系统工程与电子技术

作者：刘晓琳, 郭梦娇, 李卓

单位：1. 中国民航大学电子信息与自动化学院, 天津 300300；2. 中国农业大学信息与电气工程学院, 北京 100083

关键词：航班延误预测,深度学习,强化学习,多组件融合,图卷积

基金：天津市自然科学基金(17JCYBJC18200)

为充分挖掘机场网络航班间的时空动态相关性以减小预测误差, 提出一种基于对偶深度Q网络(dueling deep Q network, Dueling DQN)优化的多组件自适应图卷积循环网络航班延误预测模型。首先, 结合自适应图卷积网络与多头空间注意力机制, 并行捕获并融合多个子空间的延误信息, 充分挖掘非线性空间动态特征。其次, 采用门控循环单元为时间特征提取模块的基础结构, 并引入时间注意力机制以学习历史延误数据间的关注权重。然后, 设置多个时间维输入组件, 增加对不同时间模式构建的多样性。最后，采用Dueling DQN优化多组件自适应图卷积门控循环单元(multi-component adaptive graph convolution-gated recurrent unit，MAGC-GRU)模型的超参数。实验结果表明，所提模型的平均绝对误差相对于历史平均法、随机森林法、梯度增强回归树法、门控循环单元法、时空图卷积网络法, 分别降低了10.6%、6.07%、9.18%、3.79%和3.12%。

来源：2025年第2期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2025年第2期