基于LightGBM和SHAP的可解释性航班延误预测.pdfVIP

·26·ComputerEraNo.112025

DOI:10.16644/j.cnki.cn33-1094/tp.2025.11.005

基于LightGBM和SHAP的可解释性航班延误预测*

程小慷，黄若倩

（中国民用航空飞行学院机场学院，四川广汉618307）

摘要：针对航班延误预测中超参数优化、特征协同效应量化的问题，提出了一种结合参数高效搜索与交互效应分析的

可解释预测方法，通过LightGBM构建模型并设计自适应优化策略提升超参数搜索效率，进一步提出SHAP交互强度系

数（SHAP-IIS），用于量化特征对的全局协同强度，突破传统方法的仅解释特征主效应的局限。基于某机场2022年数据的

实验表明，模型显著提升预测精度，SHAP-IIS有效识别出“流量—历史延误—资源”间的关键协同阈值，为机场动态调控

提供量化决策依据。

关键词：航班延误；轻量级梯度提升机；可解释人工智能；特征交互

中图分类号：V351文献标识码：A文章编号：1006-8228(2025)11-26-06

InterpretableFlightDelayPredictionbasedonLightGBMandSHAP

ChengXiaokang,HuangRuoqian

（CivilAviationFlightUniversityofChina,Guanghan,Sichuan618307,China）

Abstract:Toaddressthechallengesofhyperparameteroptimizationandquantitativeanalysisoffeaturesynergyinflightdelay

prediction,thispaperproposesaninterpretablepredictionmethodthatintegratesefficientparametersearchandinteractioneffect

analysis.ByconstructingthemodelwithLightGBManddesigninganadaptiveoptimizationstrategy,thehyperparametersearch

efficiencyisimproved.Furthermore,theSHAPInteractionIntensityCoefficient(SHAP-IIS)isintroducedtoquantifytheglobal

synergystrengthbetweenfeaturepairs,overcomingthelimitationoftraditionalmethodsthatonlyexplainthemaineffectsof

features.Experimentson2022datafromanairportdemonstratethatthemodelsignificantlyimprovespredictionaccuracy,and

SHAP-IISeffectivelyidentifieskeysynergythresholdsamongtrafficvolume,historicaldelays,andresources,providinga

quantitativedecision-makingbasisfordynamicairportcontrol.

Keywords:FlightDelay;LightweightGradientBoosting;ExplainableAI;FeatureInteraction

0