航班延误
2.6 航班延误的预测模型
2.6.1 统计分析模型
2.6.2 概率模型
2.6.3 机器学习模型
2.7 本章小结
3 国内航班延误大数据的获取和特征分析
3.1 国内航班延误大数据获取
3.2 数据预处理
3.2.1 缺失值处理
3.2.2 格式内容清洗
3.2.3 逻辑错误清洗
3.3 延误的基本特征
3.4 机场航班的延误特征分析
3.4.1 机场航班延误的基本特征
3.4.2 机场航班延误的分布特征
3.5 航空公司航班的延误特征分析
3.5.1 航空公司航班延误的基本特征
3.5.2 航空公司航班延误的分布特征
3.6 整体航班的延误特征分析
3.6.1 出发时间和到达时间的延误特征
3.6.2 飞行时间的延误特征
3.7 气候性等外部因素的航班延误特征分析
3.7.1 天气因素的航班延误特征
3.7.2 航班延误分布的季节性特征
3.8 本章小结
4 基于拥堵内部化的国内航班延误特征分析
4.1 拥堵内部化假设
4.2 拥堵内部化的相关特征
4.2.1 枢纽机场
4.2.2 枢纽航空公司
4.2.3 机场集中度
4.3 模型和结果分析
4.3.1 数据和模型
4.3.2 结果分析
4.4 本章小结
5 基于决策树的国内航班延误特征的对比和交互作用研究
5.1 基于决策树的国内航班延误模型构建
5.1.1 数据预处理
5.1.2 单变量的航班延误特征决策树模型构建
5.1.3 交叉变量的航班延误特征决策树模型构建
5.2 航班延误特征的对比
5.2.1 机场变量引发延误的能力对比
5.2.2 航班变量引发延误的能力对比
5.2.3 季节性等外部变量引发延误的能力对比
5.3 航班延误特征的交互作用
5.3.1 机场变量与季节性等外部变量对延误的交互作用
5.3.2 航班变量与季节性等外部变量对延误的交互作用
5.3.3 机场变量和航班变量对延误的交互作用
5.4 本章小结
6 基于多项式回归和改进深度神经网络的机场航班延误预测模型构建
6.1 基于多项式回归的机场航班延误分布的估计和拟合
6.2 基于改进的DBN-SVR神经网络模型
6.2.1 高斯-伯努利RBM
6.2.2 DBN-SVR模型
6.3 基于多项式回归和改进深度神经网络的组合延误预测模型
6.3.1 模型框架
6.3.2 机场航班延误数据预处理
6.3.3 模型参数设置
6.4 机场航班的延误预测实证分析
6.4.1 机场航班延误结果分析
6.4.2 模型分类器对比分析
6.5 本章小结
7 基于平滑样条和LSTM神经网络的航线航班延误预测模型构建
7.1 基于平滑样条的航线航班延误分布的估计和拟合
7.2 基于LSTM神经网络的航线航班延误预测模型构建
7.3 基于平滑样条和LSTM神经网络的组合延误预测模型
7.3.1 模型框架
7.3.2 航线航班延误数据预处理
7.3.3 模型参数设置
7.4 航线航班的延误预测实证分析
7.4.1 航线航班延误结果分析
7.4.2 模型分类器对比分析
7.5 本章小结
8 结论与展望
8.1 结论
8.2 进一步研究的方向
参考文献
附录
展开