WITI指标提升机场延误预测精度：灰色关联与深度学习的比较

本文主要探讨了在航空运输领域中，如何通过简化气象影响交通指数（Simplified Weather Impacted Traffic Index, WITI）来提升机场延误预测的精度。WITI是一个综合考虑了天气条件对航空交通影响的关键指标，它能够有效地衡量恶劣天气对航班运营的影响程度。 研究者采用灰色关联分析方法，首先评估了WITI指标与机场延误之间的内在关联性。灰色关联分析是一种统计方法，通过比较两个序列的相似性，衡量它们在时间序列上的关联程度，这对于评估天气变化与机场延误之间的动态关系非常适用。实验结果表明，WITI指标与机场离场延误之间的关联度显著高于传统的预测指标，这表明WITI更具有揭示两者之间因果关系的能力。 接着，作者将WITI指标与传统预测指标分别用于构建多元线性回归模型和BP神经网络预测模型。多元线性回归模型是通过多个自变量来预测一个因变量的统计模型，而BP神经网络模型则是一种模仿人脑神经元工作原理的机器学习模型，具有较强的非线性建模能力。对比实验结果显示，无论是对于广州白云国际机场(ZGGG)还是深圳宝安国际机场(ZGSZ)，基于WITI的预测模型在预测准确率上均优于基于传统指标的模型。具体来说，多元线性回归模型的提升幅度分别为14.09%和9.79%，BP神经网络模型的提升幅度分别为8.00%和6.41%。 因此，研究结论指出，简化后的WITI指标在机场延误预测中的应用效果显著优于传统指标，特别是在复杂多变的天气条件下，其预测性能的提升对于航空行业的运行管理和决策支持具有重要意义。通过引入WITI，航空公司和机场管理者能够更早地预判可能的延误情况，从而采取有效的应对措施，提高航班运营效率，保障乘客的出行体验。这项研究为机场延误管理提供了科学的决策工具和技术支持。