系统工程与电子技术

作者：姜雨, 袁琪, 胡志韬, 吴薇薇, 顾欣

单位：1. 南京航空航天大学民航学院, 江苏 南京 211106；2. 北京工业大学北京市交通工程重点实验室, 北京 100124

关键词：机场延误预测,图卷积神经网络,气象因素,机场网络,深度学习

针对机场延误预测过程中难以提取延误传播时空特征、预测结果受天气扰动大的问题, 提出了基于气象因素的时空图卷积网络(meteorology-based spatio-temporal graph convolutional networks, MSTGCN)机场延误预测模型。该模型使用图卷积神经网络(graph convolutional neural network, GCNN)与门控卷积神经网络(gated convolutional neural network, Gated CNN)挖掘机场延误的时空特征, 同时加入气象特征提取模块对机场延误时间进行预测。实验结果表明, 该模型在中短时预测上的表现均优于其他对比模型; 相较于不考虑气象因素的模型, MSTGCN对未来1 h、4 h和12 h预测的平均绝对误差分别降低了7.03%, 7.93%, 11.54%, 对预测结果起到了极大的修正作用。

来源：2023年第6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2023年第6期