基于支持向量机回归的机场航班延误预测
基于机器学习的航班延误预测与分析
基于机器学习的航班延误预测与分析随着人们对旅游和商务出差的需求不断增加，航空业的发展也愈发迅猛。
然而，在旅途中遇到航班延误和取消的情况也变得越来越普遍。
延误和取消给旅客带来的不便和经济损失，也给航空公司和相关机构带来了重大的财务和品牌损失。
因此，对于航班延误的预测和分析成为了一个迫切需要解决的问题。
而机器学习技术的广泛应用，则为这一问题的解决提供了极大的帮助。
一、机器学习技术的概述机器学习，是利用样本数据来进行训练，从而使计算机能够自动地构建预测模型，从而更加准确地预测未来的结果的一种人工智能技术。
机器学习技术有监督学习、无监督学习和半监督学习等多种模式。
其中，有监督学习是最常用的一种模式。
通过对训练样本的学习，系统能够建立一个关于待预测数据的函数，然后利用已知的输入，对未知的输出进行预测。
二、机器学习在航班延误预测中的应用航班延误预测是目前的研究重点之一。
机器学习作为先进的数据挖掘技术，也有着广泛的应用。
机器学习可以根据大量的历史数据，分析出导致航班延误的各种原因，从而预测未来的航班延误情况。
与传统的航班延误预测方法相比，机器学习技术的预测精度更高、更准确。
以下是机器学习在航班延误预测中的应用场景：1. 航空公司预测：机器学习可以帮助航空公司预测航班延误情况，并根据需要对航班进行调度和调整，以减少延误时间和降低影响。
2. 机场效率提高：通过机器学习技术来预测航班的延误情况，机场管理部门可以更加科学地调整资源分配，提高机场运营效率。
3. 旅客服务：通过机器学习技术对航班延误和取消等问题的预测，旅客可以提前知道航班的状态，从而做出合理的准备和出行安排。
三、机器学习在航班延误预测中的算法下面是机器学习在航班延误预测中的一些常用的算法：1. 朴素贝叶斯算法：朴素贝叶斯是基于贝叶斯定理和概率统计的一种机器学习算法。
在航班延误预测中，朴素贝叶斯可以对航班延误所涉及到的各种因素进行联合概率分析，从而得出航班延误情况的概率。
基于机器学习的航班延误预测系统设计与实现
基于机器学习的航班延误预测系统设计与实现近年来，随着机器学习和数据科学的快速发展，基于机器学习的航班延误预测系统也得到了广泛应用。
通过分析大量历史航班数据，这些系统可以准确地预测未来的航班延误情况，帮助乘客更好地规划行程，也为航空公司管理提供了更加科学的决策依据。
本文将介绍一个基于机器学习的航班延误预测系统的设计与实现。
一、数据采集与预处理为了建立一个准确的航班延误预测模型，首先需要收集大量的历史航班数据，并对这些数据进行预处理，以便于后续分析和建模。
所谓历史航班数据，指的是已经发生的航班信息，包括出发机场、到达机场、起飞时间、到达时间、航空公司、航班号、机型、乘客数、延误时间等。
这些数据可以从航空公司的数据平台、第三方数据厂商的API接口或者公开数据集中获取。
在进行数据预处理之前，需要进行一些基本的数据清理工作，比如删除重复的数据、处理缺失值、纠正错误数据等。
此外，还需要根据具体的预测任务，选择和提取合适的特征，并进行特征工程，以便于后续建模使用。
常用的特征包括：出发机场、到达机场、起飞时间、机型、季节等。
二、模型选择与建立在进行模型选择之前，需要对数据进行进一步的分析和探索，以便于选择合适的建模方法。
通过对历史数据的分析，我们可以发现，航班延误存在很强的时序性和周期性，同时受到诸多因素的影响，比如天气、机场繁忙程度、航空管制等。
因此，在建立预测模型时，需要考虑这些因素的作用。
常用的机器学习算法包括线性回归、决策树、支持向量机、神经网络等。
在进行建模时，需要对不同算法的优劣进行比较，以便于选择最合适的算法。
此外，为了降低过拟合和提高模型的可靠性，还可以采用交叉验证、正则化等技术。
在本文中，我们以支持向量机为例，进行模型的建立。
支持向量机是一种非常有效的机器学习算法，可以处理高维数据和非线性分类问题。
在进行建模时，我们首先需要对数据进行划分，分为训练集和测试集。
其中，训练集用于建立模型，测试集用于评估模型的准确性和稳定性。
采用支持向量机回归的航班延误预测研究
2 支持向量机回归原理
假设样本为 T ={(x1,y1),⋯,(xl,yl)} ，在线性条件 下，SVR 使用线性函数 f (x,w) =(w∙x) + b 对样本进 行拟合.在非线性条件下，则将样本映射到高维特 征 空 间 ，在 高 维 特 征 空 间 中 建 立 线 性 模 型 f (x,w) =(w∙ϕ(x)) + b .其中，ϕ(x) 是将样本映射到高 维空间的非线性变换，SVR 可以表示为
目前国内外相关学者对预测航班延误强度和 航班是否发生延误的方法进行了研究.文献[1]提 出了基于贝叶斯网络的航班延误传播模型，分析 航班衔接时的延误传播过程，用于预测下游机场 航班的离/到港延误；文献[2]建立了多机场多航班 有色—时间 Petri 网模型，从理论上预测单架航班 从源机场起飞的各个飞机的下游机场是否出现航 班延误并预测延误时间；文献[3]分析了单架航班 执行多个任务时航班延误状态之间的关系，构建 航班延误状态空间模型；文献[4]对连续进港航班 之间的延误传递情况进行了分析，建立了延误状 态空间模型；文献[5]提出一种将时间和网络延误 状态作为解释变量的基于网络的空中交通延误预 测模型，该模型能够较好地预测城市对之间的延 误状态和延误强度，并计划对单航班延误进行预 测；文献[6]采用回归分析方法识别产生延误的重 要因素，使用支持向量机分类方法预测是否会发 生 延 误 ，使 用 非 参 数 二 次 回 归 算 法 预 测 延 误 强 度；文献[7]提出使用数据挖掘方法对航班是否发 生延误及延误强度进行预测.
量
ξi
，ξ
* i
表示样本偏离
ε
不敏感区域的程度.惩
罚系数 c 和不敏感系数 ε 对 SVR 的性能有着重
要的影响.
基于机器学习算法的航班延误预测研究
基于机器学习算法的航班延误预测研究一、绪论航班延误是航空运输行业所面临的主要问题之一。
它会带来诸如旅行者不满、学校、公司或旅游活动的计划破坏和经济损失等问题。
预测航班延误是一个挑战性的问题，因为它涉及到多种因素，如天气变化、航空交通管制、机场管理和运营等等。
鉴于此，本文将研究航班延误预测的问题，基于机器学习算法进行分析和探讨。
二、研究背景航班延误是任何一个航空公司必须面对的问题，无论是大型国际航空公司还是小型地方航空公司。
解决这个问题，需要深入研究和预测。
在过去的几年中，随着机器学习技术的发展，越来越多的研究人员都开始利用机器学习算法来预测航班延误。
三、机器学习算法机器学习算法是一种人工智能的领域，它可以从数据中发现模式和知识，并用模型来预测未来的数据。
机器学习算法有许多不同的类型，包括监督学习、无监督学习和强化学习等。
在航班延误预测中，监督学习是应用最广泛的技术之一。
具体而言，常用的监督学习算法有随机森林、支持向量机和神经网络等。
四、数据收集和处理对于航班延误预测来说，必须收集和处理大量与航班有关的数据。
其中主要包括航空公司、出发城市、到达城市、航班时刻、天气状况等因素。
本研究的数据集是从美国航空公司的网站中获取的，涵盖了超过一年的航班信息。
为了减少数据的量级，我们挑选出了三个最繁忙的机场进行分析，即纽约肯尼迪机场、芝加哥奥黑尔国际机场和洛杉矶国际机场。
收集到的数据经过初步处理和数据清理，主要以提高数据质量和减少数据的噪声为目标。
五、特征提取和选取航班延误预测的另一个关键步骤是特征提取和选取。
在本研究中，我们挑选了一些与航班延误相关的特征。
例如：1.天气状况：降雨量、温度、湿度等。
2.出发机场和到达机场：机场名称、机场代码、到达机场延误次数。
3.航空公司：航空公司名称、延误次数、航线数目等。
这些特征将被用来训练模型，并预测航班延误。
六、模型训练和预测为了预测航班延误，我们使用Python语言中的scikit-learn机器学习库，构建了随机森林、支持向量机和神经网络等模型。
基于机器学习的航班延误预测模型研究
04 模型评估与优化
模型评估方法
准确率评估
通过对比预测结果与实际结果，计算预测正确的比例，评估模型的 预测精度。
召回率与查准率
通过计算预测为正例的样本中有多少是真正的正例，以及预测为正 例的样本中有多少是真正的负例，评估模型的预测效果。
ROC曲线和AUC值
绘制ROC曲线并计算AUC值，全面评估模型在不同阈值下的性能 。
利用机器学习算法，如支持向量机、神经网络等，对历史航班数据进行训练和 学习，建立预测模型。
现有研究的不足与挑战
01
数据质量不高
航班延误数据存在噪声和异常值 ，影响预测模型的准确性和稳定 性。
02
影响因素复杂
03
预测精度有待提高
航班延误受多种因素影响，如天 气、航空管制、机械故障等，难 以全面考虑所有影响因素。
研究不足与展望
01
本研究仅考虑了部分影响航班延误的因素，未来可 进一步拓展数据源和考虑其他影响因素。
02
目前预测模型主要基于历史数据，未来可尝试引入 实时数据，提高预测准确率。
03
可进一步研究不同地区、不同航空公司和不同航线 上的航班延误规律，为具体实践提供指导。
1.谢谢聆 听
现有预测模型在某些情况下预测 精度不够高，需要进一步优化和 改进。
基于机器学习的航班延误预测
03
模型
机器学习基本概念
数据集
机器学习需要大量的数据集进行 训练和验证，航班延误预测的数 据集通常包括航班起飞和降落时 间、天气状况、机场交通状况等 。
训练与测试
在机器学习中，通常会将数据集 分为训练集和测试集，训练集用 于训练模型，测试集用于评估模 型的准确性和泛化能力。
基于机器学习的航班 延误预测模型研究
基于机器学习的航班晚点预测与优化算法研究
基于机器学习的航班晚点预测与优化算法研究航班晚点预测是航空业中非常重要的问题之一。
准确地预测航班是否会晚点，可以帮助航空公司和乘客做出相应的调整和决策，提高航班的准点率和乘客满意度。
本文将介绍基于机器学习的航班晚点预测与优化算法研究的方法和应用。
一、背景介绍航班晚点是指航班的实际起飞或降落时间与计划起飞或降落时间之间的差异。
晚点造成的各种问题包括航班延误、行李丢失、乘客滞留等，给航空公司和乘客带来很大的困扰。
因此，航班晚点预测和优化算法的研究对于提高航空业的效率和服务质量具有重要意义。
二、机器学习在航班晚点预测中的应用机器学习是一种基于数据和经验的方法，它可以从大量的历史数据中学习规律并预测未来的趋势和结果。
在航班晚点预测中，机器学习可以通过分析航班的历史数据，包括起飞时间、降落时间、天气情况、交通状况等多个因素，来建立预测模型。
常用的机器学习算法包括决策树、支持向量机、随机森林、神经网络等。
这些算法可以根据不同的数据特征和预测目标进行选择和调整，以提高航班晚点预测的准确性。
同时，还可以通过模型的优化和参数调整，进一步提高预测模型的性能。
三、航班晚点预测与优化算法的研究方法1. 数据收集与预处理航班晚点预测的第一步是收集并预处理相关的数据。
这些数据包括航班的历史记录、天气数据、机场数据等。
在预处理阶段，需要对数据进行清洗、去除异常值，并进行特征工程，以提取与航班晚点相关的特征。
2. 特征选择与构建模型在建立预测模型之前，需要对选取的特征进行分析和选择。
通过特征选择算法可以排除无关特征和冗余特征，提高模型的预测效果。
接着，可以选择合适的机器学习算法，并将数据集分为训练集和测试集，用训练集训练模型，用测试集评估模型的性能。
3. 模型评估与优化在模型训练和测试过程中，需要评估模型的准确性和稳定性。
常用的评估指标包括精确度、召回率、F1值等。
如果模型的预测效果不理想，可以通过调整模型参数、增加训练数据等方式进行优化。
基于数据挖掘的航空航班延误预测模型构建
基于数据挖掘的航空航班延误预测模型构建航空航班延误对旅客和航空公司都是一项严重的问题。
航班延误会导致旅客不便和额外费用，并为航空公司带来经济损失和声誉损害。
因此，建立一个准确可靠的航空航班延误预测模型对航空业来说至关重要。
在本文中，我们将探讨基于数据挖掘的航班延误预测模型的构建过程以及相关的技术和方法。
首先，为了构建一个可靠的航班延误预测模型，我们需要收集大量的航空航班数据。
这些数据可以包括航班的起飞时间、到达时间、出发地、目的地、航空公司等信息。
此外，还可以收集天气数据、机场流量数据等其他相关因素的数据。
收集这些数据的目的是为了建立一个多元回归模型，以预测航班延误的可能性。
接下来，我们需要对收集到的数据进行预处理。
这包括数据清洗、数据集成和数据转换等步骤。
数据清洗是为了去除数据中的错误、缺失和重复值。
数据集成是将收集到的不同数据源的数据整合到一个统一的数据集中。
数据转换是将数据转换为合适的格式和表示，以便于后续的分析和建模。
在数据预处理完成后，我们可以开始构建航班延误预测模型。
常用的方法包括基于统计学的方法和机器学习的方法。
在统计学方法中，可以使用线性回归、逻辑回归等模型进行建模和预测。
在机器学习方法中，可以使用决策树、随机森林、支持向量机和神经网络等模型进行建模和预测。
此外，还可以使用时间序列分析方法、聚类分析方法和关联规则挖掘方法等进行进一步的分析和挖掘。
在建立模型之后，我们需要对模型进行评估和优化。
模型评估是为了衡量模型预测的准确性和效果。
常见的评估指标包括准确率、召回率、精确率和F1值等。
模型优化是为了进一步提高模型的预测性能。
可以通过调整模型的参数、增加更多的训练数据或使用集成学习方法等来优化模型。
最后，我们可以使用优化后的航班延误预测模型进行实际的应用。
航空公司可以根据预测结果提前做出相应的调整，如调整航班时间、增加航班班次等，以减少航班延误的可能性。
旅客也可以根据预测结果来调整自己的行程计划，以避免不必要的等待和不便。
如何使用支持向量机进行航空数据分析与预测
如何使用支持向量机进行航空数据分析与预测在现代航空领域，数据分析与预测是至关重要的。
航空公司需要准确预测航班延误、客流量和燃油消耗等关键指标，以便优化航班计划、提高效率和降低成本。
支持向量机（Support Vector Machine，SVM）是一种强大的机器学习算法，可以用于处理航空数据，进行分析和预测。
一、数据预处理在使用SVM进行航空数据分析之前，首先需要进行数据预处理。
航空数据通常包含大量的缺失值、异常值和噪声。
因此，我们需要对数据进行清洗和处理，以确保数据的质量和准确性。
首先，我们可以使用插值方法填充缺失值。
航空数据中的缺失值可能是由于传感器故障或数据采集错误导致的。
通过使用插值方法，我们可以根据已有的数据来估计缺失值，从而保持数据的完整性。
其次，我们需要检测和处理异常值。
异常值可能是由于测量误差或其他异常情况引起的。
通过使用统计方法或离群点检测算法，我们可以识别出异常值，并采取相应的措施进行处理，如删除或替换。
最后，我们需要降噪处理。
航空数据中可能存在噪声，这些噪声可能会对数据分析和预测结果产生不良影响。
通过使用滤波方法或噪声消除算法，我们可以降低噪声的影响，提高数据的质量。
二、特征选择与提取在进行航空数据分析时，选择合适的特征对于模型的准确性和性能至关重要。
特征选择的目标是从原始数据中选择出最具有代表性和相关性的特征，以提高模型的预测能力。
在特征选择过程中，我们可以使用相关系数、方差分析或信息增益等统计方法来评估特征与目标变量之间的相关性。
通过选择相关性较高的特征，我们可以提高模型的准确性。
另外，特征提取也是一个重要的步骤。
特征提取的目标是从原始数据中提取出更具有代表性和区分性的特征。
在航空数据中，我们可以从时间、地点、航班类型、天气等方面提取特征，以便更好地描述和分析数据。
三、模型训练与优化在进行航空数据分析与预测时，我们可以使用SVM算法进行模型训练和优化。
SVM算法通过构建一个最优的超平面来实现数据分类和回归分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（Ｃｏｌｌｅｇｅ ｏｆＣｉｖｉｌＡｖｉａｔｉｏｎ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆ Ａｅｒｏｎａｎｔｉｃｓ ａｎｄＡｓｔｒｏｎａｕｔｉｃｓ，Ｎａｎｊｉｎｇ２１１１０６，Ｃｈｉｎａ）
Ａ ｂｓｔｒａｃｔ： Ｆｌｉｇｈｔ ｄｅｌａｙ ｐｒｅｄｉｃｔｉｏｎ ｉｓ ｓｉｇｎｉｆｉｃａｎｔ ｆｏｒ ｂｕｓｙ ａｉｒｐｏ￣ｓ．Ａｉｍｉｎｇ ａｔ ｔｈｅ ｄｉｆｆｉｃｕｌｔｙ ｏｆ ｐｒｅｄｉｃｔｉｎｇ ｔｈｅ ｎｕｍｂｅｒ ａｎｄ
（南 京航 空航 天 大 学 民航 学 院 ，南 京 ２１１１０６）
摘 要 ：航 班 延 误 情 况 的 预 测 对 于繁 忙机 场 意 义 重 大 。针 对 繁 忙 机 场 的 进 离港 延 误 航 班 数 量 和 延 误 时 间难 以预 测
的 问题 ，采 用 支持 向量 机 回 归方 法 建 立 航 班 进 离港 延 误 预 测 模 型 。 首 先根 据 已有 的航 班 运 营 数 据 ，利 用 向
矾 机 场 与 浦 东机 场航 班起 降数 据 来训 练模 型 ，并 将 真 实数 据 集 作 为 输 入 变量 分 别 用 于 多元 线 性 回 归模 型
和 支持 向 量 机 回 归模 型 ，比 较航 班 延 误 预 测 效 果 。 结 果 表 明 ：支 持 向 量 机 回 归模 型 能 够 很 好 预 测 航 班 延 误
近 年来 ，由于空 中交 通 需求 与 交 通 容量 的矛 盾 愈 发 突 出 ，航班 延误频 现 。及 时准确预测 空 中交通拥挤状 态 ，实 施 有效 的流 量管 理 策 略 ，有 利 于 减缓 拥挤 程 度 ， 提 高 空 中交 通 的安 全性 与 通 畅性 Ⅲ。 目前 民航 信 息 管 理 系 统 中 已有大 量 历 史数 据 ，通 过对 数 据 的学 习得 到 预 测模 型 ，即可 预 测某 机 场 当天 航班 起 降 可能 的延 误 情 况 ，帮 助机 场 及 时发 布延 误 预 警信 息 并调 整 运 行 调 度策 略，以降低 由于航班延误导致的各种负面影响【２】。
的趋 势 ，较 为 准确 地 预 测 航 班 延 误 。
关键 词 ：航 班 延 误 ；支持 向量 机 回 归 ；向后 逐 步 选 择
中 图 分 类 号 ：Ｖ３５５；Ｕ８
文 献 标 志 码 ：Ａ
文 章 编 号 ：１６７４—５５９０（２０１８）０１—００３０—０７
Ａｉｒｐｏｒｔ ｆｌｉｇｈｔ ｄｅｌａｙ ｐｒｅｄｉｃｔｉｏｎ ｂａｓｅｄ ｏｎ ＳＶＭ ｒｅｇｒｅｓｓｉｏｎ
ｄｕｒａｔｉｏｎ ｏｆ ｄｅｌａｙｓ ｉｎ ｂｕｓｙ ａｉｒｐｏｒｔ ｆｌｉｇｈｔｓ，ＳＶＭ（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）ｒｅｇｒｅｓｓｉｏｎ ｍｅｔｈｏｄ ｉｓ ｕｓｅｄ ｔｏ ｅｓｔａｂｌｉｓｈ ｔｈｅ
ｆｌｉｇｈｔ ａｒｒｉｖａ１／ｄｅｐａｒｔｕｒｅ ｄｅｌａｙ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅ１．Ｆｉｒｓｔ ｏｆ ａｌｌ，ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｆ ｌｉｇｈｔ ｏｐｅｒａｔｉｎｇ ｄａｔａ，ｄａｔａ ｍｉｎｉｎｇ ａｎｄ ｂａｃｋｗａｒｄ ｓｔｅｐｗｉｓｅ ｓｅｌｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ａｒｅ ｕｓｅｄ ｔｏ ｄｅｔｅｒｍ ｉｎｅ ｔｈｅ ｍｏｓｔ ｒｅｌｅｖａｎｔ ｆａｃｔｏｒｓ ｏｆ ｎｕｍｂｅｒ ａｎｄ ｄｕｒａｔｉｏｎ ｏｆ ｄｅｌａｙ ｐｅｒ ｈｏｕｒ ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｓｅｃｏｎｄｌｙ，ｇｒｉｄ－ｓｅａｒｃｈ ａｎｄ ｃｒｏｓｓ－ｃｈｅｃｋ ｍｅｔｈｏｄｓ ａｒｅ ｕｓｅｄ ｔｏ ｓｅｌｅｃｔ ｔｈｅ ｏｐｔｉｍａｌ ｍｏｄｅｌ
后 逐 步选 择 算 法 ，分别 挖 掘 出与 机 场 单 位 小 时进 离港 延 误 航 班 数 和 总 延误 时 间 最 为 相 关 的 变量 来 预 测 延误 水 平 。其 次 ，利 用 Ｇｒ ｉｄ—Ｓｅａｒｃｈ和 交 叉检 验 法 选择 最优 的模 型 参 数 。 最后 ，使 用 洛 杉
第 ３６卷 第 １期 ２０１８年 ２月
中 国 民 航 大 学 学 报
ＪＯＵ ＲＮＡ Ｌ ＯＦ ＣＩＶＩＬ ＡＶ ＩＡＴＩＯ Ｎ ＵＮ ＩＶＥＲ ＳＩＴＹ ｏ Ｆ ＣＨ ＩＮＡ
Ｖ０１．３６ Ｎｏ．１ Ｆｅｂｒｕａｒｙ ２０１８
基 于 支持 向量机 回归 的 机场 航 班 延误 预 测
何 洋 ，朱金福 ，周秦炎
目前 国 内外 已有 相 关 学 者 对 航 班 延 误 的 预 测 方
法 进行 了研 究 。针对 航 班延 误 传播 问题 ，文 献 ［３］利用 贝叶 斯 网络 分析 航 班延 误 在衔 接 时 的传 播过 程 ，可用 于 预测 下游 机场 延误 情况 。文献 ［４】发 现到港 延误 时 间 序 列 存 在 混 沌 特 性 ，对 其 进 行 相 空 间 重 构 ，结合 算 例 证 明差 分进 化算 法能 够有 效预 测航 班延 误 。针 对在某 一 特定 机 场 起 降 的航 班 延 误 问题 ，文 献 ［２，５］主要 考 虑 机 场 的进 港 航 班延 误 预测 ，分 别利 用 决 策树 方 法 与 融 合 先验 知识 的支 持 向量机 回归 方法 建立 预测模 型 。文 献『６］将问题 由确定性推广到不确定性 ，将多时段进离
ａｐｐｌｉｅｄ ｔｏ ｔｅｓｔ ｔｈｅ ｃｕｒｒｅｎｔ ｍ ｏｄｅ１．Ｃｏｍｐａｒｉｓｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ＳＶＭ ｒｅｇｒｅｓｓｉｏｎ ｍ ｏｄｅｌ ｃａｎ ａｃｈｉｅｖｅ ｂｅｔｔｅｒ ｐｒｅｄｉｃｔｉｏｎ ｅｆｆｅｃｔ． Ｋ ｅｙ ｗｏｒｄｓ：ｆ ｌｉｇｈｔ ｄｅｌａｙ；ＳＶＭ ｒｅｇｒｅｓｓｉｏｎ；ｂａｃｋｗａｒｄ ｓｔｅｐｗｉｓｅ ｓｅｌｅｃｔｉｏｎ
ｐａｒａｍｅｔｅｒｓ．Ｆｉｎａｌｌｙ，ｈｉｓｔｏｒｉｃａｌ ｄａｔａ ｏｆ ＬＡＸ（Ｌｏｓ Ａｎｇｅｌｅｓ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ａｉｒ ｐｏｒ ｔ）ａｎｄ ＰＶＧ（Ｐｕｄｏｎｇ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ａｉｒｐｏｒｔ）ａｒｅ ｕｓｅｄ ｔｏ ｔｒａｉｎ ｔｈｅ ｍｏｄｅｌ，ａｎｄ ｍｕｌｔｉｖａｒｉａｔｅ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ａｎｄ ＳＶＭ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ａｒｅ