Resumen

Debido a la fuerte causalidad de propagación de los retrasos entre aeropuertos, este artículo propone un modelo de predicción de retrasos basado en una red neuronal de grafos profundos para estudiar la predicción de retrasos desde la perspectiva de una red de aeropuertos. Consideramos los aeropuertos como nodos de una red de grafos y utilizamos una red de grafos dirigida para construir la relación entre aeropuertos. Para los aeropuertos adyacentes, los pesos de las aristas se miden por la distancia esférica entre ellos, mientras que para los aeropuertos conectados por vuelos se utiliza el número de pares de vuelos entre ellos. Sobre esta base, se construye un núcleo de convolución de difusión para capturar las características de la propagación de retrasos entre aeropuertos, y se integra además en la red neuronal LSTM de secuencia a secuencia para establecer un marco de aprendizaje profundo para la predicción de retrasos. Denominamos a este modelo LSTM profundo integrado en grafos (DGLSTM). Para verificar la eficacia y superioridad del modelo, utilizamos los datos históricos de retrasos de 325 aeropuertos de Estados Unidos de 2015 a 2018 como conjunto de entrenamiento y conjunto de prueba del modelo. Los resultados experimentales sugieren que el método propuesto es superior a los métodos principales existentes en términos de precisión y robustez.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:aeropuertos, gráfico profundo, predicción de retrasos, red gráfica, red neuronal, marco de aprendizaje profundo, modelo de predicción de retrasos, núcleo de convolución de difusión, datos históricos de retrasos, conjunto de entrenamiento del modelo
• Keywords:airports, deep graph, delay prediction, graph network, neural network, deep learning framework, delay prediction model, diffusion convolution kernel, historical delay data, model training set