航班延误预测1副本汇编.pptxVIP

长春工业大学——劲风队 航班延误预测 第五届 中国软件杯 大学生软件设计大赛 整体流程 劲风队 导入历史数据 数据降维 特征提取 生成分类模型 导入待测数据 分类预测 输出预测结果 整体流程 劲风队 预测模型 预测结果 历史 数据 待预测数据 训练阶段 测试阶段 数据处理 劲风队 加载数据(Excel) 解析数据 去除脏数据 数据入库 数据入库 数据处理 历史数据变量数过多，引发维数灾难，难计算。 多列之间具有直接或间接依赖关系，数据冗余较多。 数据可进行手工降维处理。 劲风队 数据降维 特征选择 特征提取 得到24个变量 得到12个变量 原数据40个变量 属性分类 多少通过观察可以发现，周六和周三为延误高峰期，周一周二为低峰期，其它日期则相差不大。据此将星期分为三类。 劲风队 ? 星期 分类值 描述 d1 1，2 1 低峰期 d2 3，6 2 高峰期 d3 4，5，7 3 正常期 属性分类 1、研究发现，航班延误情况与当天是星期几有关，根据历史数据得出如下统计结果。 劲风队 属性分类 2、由下图可知航班延误与起飞时刻之间有着一定的关系。 劲风队 通过对上表分析6~8点，22~23点为延误低峰期，其它时刻无明显特点。据此将起飞时刻属性分为两类。 劲风队 ? 时刻 分类值 描述 d1 6~8，22~23 1 低峰期 d2 其它 2 正常期 属性分类 属性分类 3、由航班延误与天气之间的历史数据分析关系得出下图。 劲风队 通过对上图分析并综合考虑后，本文将天气划分为四类。 劲风队 ? 天气 分类值 描述 d1 大雨及以上 1 严重恶劣天气 d2 小到中雨 2 中等恶劣天气 d3 阴/晴 3 正常天气 d4 其它 4 其它天气 属性分类 劲风队 非线性回归 概率统计 贝叶斯分类 线性回归 历史数据庞大 难编写计算程序 高维矩阵的不稳定性 回归效果差 显示方程回归 方程形式难以确立 软计算 程序编写复杂，时间开销大 时间复杂度O(n) 算法简单可靠 程序编写复杂度低 最终选择 建模算法设计 建模算法设计 劲风队 准备工作阶段 应用阶段 分类器训练阶段 朴素贝叶斯分类流程图 劲风队 成果 确立特征属性 对待分类项进行分类 对属性进行分类 训练模型 进行预测 将上述算法应用于航班延误预测问题，对应的工作如下： 建模算法设计 程序结构 劲风队 Text Text 本程序基于贝叶斯分类算法实现，完整的程序源代码总共包括建模和预测两部分，两部分分别使用独立的项目实现。 建模程序 劲风队 建模算法设计 预测程序 劲风队 建模算法设计 长春工业大学——劲风队