基于机器学习的低云霾对航班起降延误预测模型与调度系统设计.docxVIP

PAGE2

基于机器学习的低云霾对航班起降延误预测模型与调度系统设计

摘要

低云霾天气是导致航班起降延误的主要气象因素之一，其突发性强、影响范围广，给机场运行调度带来极大挑战。本文针对这一痛点，设计并实现了一套基于机器学习的航班延误预测模型与调度系统。系统以云量、能见度等航空气象数据为核心，结合历史航班延误记录，训练梯度提升树模型，实现未来时段延误风险的精准预报，并根据风险等级自动生成航班调度优化方案。全文遵循“需求分析→总体设计→详细设计→实现→测试”的工程逻辑展开。首先分析了低云霾下航班调度的现实困境与用户需求，继而设计了数据采集、模型训练、延误预测、调度优化和可视化五大功能模块，并采用B/S架构与微服务思想进行总体架构设计。在详细设计中，重点阐述了基于XGBoost的延误预测模型和基于优先级动态调整的调度算法，给出了完整的处理流程与接口规范。系统实现采用Python、Flask、MySQL等技术栈，完成了模型训练与调度决策的核心功能。测试结果表明，模型预测准确率达87.6%，系统响应时间小于2秒，能够有效支撑低云霾条件下的航班运行决策。本文的创新点在于将气象数值预报与机器学习深度融合，并构建了“预测-调度”闭环系统，为航空气象服务与航班运行管理的一体化提供了可行方案。

第一章绪论

1.1研究背景

航空运输对气象条件高度敏感，其中低云和霾是影响航班正常运行的关键因素。