基于机器学习的大型机场离港滑行时间预测

摘要

为了提高大型机场离港滑行时间预测的准确性，首先，本文通过皮尔逊相关系数分析确定大型机场离港滑行时间的共同特征变量；然后，使用经典机器学习和深度学习模型对北京大兴国际机场和香港赤鱲角国际机场的离港滑行时间进行预测比较。实验结果表明，除随机森林（RF,random forest）模型以外，每个模型的预测结果都较接近且效果较好，预测精度平均为88.485%，±3 min预测精度平均为78.605%，±5 min预测精度平均为93.867%；梯度提升回归树（GBRT,gradient boosting regression tree）和支持向量回归（SVR,support vector regression）模型的预测性能优于其他模型，为最佳预测模型，且对于同一个最佳预测模型，2个机场的预测结果差别不大。本文提出的离港滑行时间共同特征变量能够准确预测大型机场的离港滑行时间，经典机器学习模型的预测效果优于深度学习模型，且最佳预测模型具有可移植性。

关键词

经典机器学习 / 深度学习 / 大型机场 / 离港滑行时间预测