基于SMTE算法和条件生成对抗网络的到港航班延误分类预测

由于航班延误数据集类别分布不均，传统分类器的性能受到一定程度的制约。为了能够对到港航班延误情况进行精准预测，提出了一种基于合成少数类过采样技术算法(synthetic minority oversampling technique, SMOTE)和条件生成对抗网(conditional generative adversarial nets, CGAN)的航班延误预测模型。首先，利用SMOTE算法对原始数据集进行上采样，并融合经过训练的CGAN生成指定样本数据集，缓解原始数据集中某些类别样本量少和数据非平衡等问题；再次，采用XGBoost模型在四种模式训练集上进行训练和超参数寻优；最后，以K近邻、支持向量机和随机森林为基准模型进行性能对比分析。经试验分析，通过分类器在融合样本集的训练，整体上可以在一定程度上提高模型的泛化性，尤其在轻度延误和中度延误类别中提升较为明显，与不采用融合方法比较，宏平均下的Precision、Recall、F1-score值分别提升了0.16、0.29、0.24个百分点。实验结果表明，该方法能够有效地对航班延误非平衡数据进行建模，在保持模型整体性能较高的前提下，能够显著的提升少数类的预测能力，可以为空管、航空公司和机场等提供决策依据。

Prediction of Arrival Flight Delay Based on Oversampling Technique and Conditional Generative Adversarial Nets