航班延误预测方法及系统与流程

1.本公开涉及大数据分析技术领域，尤其涉及一种航班延误预测方法及系统。


背景技术：

2.由于天气、流量和旅客等原因，经常造成部分航班延误或取消，在航班网络的时间和空间关联影响之下，很容易形成大量航班延误。
3.申请号为202110436375.2，发明名称为“基于深度学习的智能航班延误预测方法”，公开了如下内容：获取目标航班的航班数据和目标航班运行时间内的起降城市的天气数据，计算目标航班的延误时间，根据延误时间制作延误标签；将航班数据和天气数据进行数字化处理；将数字化处理后的航班数据和天气数据进行预处理，根据延误标签划分多个延误类别，设置深度学习模型；利用预处理后的航班数据和天气数据训练深度学习算法模型，并且利用天气预报和深度学习算法预测目标航班的延误情况；上述对比文件虽然是通过深度学习进行航班延误分析，但是其只是通过单一模型进行结果预测，而航班数据则是多种类型数据汇总到一起，单个模型的预测结果往往不尽人意；并且随着延误时间变长，预测值偏离标准值的概率大幅增加，容易陷入局部最优解的困境。
4.申请号为201911066077.8，发明名称为“基于时效信息和深度学习的离港航班延误预测方法”，公开了如下内容：获取航班信息数据和气象信息数据；根据航班信息数据和气象信息数据，进行特征转换，建立基于深度学习的离港航班延误预测模型，采用基于深度学习的离港航班延误预测模型对航班延误进行预测；上述对比文件虽然在深度学习的基础上，加入了时效信息，但是其依旧是采用单个模型进行延误预测，同样由于单个模型的预测结果容易陷入局部最优解的困境。
5.公开于本技术背景技术部分的信息仅仅旨在加深对本技术的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。


技术实现要素：

6.本公开实施例提供一种航班延误预测方法及系统，所述方法至少能够解决现有技术中的部分问题。
7.本公开实施例的第一方面，提供一种航班延误预测方法，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。
8.在一种可选的实施方式中，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。
9.在一种可选的实施方式中，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。
10.在一种可选的实施方式中，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基于深度神经网络模型构建，其中，所述在先神经网络模型包括输入层、卷积层、隐藏层以及输出层，所述卷积层对所述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达到时间与航班实际达到时间的时间差值是否在预设时间范围内。
11.在一种可选的实施方式中，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。
12.在一种可选的实施方式中，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到达时间预测值；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。
13.在一种可选的实施方式中，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，表示第k个输入特征信息对应的权重值，表示输入特征信息卷积变化后的值。
14.本公开实施例的第二方面，提供一种航班延误预测系统，所述系统包括：第一单元，用于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；第二单元，用于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，第三单元，用于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。
15.本公开实施例的第三方面，提供一种航班延误预测设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述中任意一项所述的方法。
16.本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述中任意一项所述的方法。
17.本公开提供一种航班延误预测方法，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；通过航班运行信息、天气信息以及关联延误信息，能够汇总影响航班延误的最主要因素，提高航班延误预测的准确性，并且保证航班延误预测模型所要处理的数据是必要且数量较少的。
18.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，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。
19.本公开实施例的航班延误模型是基于多个神经网络模型构建，相比于现有单个模型进行航班延误预测，本公开的航班延误预测模型准确率更高、稳定性更强，并且融合多个模型后预测正确率相比于单个模型指数级提高，泛化能力强。
20.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，本公开实施例的方法不仅能够预测航班是否延误，还可以进一步确定航班延误等级，并根据航班延误等级，设置对应的方案，提供系统的解决方案。
附图说明
21.图1为本公开实施例航班延误预测方法的流程示意图；
图2为本公开实施例训练航班延误预测模型的在先神经网络模型的流程示意图；图3为本公开实施例训练航班延误预测模型的在后神经网络模型的流程示意图；图4为本公开实施例分类层输出特征信息对应类别的概率的示意图；图5为本公开实施例航班延误预测系统的结构示意图。
具体实施方式
22.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
23.本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
24.应当理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
25.应当理解，在本公开中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.应当理解，在本公开中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含a、b和c”、“包含a、b、c”是指a、b、c三者都包含，“包含a、b或c”是指包含a、b、c三者之一，“包含a、b和/或c”是指包含a、b、c三者中任1个或任2个或3个。
27.应当理解，在本公开中，“与a对应的b”、“与a相对应的b”、“a与b相对应”或者“b与a相对应”，表示b与a相关联，根据a可以确定b。根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。a与b的匹配，是a与b的相似度大于或等于预设的阈值。
28.取决于语境，如在此所使用的“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。
29.下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
30.图1为本公开实施例航班延误预测方法的流程示意图，如图1所示，所述方法包括：s101、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；实际应用中，天气原因、空管原因以及航空公司原因是导致航班延误的主要因素，其中，本公开实施例的目标航班关联机场的关联延误信息，用于指示与目标航班起降机场相关延误信息，关联延误信息能够直观地显示与目标航班延误的直接因素，有利于提高最
后的航班延误预测的准确率。例如，若目标航班的中转机场或者降落机场存在航班延误，则大概率上目标航班也同样会出现延误。
31.示例性地，本公开实施例的航班运行信息可以包括目标航班的历史延误航班信息、目标航班历史起降机场、目标航班历史起降时间、目标航班的航班编号等；本公开实施例的天气信息可以包括起降机场的历史天气信息，例如最低温度、最高温度、观测站气压、海平面气压、观测站所在高度、相对湿度、风向、风速、风力大小以及能见度等；本公开实施例的关联延误信息可以包括关联机场的编号、关联机场的航班运行情况、关联机场是否延误、已经存在延误的情况下，延误航班对应的航班编号、停机位位置以及空中流量信息等。
32.需要说明的是，本公开实施例对航班运行信息、天气信息以及关联延误信息只是示例性说明，并不限制航班运行信息、天气信息以及关联延误信息的类型和数量。
33.通过航班运行信息、天气信息以及关联延误信息，能够汇总影响航班延误的最主要因素，提高航班延误预测的准确性，并且保证航班延误预测模型所要处理的数据是必要且数量较少的。
34.s102、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；示例性地，本公开实施例的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。
35.本公开实施例的航班延误模型是基于多个神经网络模型构建，相比于现有单个模型进行航班延误预测，本公开的航班延误预测模型准确率更高、稳定性更强，并且融合多个模型后预测正确率相比于单个模型指数级提高，泛化能力强。
36.示例性地，将航班运行信息、天气信息以及关联延误信息转换为特征向量之前，所述方法还包括数据预处理，在数据输入网络模型之前，离散变量数据是无法直接进入模型进行训练的，无序的离散变量会对网络内容学习机制产生误导，混淆特征变量之间的重要性，因此需要进行数据预处理，其方法可以包括数据清洗和缺失值处理，其中，数据清洗包括清洗数据中的脏数据，其中，脏数据即错误或者无效的数据，本公开实施例中数据清洗可以包括缺失值清洗、格式内容清洗重复数据清洗、非需求数据和关联性验证等，本公开实施例对数据清洗的具体类型和方法并不进行限定。通过数据清洗可以对数据进行标准化处理，减少额外的计算开销。
37.缺失值处理可以包括同类均值插补、建模预测、均值插补、高维度映射和多重插补中一种或多种方式实现，本公开实施例对此并不进行限定。
38.在一种可选的实施方式中，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。
39.可选地，本公开实施例对所述标准模型训练数据集的数据，按照数据类型进行评分的方法可以如下公式所示：其中，表示训练数据集的数据数量，、表示标准模型训练数据集的数据特征对应的坐标值，、表示标准数据特征对应的坐标值，、分别表示标准数据特征的标准差对应的坐标值。
40.示例性地，即使进行数据预处理后，训练集的数据中并非所有所有的数据都适合转换为特征向量，本公开实施例根据所述标准模型训练数据集的数据特征，对所述标准模型训练数据集的数据，按照数据类型进行评分，将评分超过预设阈值的数据转换为训练特征向量，从训练数据集大量的数据中筛选出分类效果最佳的特征，压缩特征空间的维度，生成精度高且错误率的特征。
41.在一种可选的实施方式中，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。
42.示例性地，本公开实施例可以将在先神经网络模型的输出值作为在后神经网络模型的输入值，使得航班延误预测模型可以进行二次学习，提高模型的过拟合能力，保证模型的精准度。
43.可选地，本公开实施例的航班延误预测模型可以为在先神经网络模型的输出值分配对应的权重值，并且为在后神经网络模型的输出值同样分配对应的权重值，从而实现对不同维度和不同类型的数据实现合理化的调整，并将分配权重值后的在后神经网络模型的输出值更新模型训练数据集，从而进一步提高航班延误预测模型的预测准确度。
44.在一种可选的实施方式中，图2为本公开实施例训练航班延误预测模型的在先神经网络模型的流程示意图，
所述在先神经网络模型包括输入层、卷积层、隐藏层以及输出层，如图2所示，s201、所述卷积层对所述输入层的输出数据进行批量归一化处理，并确定各隐藏层的输出特征；s202、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，s203、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。
45.示例性地，本公开实施例的在先神经网络模型包括输入层、卷积层、隐藏层以及输出层，本公开实施例的在先神经网络模型以及在后神经网络模型可以包括深度神经网络、卷积神经网络、长短期记忆网络等，本公开实施例对在先神经网络模型的类型并不进行限定。本公开的在先神经网络模型以及在后神经网络模型在结构上保持在先神经网络模型的输出层与在后神经网络模型的输入层连接。
46.示例性地，本公开实施例可以通过前向传播和反向传播两个方向训练在先神经网络模型，可选地，卷积层对所述输入层的输出数据进行批量归一化处理，减少网络内部的协变量转移，提高网络的泛化能力。进一步地，可以根据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。
47.本公开实施例中，在先神经网络模型是否收敛的判断依据可以包括在先神经网络模型输出的航班预计达到时间与航班实际达到时间的时间差值是否在预设时间范围内，若是，则可以判断在先神经网络收敛，若否，则可以判断在先神经网络不收敛。
48.在一种可选的实施方式中，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。
49.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。
50.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。
51.图3为本公开实施例训练航班延误预测模型的在后神经网络模型的流程示意图，其中，所述在后神经网络模型包括卷积层、池化层以及分类层，如图3所示，s301、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到达时间预测值。示例性地，通过自适应标定输入特征信息的权重值，能够自动学习每个特征通道的重要程度，并且可选择性地强调对整体模型贡献更强的特征，抑制贡献更弱甚至没有贡献的特征。
52.在一种可选的实施方式中，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，表示第k个输入特征信息对应的权重值，表示输入特征信息卷积变化后的值。
53.s302、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；将输入特征信息以及对应的权重值融合为综合特征值能够降低卷积层密集连接后所带来的大量冗余参数，增强模型运行过程中的稳定性，并且能够表达整个特征响应的全局分布，使得网络的全局信息被较低层利用。
54.s303、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；图4为本公开实施例分类层输出特征信息对应类别的概率的示意图。如图4所示，以输入分类层的参数维度为9*9*30为例，通过两个全连接层，分别将原参数维度调整为2430*1和2430*5*1，以及30*1和30*5，并且将最后调整维度后的值输入到softmax分类器输出输入特征信息对应类别的概率。
55.s304、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。
56.其中，所述输入特征信息对应类别包括延误等级。本公开实施例的航班延误模型是基于多个神经网络模型构建，相比于现有单个模型进行航班延误预测，本公开的航班延误预测模型准确率更高、稳定性更强，并且融合多个模型后预测正确率相比于单个模型指数级提高，泛化能力强。
57.s103、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；示例性地，本公开实施例在预测目标航班会延误的情况下，可以进一步确定目标航班预计的延误时间，根据航班延误时间设定对应的延误等级，其中，本公开实施例中，根据航班延误时间设定对应的延误等级可以包括：
若延误时间在预定到达时间可接受的时间浮动范围内，则认定为未延误；若延误时间位于第一延误时间和第二延误时间范围内，则可以认定为第一延误等级，其中，第一延误时间可以包括30分钟，第二延误时间可以包括60分钟；若延误时间位于第二延误时间和第三延误时间范围内，则可以认定为第二延误等级，其中，第三延误时间可以包括120分钟；若延误时间超过第三延误时间，则可以认定为第三延误等级。
58.根据延误等级以及预先获取的对应关系，确定与延误等级对应的处理方案，其中，预先获取的对应关系可以用于指示延误等级与处理方案的对应关系。示例性地，若延误等级为第一延误等级，则可以向乘客赠送里程数、或者航空公司对应的会员积分等；若延误等级为第二延误等级，则可以为乘客安排对应的休息环境、赠送乘客餐饮服务等；若延误等级为第三延误等级，则可以为乘客安排住宿房间，并且对于后续有其他航班的乘客，进行航班退改签等。
59.本公开实施例的方法不仅能够预测航班是否延误，还可以进一步确定航班延误等级，并根据航班延误等级，设置对应的方案，提供系统的解决方案。
60.本公开提供一种航班延误预测方法，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；通过航班运行信息、天气信息以及关联延误信息，能够汇总影响航班延误的最主要因素，提高航班延误预测的准确性，并且保证航班延误预测模型所要处理的数据是必要且数量较少的。
61.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，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。
62.本公开实施例的航班延误模型是基于多个神经网络模型构建，相比于现有单个模型进行航班延误预测，本公开的航班延误预测模型准确率更高、稳定性更强，并且融合多个模型后预测正确率相比于单个模型指数级提高，泛化能力强。
63.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，本公开实施例的方法不仅能够预测航班是否延误，还可以进一步确定航班延误等级，并根据航班延误等级，设置对应的方案，提供系统的解决方案。
64.图5为本公开实施例航班延误预测系统的结构示意图，如图5所示，提供一种航班延误预测系统，所述系统包括：第一单元51，用于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；第二单元52，用于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，
第三单元53，用于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。
65.本公开实施例的第三方面，提供一种航班延误预测设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述中任意一项所述的方法。
66.本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述中任意一项所述的方法。
67.本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
68.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、静态随机存取存储器（sram）、便携式压缩盘只读存储器（cd-rom）、数字多功能盘（dvd）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
69.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
70.用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构（isa）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机（例如利
用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（fpga）或可编程逻辑阵列（pla），该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
71.这里参照根据本发明实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
72.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
73.也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
74.附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
75.注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
76.本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
77.最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进
行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。