《表9 不同航班延误预测模型的准确率比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于团簇随机连接的CliqueNet航班延误预测模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证基于大数据的深度学习方法比传统的机器学习统计算法更具优势，表9中给出了不同航班延误预测模型的准确率结果。其中：贝叶斯网络[3]和支持向量机[5]分别以国内的某枢纽机场和某航空公司提供的整年数据进行训练，但其只涉及单独的机场和航班数据，数据维度较小。ANN模型[8]以2012年肯尼迪机场的1 099次入境航班作数据分析研究，数据样本量较少。并行化随机森林[6]特征划分的数据来源于美国航空交通运输统计局2015—2016年的历史数据，使用的数据源和本文保持一致。随机森林模型[7]使用来自2007年1月份至2008年12月份航空系统性能度量数据库的数据，其数据字段和本文分析的字段相似，包括到达和离开机场、计划和实际起飞时间、航空公司代码和飞机尾号等。双通道卷积神经网络（Dual Channel Neural Network，DCNN)[28]与本文使用的数据集相同，样本数量均为150万左右。除此之外，卷积神经网络DenseNet同样属于密集型连接网络，与本文模型的可比性较强，所以本文实验在相同的数据集上给出了两者在不同量级网络的预测结果比较（见表9，其中：T表示网络卷积层数，k表示每层的卷积核个数）。