[论文解读] Flight Delay Prediction using Airport Situational Awareness Map

Wei Shao, Arian Prabowo+7 more|arXiv (Cornell University)|Nov 5, 2019

Air Traffic Management and Optimization参考文献 10被引用 6

一句话总结

本文提出了一种新颖的航班延误预测框架，整合了从飞机和车辆轨迹数据中提取的机场态势感知地图特征——用于量化空中交通复杂度（ATC）——以及天气和航班信息。使用经过工程化处理的ATC特征的LightGBM模型，即使在提前四小时预测时，仍能达到18分钟的均方根误差（RMSE），表明ATC特征在预测起飞延误方面比天气数据更具预测力。

ABSTRACT

The prediction of flight delays plays a significantly important role for airlines and travelers because flight delays cause not only tremendous economic loss but also potential security risks. In this work, we aim to integrate multiple data sources to predict the departure delay of a scheduled flight. Different from previous work, we are the first group, to our best knowledge, to take advantage of airport situational awareness map, which is defined as airport traffic complexity (ATC), and combine the proposed ATC factors with weather conditions and flight information. Features engineering methods and most state-of-the-art machine learning algorithms are applied to a large real-world data sources. We reveal a couple of factors at the airport which has a significant impact on flight departure delay time. The prediction results show that the proposed factors are the main reasons behind the flight delays. Using our proposed framework, an improvement in accuracy for flight departure delay prediction is obtained.

研究动机与目标

• 通过整合机场态势感知地图特征，提升航班起飞延误预测的准确性。
• 利用真实轨迹数据，研究空中交通复杂度（ATC）对起飞延误的影响。
• 比较ATC特征、天气数据和历史航班属性在延误预测中的预测能力。
• 开发一种数据驱动的框架，支持航空公司与空中交通管制员进行主动延误管理。

提出的方法

• 作者从地面运行期间收集的飞机和车辆轨迹数据中提取机场交通复杂度（ATC）特征。
• 将ATC特征与历史航班数据和天气状况结合，形成用于预测的综合特征集。
• 本研究采用多种机器学习模型，包括线性回归、支持向量回归（SVR）、多层感知机（MLP）和LightGBM，以评估性能。
• 通过基于排列的分析评估特征重要性，以识别对起飞延误最具影响力的预测因子。
• 将预测任务定义为回归问题，以均方根误差（RMSE）作为主要评估指标。
• 定义了延迟预测时间窗，即在停机位滑出时间之前进行预测的时间窗口，以实现在早期阶段进行预测。

实验结果

研究问题

• RQ1 从地面轨迹数据中提取的机场交通复杂度（ATC）特征如何影响航班起飞延误预测的准确性？
• RQ2 在预测起飞延误时，ATC特征的引入与天气和历史航班数据相比表现如何？
• RQ3 在整合ATC、天气和航班数据用于起飞延误预测时，哪种机器学习模型表现最佳？
• RQ4 能否利用所提出的框架在提前四小时实现准确的起飞延误预测？
• RQ5 ATC特征在延误缓解方面相较于天气条件具有多大程度的可控性和可操作性？

主要发现

• LightGBM在所有模型中表现最佳，所有数据组合下的RMSE均最低。
• 引入ATC特征显著提升了预测准确性，其降低RMSE的效果优于引入天气数据。
• 表现最佳的模型结合了航班到达数据、ATC特征和天气数据，在提前四小时预测时RMSE达到18分钟。
• ATC特征在预测起飞延误方面比天气条件更具影响力，表明其在空中交通管理中具有更高的可控性。
• 即使在训练数据有限的情况下，模型仍保持稳定性能，表明其具有鲁棒性。
• 特征重要性分析确认，与ATC相关的特征是预测起飞延误最关键的预测因子。