基于美國交通部數(shù)據(jù)的航空運輸延誤分析預(yù)測模型(編輯修改稿)
2025-07-20 23:30 本頁面
【文章內(nèi)容簡介】 飛行架次與按時起飛飛行架次比例相當(dāng)。（圖七）起飛延誤時長分布圖（圖八）降落延誤時長分布圖 由圖八得，按時著陸的飛行架次為315,256，降落延誤時長介于50至100分鐘的飛行架次為239，256，降落延誤時長介于100至150分鐘的飛行架次為13,898，降落延誤時長大于150分鐘飛行架次為3,223。（圖九）起飛延誤、飛行延誤及降落延誤關(guān)系圖不難從圖九看出，在三個坐標軸取值較小的部分形成了一個三角區(qū)域，這說明一般飛行架次在起飛、在空及降落三個階段的延誤一般耗時都不會太長，但是有很多發(fā)生這種飛行延誤的架次。將那些紅色的點投影到起飛與降落延誤的平面上，我們可以看到有部分起飛、降落延誤時長相對較長的航班。四、模型建立為了對航空運輸延誤情況進行最有效的刻畫和預(yù)測，我們把飛行延誤率作為研究的主要對象。經(jīng)過多次試驗，我們認為使用月度為最小的時間單位來進行研究會比較合適。因此，我們按月建立關(guān)于延誤率的時間序列模型。用原始數(shù)據(jù)經(jīng)過匯總后，得到2003年06月至2009年07月每月延誤飛行架次占該月總飛行架次的比例數(shù)據(jù)，即月飛行延誤率（以下用delayrate命名）。由圖十得，飛行延誤率有一定的季節(jié)性波動，但趨勢并不明顯。（圖十）2003年06月至2009年07月飛行延誤率時間序列圖（一）初步建立時間序列模型（圖十一）2003年06月至2009年07月飛行延誤率自相關(guān)分析圖圖十一為對飛行延誤序列做自相關(guān)分析的結(jié)果，從圖十一中可以看出，樣本自相關(guān)系數(shù)（Autocorrelation）不呈現(xiàn)衰減趨勢，而呈現(xiàn)出一定的周期起伏趨勢。結(jié)合所研究數(shù)據(jù)的特性，我們認為飛行延誤率序列應(yīng)為季節(jié)序列。對飛行延誤率序列進行周期為12的季節(jié)差分后得到新的序列，即除季節(jié)序列（命名為sdelayrate）。（圖十二）除季節(jié)序列的自相關(guān)分析圖十二為對除季節(jié)序列的自相關(guān)分析。從圖十二中可以看出，樣本自相關(guān)系數(shù)有衰減趨勢，且隨時間增大，表現(xiàn)為拖尾。除了K=12時偏相關(guān)系數(shù)（Partial Correlation）數(shù)值較大之外，在K4之后偏相關(guān)系數(shù)都落入置信區(qū)間內(nèi)?？紤]到二階季節(jié)差分會損失大量樣本數(shù)據(jù)，且效果不明顯，不再差分。同時，鑒于偏相關(guān)系數(shù)在K4之后都落入置信區(qū)間內(nèi)，而自相關(guān)系數(shù)具有拖尾的特性，最終采用AR(4)模型，即4階自回歸模型。因此，我們認為對于2003年06月至2009年07月美國航空運輸飛行延誤率經(jīng)過除季節(jié)差分后的時間序列用4階自回歸模型擬合較好。經(jīng)過計算，，因此可認為均值近似為0而不進行中心化直接計算。另外，考慮到sdelayrate滯后期為12時的樣本偏相關(guān)系數(shù)較大，為消除這個影響，我們將SAR(12)加入模型中，所以，用于刻畫2003年06月至2009年07月美國航空運輸飛行延誤率時間序列的最終模型為。將此模型用于擬合，得到結(jié)果如表二所示。各滯后多項式的倒數(shù)根在單位圓內(nèi)，過程平穩(wěn)。模型的展開形式為：CoefficientStd. ErrortStatisticProb. AR(1)AR(2)AR(3)AR(4)SAR(12)RsquaredMean dependent varAdjusted Rsquared. dependent var. of regressionAkaike info criterionSum squared residSchwarz criterionLog likelihoodHannanQuinn criter.DurbinWatson sta
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號-1