高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度SE-DenseNet的航班延误预测模型

吴仁彪 赵婷 屈景怡

吴仁彪, 赵婷, 屈景怡. 基于深度SE-DenseNet的航班延误预测模型[J]. 电子与信息学报, 2019, 41(6): 1510-1517. doi: 10.11999/JEIT180644
引用本文: 吴仁彪, 赵婷, 屈景怡. 基于深度SE-DenseNet的航班延误预测模型[J]. 电子与信息学报, 2019, 41(6): 1510-1517. doi: 10.11999/JEIT180644
Renbiao WU, Ting ZHAO, Jingyi QU. Flight Delay Prediction Model Based on Deep SE-DenseNet[J]. Journal of Electronics & Information Technology, 2019, 41(6): 1510-1517. doi: 10.11999/JEIT180644
Citation: Renbiao WU, Ting ZHAO, Jingyi QU. Flight Delay Prediction Model Based on Deep SE-DenseNet[J]. Journal of Electronics & Information Technology, 2019, 41(6): 1510-1517. doi: 10.11999/JEIT180644

基于深度SE-DenseNet的航班延误预测模型

doi: 10.11999/JEIT180644
基金项目: 国家自然科学基金联合基金(U1833105),天津市智能信号与图像处理重点实验室开放项目(2017ASP-TJ01)
详细信息
    作者简介:

    吴仁彪:男,1966年生,教授,博士,研究方向为自适应信号处理、现代谱分析及其在雷达、卫星导航、空管中的应用

    赵婷:女,1994年生,硕士生,研究方向为航空运输大数据、深度学习

    屈景怡:女,1978年生,副教授,博士,研究方向为航空运输大数据、深度学习、神经网络

    通讯作者:

    屈景怡 qujingyicauc@163.com

  • 中图分类号: TP391

Flight Delay Prediction Model Based on Deep SE-DenseNet

Funds: The National Natural Science Foundation of China (U1833105), The Tianjin Key Laboratory of Advanced Signal Processing Open Project (2017ASP-TJ01)
  • 摘要: 针对目前民航运输业对航班延误高精度预测的需求,该文提出一种基于深度SE-DenseNet的航班延误预测模型。该模型首先将航班信息、相关机场延误信息和天气信息进行数据融合;其次,利用改进后的SE-DenseNet算法对融合后的航班数据集进行自动特征提取;最后,构建Softmax分类器进行航班离港延误等级的预测。该文提出的SE-DenseNet结构融合了DenseNet和SENet二者的优势,既能加强深层信息的传递,避免梯度消失,又可以实现特征提取过程中的特征重标定。实验结果表明,数据融合后,预测准确率较只考虑航班属性提高约1.8%;算法改进后可以有效提升网络性能,模型最终准确率达93.19%。
  • 图  1  网络结构示意图

    图  2  SE-DenseNet的训练

    图  3  航班预测模型总体结构

    图  4  改进前后网络结构损失值对比

    图  5  改进前后网络结构梯度值变化对比

    表  1  SE-DenseNet网络配置信息表

    网络层SE-DenseNetDenseNet
    矩阵维度结构配置矩阵维度结构配置
    卷积层$n \times n$$\left[ {3 \times 3,2k} \right]$$n \times n$$\left[ {3 \times 3,2k} \right]$
    池化层${n / 2} \times {n / 2}$$3 \times 3$最大池化
    结构块1$n \times n$$\left[ \begin{array}{l}1 \times 1,4k\\3 \times 3,k\\{\rm SE}\left( {k/\gamma ,k} \right)\end{array} \right] \!\times\! 6$${n / 2} \times {n / 2}$$\left[ \begin{array}{l}1 \times 1,4k\\3 \times 3,k\end{array} \right] \times 6$
    转换层1$n \times n$$\left[ {1 \times 1,0.5k} \right]$${n / 2} \times {n / 2}$$\left[ {1 \times 1,0.5k} \right]$
    ${n / 4} \times {n / 4}$$2 \times 2$平均池化
    $ \vdots $
    分类层$1 \times 1$全局平均池化,全连接,softmax
    下载: 导出CSV

    表  2  航班延误等级划分

    延误等级延误时间T (min)
    0 (未延误)$T \le 15$
    1 (低度延误)$15 < T \le 60$
    2 (中度延误)$60 < T \le 120$
    3 (高度延误)$120 < T \le 240$
    4 (重度延误)$T > 240$
    下载: 导出CSV

    表  3  维度变换比率$\text{γ}$对分类性能的影响

    比率$\gamma $准确率(%)模型大小(MB)
    493.0515.46
    893.1515.41
    1293.1415.39
    2493.0615.36
    下载: 导出CSV

    表  4  算法改进前后模型参数对比

    网络层数DenseNetSE-DenseNet参数增长比率(%)
    22160846916142560.36
    40397816739897410.29
    58711608571334460.24
    下载: 导出CSV

    表  6  深层SE-DenseNet准确率

    网络层数SE-DenseNet(%)
    8893.19
    10093.17
    12493.19
    下载: 导出CSV

    表  5  算法改进前后分类准确率对比(%)

    网络层数DenseNetSE-DenseNet
    1691.8692.33
    2292.0792.69
    3492.2892.80
    4092.5793.14
    5292.6993.17
    5892.7293.19
    下载: 导出CSV

    表  7  不同影响因素预测准确率对比(%)

    网络层数数据集FO数据集W数据集F
    1690.6492.0692.33
    2290.9692.1592.69
    3491.0692.2992.80
    4091.0992.3393.14
    5291.2492.3593.17
    5891.3692.3893.19
    下载: 导出CSV

    表  8  不同预测模型结果对比(%)

    模型算法预测准确率
    C4.5决策树78.05
    支持向量机80.00
    人工神经网络86.30
    SE-DenseNet93.19
    下载: 导出CSV
  • BASPINAR B, URE N K, KOYUNCU E, et al. Analysis of delay characteristics of European air traffic through a data-driven airport-centric queuing network model[J]. IFAC-PapersOnLine, 2016, 49(3): 359–364. doi: 10.1016/j.ifacol.2016.07.060
    KHANMOHAMMAD S, TUTUN S, and KUCUK Y. A new multilevel input layer artificial neural network for predicting flight delays at JFK airport[C]. Complex Adaptive Systems, Los Angeles, USA, 2016: 237–244.
    程华, 李艳梅, 罗谦, 等. 基于C4.5决策树方法的到港航班延误预测问题研究[J]. 系统工程理论与实践, 2014, 34(S1): 239–247. doi: 10.12011/1000-6788(2014)s1-239

    CHENG Hua, LI Yanmei, LUO Qian, et al. Study on flight delay with C4.5 decision tree based prediction method[J]. System Engineering – Theory &Practice, 2014, 34(S1): 239–247. doi: 10.12011/1000-6788(2014)s1-239
    徐涛, 丁建立, 顾彬, 等. 基于增量式排列支持向量机的机场航班延误预警[J]. 航空学报, 2009, 30(7): 1256–1263. doi: 10.3321/j.issn:1000-6893.2009.07.014

    XU Tao, DING Jianli, GU Bin, et al. Forecast warning level of flight delays based on incremental ranking support vector machine[J]. Acta Aeronautica et Astronautica Sinica, 2009, 30(7): 1256–1263. doi: 10.3321/j.issn:1000-6893.2009.07.014
    MANNA S, BISWAS S, KUNDU R, et al. A statistical approach to predict flight delay using gradient boosted decision tree[C]. 2017 International Conference on Computational Intelligence in Data Science, Chennai, India, 2017: 1–5.
    KIM Y J, CHOI S, BRICENO S, et al. A deep learning approach to flight delay prediction[C]. 35th Digital Avionics Systems Conference, Sacramento, USA, 2016: 1–6.
    LECUN Y, BENGIO Y, and HINTON G E. Deep learning[J]. Nature, 2015, 521(7553): 436–444. doi: 10.1038/nature14539
    HUANG Gao, LIU Zhuang, and WEINBERGER K Q. Densely connected convolutional networks[C]. 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, Honolulu, USA, 2017: 2261–2269.
    HU Jie, SHEN Li, and SUN Gang. Squeeze-and-excitation networks[OL]. https://arxiv.org/pdf/1709.01507.pdf, 2018.4.
    IOFFE S and SZEGEDY C. Batch normalization: Accelerating deep network training by reducing internal covariate shift[C]. 32nd International Conference on Machine Learning, Lile, France, 2015: 448–456.
    NAIR V and HINTON G E. Rectified linear units improve restricted boltzmann machines[C]. 27th International Conference on Machine Learning, Haifa, Israel, 2010: 807–814.
    RUMELHART D E, HINTON G E, and WILLIAMS R J. Learning representations by back-propagating errors[J]. Nature, 1986, 323(9): 533–536. doi: 10.1038/323533a0
    DUAN Kaibo, KEERTHI S S, CHU Wei, et al. Multi-category classification by soft-max combination of binary classifiers[C]. 4th International Workshop on Multiple Classifier Systems, Guildford, United Kingdom, 2003: 125–134.
    SHEN Li, LIN Zhouchen, and HUANG Qingming. Relay backpropagation for effective learning of deep convolutional neural networks[C]. European Conference on Computer Vision, Amsterdam, The Netherlands, 2016, 467–482. doi: https://doi.org/10.1007/978-3-319-46478-7_29.
    HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Delving deep into rectifiers: Surpassing human-level performance on imagenet classification[C]. 15th IEEE International Conference on Computer Vision, Santiago, Chile, 2015: 1026–1034.
    吴仁彪, 李佳怡, 屈景怡. 基于双通道卷积神经网络的航班延误预测模型[J]. 计算机应用, 2018, 38(7): 2100–2106. doi: 10.11772/j.issn.1001-9081.2018010037

    WU Renbiao, LI Jiayi, and QU Jingyi. Flight delay prediction based on dual-channel convolutional neural networks[J]. Journal of Computer Applications, 2018, 38(7): 2100–2106. doi: 10.11772/j.issn.1001-9081.2018010037
  • 加载中
图(5) / 表(8)
计量
  • 文章访问数:  4564
  • HTML全文浏览量:  2370
  • PDF下载量:  187
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-07-02
  • 修回日期:  2018-11-16
  • 网络出版日期:  2018-12-04
  • 刊出日期:  2019-06-01

目录

    /

    返回文章
    返回