(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211243543.7 (22)申请日 2022.10.12 (65)同一申请的已公布的文献号 申请公布号 CN 115310732 A (43)申请公布日 2022.11.08 (73)专利权人 珠海翔翼航空技 术有限公司 地址 519030 广东省珠海市香洲区保税区 32号地 (72)发明人 曾宇　郑福君　杨磊　李德斌　 李剑华　李卫坤　伍伟略　 (74)专利代理 机构 北京市恒有知识产权代理事 务所(普通 合伙) 11576 专利代理师 郭文浩　尹文会 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 10/10(2012.01) G06Q 50/30(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (56)对比文件 CN 109448445 A,2019.0 3.08 CN 110503245 A,2019.1 1.26 Fan Liu 等.General ized Flight Delay Predicti on Method Usi ng Gradient Bo osting Decision Tree. 《2020 IE EE 91st Vehicular Technology Conference》 .2020,第1- 5页. 王兴隆 等.基 于VMD-MD-Clusteri ng方法的 航班延误 等级分类. 《交通信息与安全》 .202 2, (第3期),第171-178页. 审查员 洪利燕 (54)发明名称 航班延误预测方法及系统 (57)摘要 本公开提供一种航班延误预测方法及系统， 所述方法包括获取目标航班的航班 运行信息、 所 述目标航班在预设运行时间内起降城市的天气 信息， 以及与所述目标航班关联机场的关联延误 信息； 将所述航班运行信息、 所述天气信息以及 所述关联延误信息转换为特征向量后， 通过预先 构建的航班延误预测模型， 预测所述目标航班是 否会延误； 若预测所述目标航班会延误， 则进一 步确定所述目标航班的延误等级， 根据预先获取 的对应关系， 确定与所述延误等级对应的处理方 案。 本公开的方法能够综合影 响航班延误的因素 进行航班延误预测并且根据预测结果给出对应 的处理方案。 权利要求书4页 说明书13页 附图3页 CN 115310732 B 2022.12.20 CN 115310732 B 1.一种航班延误预测方法， 其特 征在于， 所述方法包括： 获取目标航班的航班运行信息、 所述目标航班在预设运行时间内起降城市的天气信 息， 以及与所述目标航班关联机场的关联延误信息； 将所述航班运行信息、 所述天气信息以及所述关联延误信息转换为特征向量后， 通过 预先构建的航班延误预测模型， 预测所述目标航班是否会延误， 若预测所述目标航班会延误， 则进一步确定所述目标航班的延误等级， 根据预先获取 的对应关系， 确定与所述延误 等级对应的处 理方案， 其中， 所述航班延误预测模型基于多个神经网络模型构建， 在先神经网络模型的输出作为在 后神经网络模型的输入， 用于对目标航班进行延误预测； 所述方法还 包括训练航班延误预测模型， 训练航班延误预测模型的方法还包括训练航班延误预测模型的在先神经网络模型， 其 中， 所述在先神经网络模型基于深度神经网络模型构建， 包括输入层、 卷积层、 隐藏层以及 输出层， 所述卷积层对训练特 征向量进行批量归一 化处理， 并确定各隐藏层对应的输出 特征； 基于所述在先神经网络模型的第 一损失函数确定所述输出特征对应的预测值， 并根据 所述预测值与预设目标值的损失值判断所述在先神经网络模型 是否收敛， 若不收敛， 则根据所述损 失值通过反向传播算法确定所述 隐藏层的梯度值， 并根据所 述梯度值更新所述在先神经网络模型各层的权重值， 直至所述在先神经网络模型收敛， 其 中， 所述在先神经网络模型收敛的判断依据包括判断在先神经网络模型输出的航班预计 到达时间与航班实际到 达时间的时间差值是否在预设时间范围内； 训练航班延误预测模型的方法还包括训练航班延误预测模型的在后神经网络模型， 其 中， 所述在后神经网络模型基于卷积神经网络模型构建， 所述在后神经网络模型包括卷积 层、 池化层以及分类层， 通过所述在后神经网络的卷积层对输入特征信 息进行局部连接和权值共享提取后， 自 适应标定所输入特征信息的权重值， 其中， 所述输入特征信息为所述在先神经网络模型输 出的航班预计到 达时间； 所述池化层将所述输入特 征信息以及对应的权 重值融合 为综合特 征值； 通过所述分类层的softmax分类器根据所述综合特征值输出输入特征信息对应类别的 概率； 循环迭代训练在后神经网络模型直至输出输入特征信息对应类别的概率满足预设条 件， 其中， 所述输入特 征信息对应 类别包括延误 等级。 2.根据权利要求1所述的方法， 其特征在于， 所述方法还包括训练航班延误预测模型， 所述训练航班延误预测模型的方法包括： 构建模型训练数据集， 其中， 所述模型训练数据集包括预设时间段内历史航班运行信 息、 历史天气信息以及历史关联延误信息； 将所述模型训练数据集转换为训练特征向量， 并输入待训练的航班延误预测模型， 并 基于待训练的航班延误预测模型的训练输出结果更新所述模型训练数据集， 直至达到预设权　利　要　求　书 1/4 页 2 CN 115310732 B 2训练收敛 条件完成对待训练的航班延误预测模型的训练， 其中， 待训练的航班延误预测模型包括在先神经网络模型和在后神经网络模型， 所述在先神 经网络模型根据所述训练特征向量进 行在先训练学习， 并将第一输出结果输出至所述在后 神经网络模型， 所述在后神经网络根据所述第一输出结果进行在后训练学习， 输出训练预 测值。 3.根据权利要求2所述的方法， 其特征在于， 将所述训练特征向量输入待训练 的航班延 误预测模型之前， 所述方法还 包括： 根据所述模型训练数据集的训练数据 特征， 确定与所述训练数据 特征对应的数据 预处 理方法， 筛除所述模型训练数据集中的脏数据， 得到标准模型训练数据集， 其中， 所述标准 模型训练数据集包括标准 航班运行信息、 标准天气信息以及标准关联延误信息； 将所述标准模型训练数据集的标准航班运行信 息、 标准天气信 息以及标准关联延误信 息分别转换为对应的标准数据特 征； 按照标准数据 特征对应的数据类型对标准航班运行信 息、 标准天气信 息以及标准关联 延误信息进行评分， 并将评分超过 预设阈值的信息转换为训练特 征向量。 4.根据权利要求1所述的方法， 其特 征在于， 所述在先神经网络模型的第一损失函数如下公式所示： 其中， 、 分别表示隐藏神经元和输出神经元的个数， 、 分别表示隐藏神经元和 输出神经 元对应的权 重值， 、 分别表示输入到隐藏神经 元和输出神经 元的值； 所述在先神经网络模型 各层的权 重值如下公式所示： 其中， 表示周期时长， 表示时刻t第i个预测值与预设 目标值的损失值， L表示 误差函数, 表示时刻t第i个预测值。 5.根据权利要求1所述的方法， 其特 征在于， 自适应标定所输入特 征信息的权 重值的方法如下公式所示： 其中， 、 分别表示sigmod函数和ReLu函数， 表示输入特征信息 的个数， 权　利　要　求　书 2/4 页 3 CN 115310732 B 3