[发明专利]基于贝叶斯估计的航班延误预测模型的建立方法及装置有效
申请号: | 201910009733.4 | 申请日: | 2019-01-05 |
公开(公告)号: | CN109961085B | 公开(公告)日: | 2021-07-27 |
发明(设计)人: | 苏咸宁 | 申请(专利权)人: | 苏咸宁 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06K9/66;G06Q10/04;G06Q50/30 |
代理公司: | 北京鼎承知识产权代理有限公司 11551 | 代理人: | 李伟波;孟奎 |
地址: | 100085 北*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 贝叶斯 估计 航班 延误 预测 模型 建立 方法 装置 | ||
1.一种基于贝叶斯估计的航班延误预测模型的建立方法,其特征在于,包括:
对航班延误数据进行降维处理,并且使处理后的数据满足贝叶斯分类器的需求;
将处理后数据的一部分作为训练集数据,以及将处理后数据的另一部分作为测试集数据;
对所述训练集数据进行训练,以计算贝叶斯分类器所需的后验概率,建立航班延误预测模型;以及
通过测试集数据对所述航班延误预测模型进行模型测试,通过所述航班延误预测模型判断测试集数据的所述分类,并且根据判断正确的数量来求得所述航班延误预测模型的准确度;
在对航班延误数据进行降维处理时,通过主成分分析法选取航班延误数据中的关键参数特征,然后通过特征比值的方法对航班延误数据进行降维处理;
所述关键参数特征包括多个直接影响因素,计算所述多个直接影响因素中各直接影响因素的占比,并且根据航班延误数据的数量将每种占比相关的数据分成多个类别,以使航班延误数据分别在多个类别中近似均匀分布,并且根据航班延误数据所处的类别将航班延误数据离散化;
所述关键参数特征还包括多个非直接影响因素,对非直接影响因素进行数据离散化处理;
在对所述训练集数据进行训练时,将每条数据中所包括的多项关键参数特征作为特征组合,并且设定多个分类,求得所述特征组合在每个分类中的概率值,并且获得所述特征组合在各分类中的概率值的最大概率值。
2.如权利要求1所述的方法,其特征在于,在设定多个分类时,将航班平均延误时间作为分类标准。
3.如权利要求1或2所述的方法,其特征在于,在对所述训练集数据进行训练时,计算各特征组合出现的频次,然后计算各特征组合所属不同类的频次,之后计算各特征组合出现的概率,并且计算集中某一类条件下的特征组合出现的概率。
4.一种基于贝叶斯估计的航班延误预测模型的建立装置,其特征在于,包括:
数据处理模块,对航班延误数据进行降维处理,并且使处理后的数据满足贝叶斯分类器的需求,将处理后数据的一部分作为训练集数据,以及将处理后数据的另一部分作为测试集数据;
在对航班延误数据进行降维处理时,通过主成分分析法选取航班延误数据中的关键参数特征,然后通过特征比值的方法对航班延误数据进行降维处理;
所述关键参数特征包括多个直接影响因素,计算所述多个直接影响因素中各直接影响因素的占比,并且根据航班延误数据的数量将每种占比相关的数据分成多个类别,以使航班延误数据分别在多个类别中近似均匀分布,并且根据航班延误数据所处的类别将航班延误数据离散化;
所述关键参数特征还包括多个非直接影响因素,对非直接影响因素进行数据离散化处理;
训练模块,对所述训练集数据进行训练,以计算贝叶斯分类器所需的后验概率,通过贝叶斯分类器建立航班延误预测模型;
在对所述训练集数据进行训练时,计算各特征组合出现的频次,然后计算各特征组合所属不同类的频次,之后计算各特征组合出现的概率,并且计算集中某一类条件下的特征组合出现的概率;
以及
测试模块,通过测试集数据对所述航班延误预测模型进行模型测试,通过所述航班延误预测模型判断测试集数据的所述分类,并且根据判断正确的数量来求得所述航班延误预测模型的准确度。
5.一种计算机设备,其特征在于,包括:
存储器,所述存储器存储计算机执行指令;以及
处理器,所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如权利要求1至3中任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至3中任一项所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于苏咸宁,未经苏咸宁许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910009733.4/1.html,转载请声明来源钻瓜专利网。