确定航班延误标准的数学模型
携程30天航班延误预测模型简介
携程30天航班延误预测模型简介FlightAI背景介绍航班延误对航空公司、机场、旅客及相关行业一直有着巨大影响。
随着民航产业和大数据技术的发展，行业对航班延误预测的准确性和提前期也有了越来越高的要求。
携程机票研发大数据团队通过数据建模实现了提前30天预测航班延误，这一预测模型携程已申请专利，并在相关业务应用中取得了较好的成果。
预测意义造成航班延误的原因众多，目前市场上关于航班延误预测产品大多输入因素较少且预测提前期短，很难为航司、机场以及旅客提供准确且有应对提前量的预测结果。
为解决这一问题，携程全面考量航班延误的可能因素，排除不可控偶然因素后，采用梯度提升决策树模型(GBDT)，完成了提前期30天、准确率84% 的航班延误预测，由航班延误衍生的诸多问题有了提前准备的可靠数据支持。
特征选择01航班延误的原因归类导致航班延误的原因众多，总结起来主要是以下几个方面：•天气：不利于飞行的恶劣天气导致延误，如：大雪、暴雨等•前序航班晚到：一架飞机执行连续的飞行任务，前序航班延误导致后续航班也延误•承运航问题：机组人员身体不适、飞机故障等导致无法按时起飞•空中流量控制：国内比较常见，如：空军演习占用航路•旅客问题：旅客滋事、旅客身体不适等原因其中空中流量管制和旅客问题意外性较大，无法提前30天获取可靠数据源；单因素预测因数据源和其他因素干扰，预测效果难以保障，我们主要通过前三项原因构造模型特征综合预测。
02天气原因小时级别的天气数据提前一天可获得；天级别的天气粒度较粗，如暴雨或大风可能仅持续两小时，不会对航班造成持续影响；提前两天内的天气预报准确率可达90%，远期天气数据准确率渐低。
03前序航班前序航班对当前航班延误与否的影响可以从两个角度体现，一是前序航班的近期延误率，二是当前航班起飞时间和前序到达时间的间隔。
当前我们只能在航班起飞当天获取每个航班的最准确的前序航班，为提前30天进行预测，我们统计近期的航班排班表，估计每个航班的前序航班，这存在一定的偏差。
应用时间序列分析模型分析我国航班延误问题
应用时间序列分析模型分析我国航班延误问题【摘要】本文应用时间序列分析模型分析我国航班延误问题，首先介绍了时间序列分析模型的基本原理和应用方法。
随后概述了我国航班延误问题的现状以及影响因素。
然后详细描述了数据收集与处理方法，并展示了时间序列分析模型在航班延误问题上的应用过程。
最后给出了实证分析结果，总结了研究成果和提出了相关政策建议。
通过本研究，可以更深入地了解我国航班延误问题的特点和规律，为相关部门提供科学依据和决策参考。
未来可进一步完善数据收集体系，提升时间序列分析模型的准确性和预测能力，以更有效应对航班延误问题，提升航空运输服务质量。
【关键词】航班延误、时间序列分析模型、数据收集、实证分析、研究背景、研究意义、研究目的、研究总结、政策建议、未来展望1. 引言1.1 研究背景航班延误是一个日益严重的问题，在我国航空运输领域也不例外。
随着航空业的快速发展和旅客需求的增加，航班延误给旅客带来诸多不便，也给航空公司带来经济损失。
航班延误可能由多种原因引起，包括天气因素、空中交通管制、航空公司自身运营问题等。
研究航班延误问题对于提高航空运输效率、提升旅客满意度具有重要意义。
近年来，随着数据技术的发展和时间序列分析方法的成熟，越来越多的研究开始采用时间序列分析模型来研究航班延误问题。
时间序列分析是一种针对时间序列数据进行建模和预测的方法，能够有效地发现数据中蕴含的规律和趋势，为航班延误问题的研究提供了新的方法和视角。
本研究旨在利用时间序列分析模型，对我国航班延误问题进行深入分析，探讨航班延误的影响因素及规律，为航空公司提供有效的运营管理建议，提高航班准点率，提升旅客出行体验。
通过本研究，希望能够为航空运输领域的研究和实践做出一定的贡献。
1.2 研究意义航班延误问题一直是困扰旅客和航空公司的重要问题。
航班延误不仅会影响旅客的出行体验，还会给航空公司带来经济损失。
研究航班延误问题具有重要的意义。
通过分析航班延误问题，可以帮助航空公司更好地优化航班计划和资源调配，提高飞行效率，减少延误率，从而提升服务质量和客户满意度。
航班延误问题 数学建模
题目：航班延误问题作者：***班级：信息13-1班学号：************航班延误问题摘要航班延误相对于航班正常，是指航班服务的迟延耽误，即航班在进港或离港时超过了民航主管部门批准的航班时刻表所载明的一定时间，俗称民航航班的“晚点”或“误点”。
根据《民航航班正常统计办法》，航班延误具体是指航班降落时间比计划降落时间（航班时刻表上的时间）延迟30分钟以上或航班取消的情况。
近几年，由于航班延误而引起的航空公司与乘客之间的纠纷事件越来越多，如果不能及时解决航班延误事件，二者矛盾会更加激化。
本文基于收集到的数据，建立了时间序列模型，对题目进行深入研究，做出了判断，分析出国内航班延误的真实原因。
最后本文基于航班总数的时间序列数据，建立模糊综合评价模型，针对航班延误问题，提出了预防措施、善后措施及改进措施。
针对问题一，首先，我们对原始数据进行了处理，得到航班总数，正常航班数，不正常航班数的时间序列数据，并对其进行整理分析，绘制出我国航班变化情况折线统计图；其次，我们根据各种影响航班延误的主要因素的数据进行分析，根据上述指标统计得到的数据对空管、机场、航空公司等进行一级评估，得到每一个单位在延误中延误等级,最后在对整体进行评估，得到考虑了空管、机场、航空公司影响情况下的航班综合延误等级。
最后我们得出结论：我们不认为题目所论述的结论是正确的。
针对问题二，首先，本文对原始数据进行了整理，得到了各航班延误原因比例图，紧接着作出这个比例图的直方图，进而依据数据特征并结合现实具体情况来分析航班延误的四个主要影响因素，即恶劣天气的影响、航空交通管制、航空公司的运行管理和空中流量等影响因素，并提出了其他影响航班延误的原因。
针对问题三，我们从航班延误时间最短和航班延误成本最小两个点入手，为航空公司在航班延误上提出了合理的预防措施，善后措施和改进措施等。
预防措施有：1.预订机票时使用民航资源网数据分析中心的“航线运力数据分析系统”提前查询航线航班历史准点率信息，尽量选择预定历史准点率高的航班机票；2.使用“非常准”等网站的航班延误智能预报、航班不正常跟班服务；3.关注天气措施，出发当天及时与航空公司及机场的问询处取得联系；4.投保航班延误保险。
《2024年航班延误关键影响因素及影响程度识别——基于动态排队模型的分析》范文
《航班延误关键影响因素及影响程度识别——基于动态排队模型的分析》篇一一、引言随着航空业的快速发展，航班延误问题日益凸显，给旅客的出行带来了诸多不便。
航班延误不仅影响旅客的行程安排，还可能对航空公司的声誉和经济利益造成损失。
因此，准确识别航班延误的关键影响因素及其影响程度，对于提高航班准点率、提升旅客满意度具有重要意义。
本文旨在通过动态排队模型，对航班延误的关键影响因素及影响程度进行深入分析。
二、航班延误现象概述航班延误是指航班实际起飞或到达时间与计划时间之间的差异。
这种现象在航空运输中普遍存在，其成因复杂多样，包括天气、交通管制、机械故障、旅客流量等。
其中，天气和交通管制属于不可抗力因素，而机械故障和旅客流量则与航空公司和机场的运营管理水平密切相关。
三、动态排队模型在航班延误分析中的应用动态排队模型是一种模拟排队系统运行过程的数学模型，可以用于分析航班延误问题。
该模型通过模拟航班在机场的排队过程，考虑各种因素的影响，如航班到达率、服务时间、排队规则等，从而评估航班延误的风险和程度。
在分析航班延误时，动态排队模型能够更全面地考虑各种因素的综合作用。
四、关键影响因素及影响程度识别（一）天气因素天气是影响航班正常起降的关键因素之一。
恶劣天气如大风、大雨、雾霾等会导致飞机无法正常起飞或降落，从而造成航班延误。
天气因素的影响程度通常较大，且具有不可预测性。
（二）交通管制交通管制是另一个导致航班延误的常见原因。
由于航空交通管理的原因，有时需要临时改变航班的飞行计划或航线，从而导致航班无法按计划起飞或到达。
（三）机械故障机械故障是指飞机本身的设备出现故障，需要维修或更换部件。
这种故障通常会导致航班无法按时起飞或到达。
机械故障的影响程度取决于故障的性质和维修时间。
（四）旅客流量旅客流量也是影响航班准点率的重要因素。
当旅客流量过大时，安检、登机等环节的效率会下降，导致航班无法按时起飞或到达。
此外，旅客的行李托运、值机等环节也可能导致航班延误。
基于机器学习的航班延误预测模型
基于机器学习的航班延误预测模型随着人们生活水平的提高和旅游业的兴起，航空旅行已成为大家出行的重要方式之一，但是航班延误一直是影响出行的一个困扰。
这不仅对旅客带来了不便，也加大了航空公司运营的成本和压力。
因此，建立一种有效的航班延误预测模型，对于提高旅行体验和航空公司的运营效率具有重要意义。
机器学习是一种基于数据的科学，通过构建模型并利用数据，以实现自动化决策和预测的目的。
这种技术的应用可以大大提高我们对航班延误的预测能力。
一、数据预处理首先，我们需要对航班数据进行预处理，以便于机器学习的算法进行学习。
航班数据包括航班号、航班起降时间、出发城市、到达城市、航班状态（正常/延迟）、天气等因素，这些数据需要进行清洗和转换。
例如，航班起降时间需要被转换成数字类型，城市名称需要进行编码或者One-hot编码等操作。
同时，我们需要利用现有的航空数据集，添加额外的特征值，包括节假日、天气状况、运算时间、机场服务质量等，以提高我们模型的精度。
二、模型选择航班延误预测模型可以采用多种机器学习算法进行建模，包括回归算法、分类算法、深度学习等。
其中，回归算法通常用于预测连续值，例如航班的起降时间、飞行距离等。
而分类算法则通常用于预测离散值，例如航班是否延误。
深度学习是一种基于神经网络的机器学习技术，通常用于处理大规模数据以及非线性和复杂的问题。
在处理航班数据时，我们可以使用适当的深度学习模型，例如卷积神经网络、循环神经网络等。
三、模型训练训练机器学习模型的过程需要将数据分为训练集和测试集。
训练集用于训练模型，测试集用于检验模型的精度和泛化能力。
在训练模型时，我们需要选择合适的损失函数和优化器，以及调整模型的超参数，例如学习率、激活函数、层数等。
四、模型评估模型评估是衡量机器学习模型预测能力的重要指标。
我们可以使用多种评估指标来衡量模型的性能，例如平均绝对误差、均方误差、准确率等。
此外，我们还可以通过绘制ROC曲线、PR曲线等评估模型的表现，并进行模型调整和优化。
应用时间序列分析模型分析我国航班延误问题
应用时间序列分析模型分析我国航班延误问题我国航班延误问题一直以来备受关注，对于乘客来说，航班延误给出行带来了很大的不便，而对于航空公司和机场管理方来说，航班延误不仅增加了成本，影响了运行效率，还可能损害企业形象和服务质量。
研究航班延误问题并采取相应的措施具有重要意义。
时间序列分析是一种分析时间序列数据的方法，它可以用于预测未来的变动趋势并揭示时间序列数据内在的规律。
在研究我国航班延误问题时，可以应用时间序列分析模型对航班延误数据进行分析，以揭示其规律，并预测未来的航班延误情况。
我们可以将航班延误数据按照时间顺序进行排序，形成一个连续的时间序列。
然后，根据时间序列的特点，可以选择适合的时间序列分析模型进行分析。
常用的时间序列分析模型包括AR模型（自回归模型）、MA模型（移动平均模型）、ARMA 模型（自回归移动平均模型）和ARIMA模型（差分自回归移动平均模型）等。
这些模型可以通过对航班延误数据的拟合来得到该数据的最优模型参数，并应用该模型对未来的航班延误进行预测。
除了传统的时间序列分析模型，还可以采用其他的时间序列分析方法。
可以使用谱分析方法对航班延误数据的频谱进行分析，以揭示其频率特性。
也可以采用状态空间模型对航班延误进行建模，并结合贝叶斯统计方法进行参数估计和预测。
在进行时间序列分析时，需要注意数据的平稳性和相关性。
平稳性是指数据的均值和方差在时间上不发生明显的变化，相关性是指时间序列数据间存在的相关关系。
如果数据不平稳，则需要进行差分处理；如果数据具有相关性，则需要进行相关性分析。
通过应用时间序列分析模型，我们可以揭示我国航班延误问题的规律，并对未来的航班延误进行预测。
在此基础上，航空公司和机场管理方可以采取相应的措施，如优化航班排班、改善航班调度和加强设备维护等，以提高航班的准点率和服务质量。
政府部门也可以针对航班延误问题制定相关政策和措施，促进航空产业的发展。
航班问题数学建模
数学模型———航班延误问题学院：班级：姓名：航班延误问题摘要近几年，航班延误问题一直是热点问题，航班延误的数量越来越多，更是在今年4月份香港南华早报上登出了中国成为了世界上航班延误最严重的国家，将航班延误问题再一次推上了热潮。
如果这个问题不能够及时解决，将会影响到航空公司的信誉和利益。
本文基于搜集到的数据，分析国内航班延误的主要原因，并对此提出了合理的优化方案，紧接着对各种方案、航空公司的成本构建了数学建模，由此得出最合理的方案。
针对问题一，我们首先对收集到的原始数据进行统计并处理，得到航班总数，延误航班数及航班延误率（也有具体每个月的数据），在此基础上，将这些数据进行合理的处理后得出结论是不正确的。
针对问题二，我们首先对原始数据进行统计处理，将航班延误因素做成饼状图、折线图等明显的图表，进而依据数据特征并结合具体情况来分析航班延误的因素，最后我们得出结论:航空公司自身的管理不合理是最主要的原因，其次是流量原因和天气原因。
针对问题三，目前我国国内对航班延误的研究有很多，如赵秀丽等人研究出的不正常航班延误调度模型及算法，而本文将采用层次分析法和一致矩阵法，将问题归结为确定供决策的方案相对于减少航班延误率的相对重要权值或相对优劣次序的排定。
由于我们采用层次分析法，将对象视作系统，定性与定量相结合，同时计算更加简便，因此，我们建立的数学模型更加具有系统性、实用性、简洁性。
关键词：航班延误率层次分析法一致矩阵法一、问题提出1、统计航班延误数据，进行合理处理得出结论。
2、分析国内航班延误的主要原因。
3、制定出合理的应对策略和优化方案。
二、问题分析2.1问题一的分析问题一要求我们收集数据分析我国是不是世界上航班延误最严重的国家。
首先，我们查阅国内各大航空公司网站和一些主要部门的相关信息，得到一些航班延误的数据，且在此基础上，我们用MATLAB也做出了相应的图表，得到上述结论不正确的结果。
2.2问题二的分析问题二要求我们分析出航班延误的主要原因。
航班延误问题 数学建模
题目：航班延误问题作者：***班级：信息13-1班学号：************航班延误问题摘要航班延误相对于航班正常，是指航班服务的迟延耽误，即航班在进港或离港时超过了民航主管部门批准的航班时刻表所载明的一定时间，俗称民航航班的“晚点”或“误点”。
根据《民航航班正常统计办法》，航班延误具体是指航班降落时间比计划降落时间（航班时刻表上的时间）延迟30分钟以上或航班取消的情况。
近几年，由于航班延误而引起的航空公司与乘客之间的纠纷事件越来越多，如果不能及时解决航班延误事件，二者矛盾会更加激化。
本文基于收集到的数据，建立了时间序列模型，对题目进行深入研究，做出了判断，分析出国内航班延误的真实原因。
最后本文基于航班总数的时间序列数据，建立模糊综合评价模型，针对航班延误问题，提出了预防措施、善后措施及改进措施。
针对问题一，首先，我们对原始数据进行了处理，得到航班总数，正常航班数，不正常航班数的时间序列数据，并对其进行整理分析，绘制出我国航班变化情况折线统计图；其次，我们根据各种影响航班延误的主要因素的数据进行分析，根据上述指标统计得到的数据对空管、机场、航空公司等进行一级评估，得到每一个单位在延误中延误等级,最后在对整体进行评估，得到考虑了空管、机场、航空公司影响情况下的航班综合延误等级。
最后我们得出结论：我们不认为题目所论述的结论是正确的。
针对问题二，首先，本文对原始数据进行了整理，得到了各航班延误原因比例图，紧接着作出这个比例图的直方图，进而依据数据特征并结合现实具体情况来分析航班延误的四个主要影响因素，即恶劣天气的影响、航空交通管制、航空公司的运行管理和空中流量等影响因素，并提出了其他影响航班延误的原因。
针对问题三，我们从航班延误时间最短和航班延误成本最小两个点入手，为航空公司在航班延误上提出了合理的预防措施，善后措施和改进措施等。
预防措施有：1.预订机票时使用民航资源网数据分析中心的“航线运力数据分析系统”提前查询航线航班历史准点率信息，尽量选择预定历史准点率高的航班机票；2.使用“非常准”等网站的航班延误智能预报、航班不正常跟班服务；3.关注天气措施，出发当天及时与航空公司及机场的问询处取得联系；4.投保航班延误保险。
- 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)。
确定航班延误标准的数学模型
在现代社会，飞机出行已经是许多人会选择的交通工具，可是，航班延误却成为一大难题。
文章通过了解航班延误的现状和一些数据，我们发现航班延误的定义和标准在中美两国出现分歧。
为了解决这一分歧，作者们建立数学模型，得出美国标准在中国同样适用这一结论。
标签：航班延误；数学模型；美国标准
一、引言
2016年6月，海南航空发生一起因飞机延误导致乘客在机舱闹事的事件。
原定于6月18日21点50分起飞前往西安的海南航空HU7737次航班晚点4个多小时，在等待起飞期间，机舱内发生打斗事件，多名乘客卷入其中。
同年3月份，雷暴等强对流天气逐渐增多，多个机场因雷雨天气数次启动航班大面积延误预警，有些旅客因此做出冲动的行为导致受到刑事处罚。
旅客陆某等待过程中因一时冲动，将矿泉水泼到登机口工作台上，淋湿了电话设备。
期间陆某还动手殴打了民航工作人员王某，并导致现场机器设备受到损害，王某被公安民警依法带离处置。
同类的事件层出不穷，说明航班延误带来的后果很严重，同时也表明研究航班延误问题的重要性。
二、航班延误的现状
收集2015～2016年的各大机场的航班延误数据进行统计分析，可以得出各机场航班准点率如表1所示。
表中数据是2017年2～5月期间航班延误率排名前十的机场，我们可以发现每个月中国机场占据一半以上。
此数据说明，我国航班的准点率较低，导致目前因航班延误而引发的机场闹事事件时有发生，但是，关于机场延误的主要原因和负责方，我们应该理性分析和判断。
三、航班延误定义标准评定
在收集数据的过程中，我们发现美国航空数据网站于2013年6月份发布的“Airline and Airport On-time Performance Report”中显示，从北京首都国际机场起飞的22019 个航班中，仅有18.30%准时起飞，2013年全年从北京国际机场起飞的航班中，仅有31.78%准时起飞。
而根据中国民航统计局发布的《2013 年全国民航航班运行效率报告》，北京首都国际机场2013年的放行不正常率（不正常情况包括延迟起飞和取消航班）为33.67%，即放行准点率约为66.33%。
以上两者对同一机场准点率公布的统计数据相差如此之大，不得不让我们产生质疑，在假定数据真实的情况下，是什么原因导致出现这样的差别呢？
显然，是各国关于航班延误的定义，使得航班准点率计算结果不同。
据此，查询相关网站和材料文献，针对航班延误的定义进行研究。
《民用航空法》第126条对航班延误作了如下解释：“本条规定的‘延误’，是指承运人未能按照运输合同约定的时间将旅客、行李或者货物运抵目的地点。
运输合同约定的时间，一般指承运人的班机时刻表或者机票上载明的旅客抵达目的地的时间和航空货运单上载明的货物运达目的地的时间。
如果航空运输合同没有明确约定具体的运达时间，就应根据完成该运输所需要的合理时间来判断是否构成延误。
也就是说，本条规定的延误是不合理延误或称不正常的延误。
”
但是，我国法律仍旧没有具体地给出具体的航班延误定义，所以，针对航班延误，我们需要了解各国的相关定义，并找出一个适用的标准进行数据的研究分析，进而分析出航班延误的现状。
对比国内外判断延误标准，我们可以将复杂的飞机起飞过程进行简化，为方便表述，我们规定：
时间点A：计划关舱时间（也就是机票上标注的时间、计划起飞时间）。
时间点B：实际关舱时间。
时间点C：实际起飞时间。
关于延误统计的统计方法，国内外的标准是不同的，美国是以B-A>15min 作为延误统计的，而中国是以C-A>30min 为延误统计的。
那么，美国标准是否适用于评判中国航班延误的严重性呢？
四、数学建模
基于上述疑问，我们在网站搜集了全球15家较有代表性的机场（美、亚、欧洲各5家）于2017年4月各航班落地时间数据，并按照国际延误等级标准进行不同标准下航班延误数量的统计，得到统计结果如表2所示。
根据上表结果，我们可以根据国际延误等级划分标准设立3个准点标准等级，即15min、30min、45min。
因此，我们可根据如下公式计算各机场根据不同标准得出航班延误率：
αuv=—（u=1，2，...15；v=1，2，3；w=1，2，3，4）
αuv：在v标准下第u家机场的延误率；
Xuw：在第w延误等级内第u家机场航班到达数量；
w：延误等级，表示实际到达时间与预计时间之差45min（w=4）；
v：准点标准等级，即在15min（v=1），30min（v=2），45min（v=3）内到达即为准点；
u：所挑选的机场序号。
经过Matlab编程运算，得到15家机场在各准点标准等级下的延误率，并将延误率由高到低進行排名，整理后如表3所示。
为观察各延误标准下航班延误率是否有差异性，我们用SPSS对三种标准下各机场延误排名进行多个独立样本秩和检验计算，检验结果为χ2=0.0003，P=0.9998（>0.05）。
通过表3和检验结果，我们得出以下结论。
（1）在各准点标准等级下延误率前3名机场，这些机场无论在哪个准点标准等级下，延误率均很高。
（2）在美国准点标准（15min）与中国准点标准（30min）以及新建立的45min 标准下，各机场排名变化不大，变化最大的也仅差两名。
接着我们继续使用SPSS对15min和30min的延误率排名进行相关性的回归分析，得到以下拟合结果，具体见下图。
经SPSS拟合，两标准下的等级相关结果是：r =0.985765，P=2.68×10-10，说明这两种延误标准下的排名结果呈显著相关。
结论：由美国定义的航班准点标准对中国或者其余国家航班是适用的。
参考文献：
[1]马正平，崔德光.机场航班延误优化[J].清华大学学报（自然科学版），2004，44（4）：474-477.
[2]张晨，郑攀，胡思继. 基于航班间晚点传播的机场停机位分配模型及算法[J].吉林大学学报（工学版），2011，41（6）：1603-1608.
[3]胡晓江，肖练军.美国的航班延误统计管理及启示[J].综合运输，2007（8）：77-79.
[4]丁丹.关于航班延误问题的讨论[J].科技展望，2016，26（31）.
[5]刘光才，刘雷. 美国治理航班延误的方法及对我国的启示[J]. 中国民用航空，2010（6）：24-26.
[6]赵嶷飞，张亮.航班延误统计指标体系及延误等级评估研究[J].交通运输工程与信息学报，2009，7（2）：9-15.
[7]赵影，钟小东.关于航班延误问题的探讨[J].交通与运输，2006（4）：41-42.
[8]张薇.改善航班延误的思考及对策[J].空运商务，2007（2）：7-9.
[9]杨秀云，王全良，何建宝. 航班延误问题的研究动态、演化趋势及启示[J].经济经纬，2013（4）：76-82.
[10]董念清.中国航班延误的现状、原因及治理路径[J].北京航空航天大学学报（社会科学版），2013，26（6）：25-32.
[11]李杨，郭莉.航班延误的界定及民事责任分析[J]北京航空航天大学学报（社会科学版），2010，23（6）：44-47.。