基于SMOTE算法和条件生成对抗网络的到港航班延误分类预测

• 全文链接
• 请求原文

作   者：

刘博;  卢婷婷;  张兆宁;  张健斌; 

作者机构：

中国南方航空股份有限公司运行指挥中心;  中国民航大学空中交通管理学院; 

关键词：

XGBoost模型;  分类问题;  合成少数类过采样技术（SMOTE）算法;  航班延误;  非平衡数据集;  条件生成对抗网络; 

期刊名称：

科学技术与工程

i s s n：

1671-1815

年卷期：

2021 年 034 期

页   码：

14843-14852

摘   要：

由于航班延误数据集类别分布不均,传统分类器的性能受到一定程度的制约。为了能够对到港航班延误情况进行精准预测,提出了一种基于合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）算法和条件生成对抗网络（conditional generative adversarial nets, CGAN）的航班延误预测模型。首先,利用SMOTE算法对原始数据集进行上采样,并融合经过训练的CGAN生成指定样本数据集,缓解原始数据集中某些类别样本量少和数据非平衡等问题;再次,采用XGBoost模型在4种模式训练集上进行训练和超参数寻优;最后,以K近邻、支持向量机和随机森林为基准模型进行性能对比分析。经试验分析,通过分类器在融合样本集的训练,整体上可以在一定程度上提高模型的泛化性,尤其在轻度延误和中度延误类别中提升较为明显,与不采用融合方法比较,宏平均下的Precision、Recall、F1-score值分别提升了0.16、0.29、0.24个百分点。实验结果表明,该方法能够有效地对航班延误非平衡数据进行建模,在保持模型整体性能较高的前提下,能够显著地提升少数类的预测能力,可以为空管、航空公司和机场等提供决策依据。