用于预测航班可靠性的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于预测航班可靠性的方法和装置。

背景技术：

航班可靠性是指执飞航班在指定时间内和规定条件下可靠飞行。航班可靠性关系到乘客的生命安全。在航空公司的日常工作中，投入了大量人力物力来提高航班可靠性。

目前，航班可靠性预测方式主要包括以下两种：其一，人工根据经验预测航班可靠性；其二，对样本航班数据进行统计分析，以及基于统计结果来预测航班可靠性。

技术实现要素：

本申请实施例提出了用于预测航班可靠性的方法和装置。

第一方面，本申请实施例提供了一种用于预测航班可靠性的方法，包括：获取待预测航班的航班特征；基于航班特征和预先训练的航班中断预测模型，得到待预测航班的航班中断概率，其中，航班中断预测模型用于预测航班中断概率；基于待预测航班的航班中断概率，生成待预测航班的航班可靠性预测结果。

在一些实施例中，基于航班特征和预先训练的航班中断预测模型，得到待预测航班的航班中断概率，包括：对航班特征进行预处理，得到处理航班特征；将处理航班特征输入至航班中断预测模型，得到待预测航班的航班中断概率。

在一些实施例中，航班特征包括以下至少一项：飞行员特征、飞机特征和天气特征，飞行员特征包括以下至少一项：飞行员考核分数、飞行员周执飞次数和飞行员周执飞时长，飞机特征包括以下至少一项：飞机制造商信息、飞机机型信息和飞机年维修次数，天气特征包括以下至少一项：温度、湿度、风速和天气类型。

在一些实施例中，对航班特征进行预处理，得到处理航班特征，包括：对航班特征中的飞行员考核分数、飞行员周执飞次数、飞行员周执飞时长和飞机年维修次数进行分段离散化，得到离散化特征；对航班特征中的温度、湿度和风速进行归一化，得到归一化特征；对航班特征中的飞机制造商信息、飞机机型信息和天气类型进行编码，得到编码特征。

在一些实施例中，航班中断预测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本航班的样本航班特征和样本航班中断标签，样本航班中断标签用于标识样本航班中断情况；利用机器学习方法，基于训练样本集合对初始航班中断预测模型进行训练，得到航班中断预测模型。

在一些实施例中，初始航班中断预测模型是宽深神经网络，包括线性模型和深度神经网络。

在一些实施例中，利用机器学习方法，基于训练样本集合对初始航班中断预测模型进行训练，得到航班中断预测模型，包括：执行以下训练步骤：对于训练样本集合中的训练样本，将该训练样本中的样本航班特征输入至宽深神经网络，得到该训练样本对应的样本航班中断概率，基于该训练样本中的样本航班中断标签和对应的样本航班中断概率，确定损失函数的损失值是否满足训练目标，若满足训练目标，将宽深神经网络作为航班中断预测模型。

在一些实施例中，利用机器学习方法，基于训练样本集合对初始航班中断预测模型进行训练，得到航班中断预测模型，还包括：响应于确定损失值不满足训练目标，同时调整宽深神经网络中的线性模型和深度神经网络的参数，以及继续执行训练步骤。

第二方面，本申请实施例提供了一种用于预测航班可靠性的装置，包括：获取单元，被配置成获取待预测航班的航班特征；预测单元，被配置成基于航班特征和预先训练的航班中断预测模型，得到待预测航班的航班中断概率，其中，航班中断预测模型用于预测航班中断概率；生成单元，被配置成基于待预测航班的航班中断概率，生成待预测航班的航班可靠性预测结果。

在一些实施例中，预测单元包括：预处理子单元，被配置成对航班特征进行预处理，得到处理航班特征；预测子单元，被配置成将处理航班特征输入至航班中断预测模型，得到待预测航班的航班中断概率。

在一些实施例中，航班特征包括以下至少一项：飞行员特征、飞机特征和天气特征，飞行员特征包括以下至少一项：飞行员考核分数、飞行员周执飞次数和飞行员周执飞时长，飞机特征包括以下至少一项：飞机制造商信息、飞机机型信息和飞机年维修次数，天气特征包括以下至少一项：温度、湿度、风速和天气类型。

在一些实施例中，预处理子单元包括：离散模块，被配置成对航班特征中的飞行员考核分数、飞行员周执飞次数、飞行员周执飞时长和飞机年维修次数进行分段离散化，得到离散化特征；归一化模块，被配置成对航班特征中的温度、湿度和风速进行归一化，得到归一化特征；编码模块，被配置成对航班特征中的飞机制造商信息、飞机机型信息和天气类型进行编码，得到编码特征。

在一些实施例中，航班中断预测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本航班的样本航班特征和样本航班中断标签，样本航班中断标签用于标识样本航班中断情况；利用机器学习方法，基于训练样本集合对初始航班中断预测模型进行训练，得到航班中断预测模型。

在一些实施例中，初始航班中断预测模型是宽深神经网络，包括线性模型和深度神经网络。

在一些实施例中，利用机器学习方法，基于训练样本集合对初始航班中断预测模型进行训练，得到航班中断预测模型，包括：执行以下训练步骤：对于训练样本集合中的训练样本，将该训练样本中的样本航班特征输入至宽深神经网络，得到该训练样本对应的样本航班中断概率，基于该训练样本中的样本航班中断标签和对应的样本航班中断概率，确定损失函数的损失值是否满足训练目标，若满足训练目标，将宽深神经网络作为航班中断预测模型。

在一些实施例中，利用机器学习方法，基于训练样本集合对初始航班中断预测模型进行训练，得到航班中断预测模型，还包括：响应于确定损失值不满足训练目标，同时调整宽深神经网络中的线性模型和深度神经网络的参数，以及继续执行训练步骤。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于预测航班可靠性的方法和装置，首先获取待预测航班的航班特征；然后利用航班中断预测模型对航班特征进行处理，以得到待预测航班的航班中断概率；最后对待预测航班的航班中断概率进行分析，以生成待预测航班的航班可靠性预测结果。利用航班中断预测模型预测航班可靠性，提高了航班可靠性的预测准确度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构；

图2是根据本申请的用于预测航班可靠性的方法的一个实施例的流程图；

图3是wide&deep模型的结构示意图；

图4是图2所示的用于预测航班可靠性的方法的一个应用场景的示意图；

图5是航班可靠性预测模型的训练方法的一个实施例的流程图；

图6是根据本申请的用于预测航班可靠性的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于预测航班可靠性的方法或用于预测航班可靠性的装置的实施例的示例性系统架构100。

如图1所示，系统架构100中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种客户端软件，例如信息预测类应用等。

终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是具有显示屏并且支持信息预测的各种电子设备。包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器103可以是提供各种服务的服务器。例如信息预测服务器。信息预测服务器可以对获取到的待预测航班的航班特征等数据进行分析等处理，生成处理结果(例如待预测航班的航班可靠性预测结果)，并将处理结果推送给终端设备101。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于预测航班可靠性的方法一般由服务器103执行，相应地，用于预测航班可靠性的装置一般设置于服务器103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于预测航班可靠性的方法的一个实施例的流程200。该用于预测航班可靠性的方法，包括以下步骤：

步骤201，获取待预测航班的航班特征。

在本实施例中，用于预测航班可靠性的方法的执行主体(例如图1所示的服务器103)可以获取待预测航班的航班特征。例如，用户可以打开其终端设备(例如图1所示的终端设备101)上安装的信息预测类应用，输入待预测航班的航班标识，并点击预测按钮。此时，终端设备可以向上述执行主体发送包括待预测航班的航班标识的航班可靠性预测请求。当接收到航班可靠性预测请求之后，上述执行主体可以根据待预测航班的航班标识查询出待预测航班的航班特征。通常，上述执行主体可以预先存储大量航班的航班标识和航班特征。

在本实施例中，航班特征可以包括但不限于以下至少一项：飞行员特征、飞机特征和天气特征等等。飞行员特征可以包括但不限于以下至少一项：飞行员考核分数、飞行员周执飞次数和飞行员周执飞时长等等。飞机特征可以包括但不限于以下至少一项：飞机制造商信息、飞机机型信息和飞机年维修次数等等。天气特征可以包括但不限于以下至少一项：温度、湿度、风速和天气类型等等。

步骤202，基于航班特征和预先训练的航班中断预测模型，得到待预测航班的航班中断概率。

在本实施例中，上述执行主体可以利用预先训练的航班中断预测模型对待预测航班的航班特征进行处理，以得到待预测航班的航班中断概率。其中，航班中断的情况可以包括但不限于以下至少一种：大于预设时长(例如15分钟)的航班延误、航班取消、空中返航和换场着陆等等。

在本实施例的一些可选的实现方式中，上述执行主体可以将待预测航班的航班特征直接输入至航班中断预测模型，以得到待预测航班的航班中断概率。

在本实施例的一些可选的实现方式中，上述执行主体可以首先对待预测航班的航班特征进行预处理，得到处理航班特征；然后将处理航班特征输入至航班中断预测模型，以得到待预测航班的航班中断概率。其中，预处理方式可以包括但不限于以下至少一种：离散化、归一化和编码等等。编码方式可以包括但不限于one-hot编码。one-hot编码又可以被称为一位有效编码，主要是采用n位状态寄存器来对n个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。

实践中，上述执行主体可以对航班特征中的飞行员考核分数、飞行员周执飞次数、飞行员周执飞时长和飞机年维修次数等进行分段离散化，以得到离散化特征；对航班特征中的温度、湿度和风速等进行归一化，得到归一化特征；对航班特征中的飞机制造商信息、飞机机型信息和天气类型进行编码，得到编码特征。

在本实施例中，航班中断预测模型可以用于预测航班中断概率，表征航班特征与航班中断概率之间的对应关系。

在本实施例的一些可选的实现方式中，上述执行主体可以预先收集大量历史航班的航班特征和航班中断情况，并对应存储生成对应关系表，作为航班中断预测模型。在获取到待预测航班的航班特征之后，上述执行主体可以首先计算待预测航班的航班特征与对应关系表中的各个航班特征之间的相似度；然后基于所计算出的相似度，从对应关系表中查找出一些航班的航班中断情况；最后对所查找出航班中断情况进行统计，得到对应的航班中断率，作为待预测航班的航班中断概率。例如，上述执行主体可以从对应关系表中查找出航班特征相似度大于预设相似度阈值(例如80％)的航班的航班中断情况，以统计对应的航班中断率。

在本实施例的一些可选的实现方式中，航班中断预测模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。具体地，上述执行主体可以通过如下步骤训练航班中断预测模型：

首先，获取训练样本集合。

这里，训练样本集合中的每个训练样本可以包括样本航班的样本航班特征和样本航班中断标签。样本航班中断标签可以用于标识样本航班中断情况。通常，样本航班中断标签的值可以包括0和1。若样本航班中断，其样本航班中断标签的值可以是1，对应的训练样本是正样本。若样本航班未中断，其样本航班中断标签的值可以是0，对应的训练样本是负样本。

实践中，上述执行主体可以收集大量历史航班的航班特征和航班中断情况。对于每个历史航班，对该历史航班的航班特征进行预处理，将处理后的结果作为样本航班特征。同时，基于该历史航班的航班中断情况标注航班中断标签，将标注结果作为样本航班中断标签。这样，就生成了训练样本集合中的训练样本。

然后，利用机器学习方法，基于训练样本集合对初始航班中断预测模型进行训练，得到航班中断预测模型。

这里，对于训练样本集合中的每个训练样本，上述执行主体可以将该训练样本中的样本航班特征作为输入，将该训练样本中的样本航班中断标签作为输出，对初始航班中断预测模型进行训练，以得到航班中断预测模型。其中，初始航班中断预测模型的参数可以是一些不同的小随机数。

在本实施例的一些可选的实现方式中，初始航班中断预测模型可以是wide&deep模型(宽深神经网络)。wide&deep模型能够同时获得记忆(memorization)和泛化(generalization)能力。具体地，wide&deep模型可以包括线性模型和dnn(deepneuralnetwork，深度神经网络)。线性模型可以用于提高wide&deep模型的记忆能力。dnn可以用于提高wide&deep模型的泛化能力。wide端对应线性模型，特征经过交叉后通过l1正则化能很快收敛到有效的特征组合。deep端对应dnn，每个特征对应一个低维嵌入(embedding)向量。wide&deep模型的输出是线性模型的输出与dnn的输出的叠加。为了便于理解，图3示出了wide&deep模型的结构示意图。其中，图3左侧的部分是wide端对应的线性模型，图3右侧的部分是deep端对应的dnn。

步骤203，基于待预测航班的航班中断概率，生成待预测航班的航班可靠性预测结果。

在本实施例中，上述执行主体可以对待预测航班的航班中断概率进行分析，以得到待预测航班的航班可靠性预测结果。其中，航班可靠性预测结果可以用于表征预测出的航班的可靠性。通常，航班可靠性与航班中断概率成反比关系。即，航班中断概率越高，其对应的航班可靠性就越低；航班中断概率越低，其对应的航班可靠性就越高。

继续参见图4，图4是图2所示的用于预测航班可靠性的方法的一个应用场景的示意图。在图4所示的应用场景中，用户打开其手机410上安装的信息预测类应用，输入航班标识，并点击预测按钮。此时，手机410可以向服务器420发送包括用户输入的航班标识的航班可靠性预测请求401。当接收到航班可靠性预测请求401之后，服务器420可以首先根据航班标识查询出对应航班特征402；然后将航班特征402输入至航班中断预测模型403，得到航班中断概率404；最后对航班中断概率404进行分析，得到航班可靠性预测结果405。此时，服务器420可以将航班可靠性预测结果405发送至用户的手机410，以供用户查看其想要查询的航班的可靠性。

本申请实施例提供的用于预测航班可靠性的方法，首先获取待预测航班的航班特征；然后利用航班中断预测模型对航班特征进行处理，以得到待预测航班的航班中断概率；最后对待预测航班的航班中断概率进行分析，以生成待预测航班的航班可靠性预测结果。利用航班中断预测模型预测航班可靠性，提高了航班可靠性的预测准确度。

进一步参考图5，其示出了航班可靠性预测模型的训练方法的一个实施例的流程500。该航班可靠性预测模型的训练方法，包括以下步骤：

步骤501，获取训练样本集合。

在本实施例中，航班可靠性预测模型的训练方法的执行主体(例如图1所示的服务器103)可以获取训练样本集合。其中，训练样本集合中的每个训练样本可以包括样本航班的样本航班特征和样本航班中断标签。样本航班中断标签可以用于标识样本航班中断情况。通常，样本航班中断标签的值可以包括0和1。若样本航班中断，其样本航班中断标签的值可以是1，对应的训练样本是正样本。若样本航班未中断，其样本航班中断标签的值可以是0，对应的训练样本是负样本。

实践中，上述执行主体可以收集大量历史航班的航班特征和航班中断情况。对于每个历史航班，对该历史航班的航班特征进行预处理，将处理后的结果作为样本航班特征。同时，基于该历史航班的航班中断情况标注航班中断标签，将标注结果作为样本航班中断标签。这样，就生成了训练样本集合中的训练样本。

步骤502，对于训练样本集合中的训练样本，将该训练样本中的样本航班特征输入至宽深神经网络，得到该训练样本对应的样本航班中断概率。

在本实施例中，对于训练样本集合中的每个训练样本，上述执行主体可以将该训练样本中的样本航班特征输入至wide&deep模型，以得到该训练样本对应的样本航班中断概率。具体地，上述执行主体可以将该训练样本中的样本航班特征从wide&deep模型的输入侧输入，经过wide&deep模型的处理，从输出侧输出该训练样本对应的样本航班中断概率。

步骤503，基于该训练样本中的样本航班中断标签和对应的样本航班中断概率，确定损失函数的损失值是否满足训练目标。

在本实施例中，上述执行主体可以首先基于该训练样本中的样本航班中断标签和对应的样本航班中断概率，计算损失函数的损失值；然后确定损失函数的损失值是否满足训练目标。若满足训练目标，则执行步骤504；若不满足训练目标，则执行步骤505。

在本实施例的一些可选的实现方式中，上述执行主体可以采用交叉熵损失函数和adam优化器。其中，min-batch可以设置为32。当损失函数的损失值不再减小时，说明wide&deep模型已经满足训练目标，模型训练完成；反之，wide&deep模型尚未满足训练目标，继续模型训练。

步骤504，将宽深神经网络作为航班中断预测模型。

在本实施例中，若满足训练目标，模型训练完成。此时，上述执行主体可以将宽深神经网络作为航班中断预测模型。

步骤505，同时调整宽深神经网络中的线性模型和深度神经网络的参数。

在本实施例中，若不满足训练目标，模型训练尚未完成。此时，上述执行主体可以同时调整wide&deep模型中的线性模型和dnn的参数，以及返回继续执行步骤502。如此循环往复的训练，直至模型满足训练目标为止。

在本实施例中，初始航班中断预测模型可以是wide&deep模型。wide&deep模型可以包括线性模型和dnn。wide端对应线性模型。deep端对应dnn。wide&deep模型的输出是线性模型的输出与dnn的输出的叠加。

在本实施例的一些可选的实现方式中，上述执行主体可以采用信号前向传播、误差反向传播的方式同时调整wide&deep模型中的线性模型和dnn的参数。在训练过程中，同时优化wide&deep模型中的线性模型和dnn的参数，从而使训练出的模型的预测能力最优。

需要说明的是，wide&deep模型的wide端特征和deep端特征可以根据模型评估的结果进行调整。具体地，增加wide端特征可以提高模型的记忆能力。增加deep端特征可以提高模型的泛化能力。对于每一次训练的模型可以通过小流量上线的方式逐步取代正式上线运行的旧模型，以达到模型随业务动态扩展的目的。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于预测航班可靠性的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于预测航班可靠性的装置600可以包括：获取单元601、预测单元602和生成单元603。其中，获取单元601，被配置成获取待预测航班的航班特征；预测单元602，被配置成基于航班特征和预先训练的航班中断预测模型，得到待预测航班的航班中断概率，其中，航班中断预测模型用于预测航班中断概率；生成单元603，被配置成基于待预测航班的航班中断概率，生成待预测航班的航班可靠性预测结果。

在本实施例中，用于预测航班可靠性的装置600中：获取单元601、预测单元602和生成单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，预测单元603包括：预处理子单元(图中未示出)，被配置成对航班特征进行预处理，得到处理航班特征；预测子单元(图中未示出)，被配置成将处理航班特征输入至航班中断预测模型，得到待预测航班的航班中断概率。

在本实施例的一些可选的实现方式中，航班特征包括以下至少一项：飞行员特征、飞机特征和天气特征，飞行员特征包括以下至少一项：飞行员考核分数、飞行员周执飞次数和飞行员周执飞时长，飞机特征包括以下至少一项：飞机制造商信息、飞机机型信息和飞机年维修次数，天气特征包括以下至少一项：温度、湿度、风速和天气类型。

在本实施例的一些可选的实现方式中，预处理子单元包括：离散模块(图中未示出)，被配置成对航班特征中的飞行员考核分数、飞行员周执飞次数、飞行员周执飞时长和飞机年维修次数进行分段离散化，得到离散化特征；归一化模块(图中未示出)，被配置成对航班特征中的温度、湿度和风速进行归一化，得到归一化特征；编码模块(图中未示出)，被配置成对航班特征中的飞机制造商信息、飞机机型信息和天气类型进行编码，得到编码特征。

在本实施例的一些可选的实现方式中，航班中断预测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本航班的样本航班特征和样本航班中断标签，样本航班中断标签用于标识样本航班中断情况；利用机器学习方法，基于训练样本集合对初始航班中断预测模型进行训练，得到航班中断预测模型。

在本实施例的一些可选的实现方式中，初始航班中断预测模型是宽深神经网络，包括线性模型和深度神经网络。

在本实施例的一些可选的实现方式中，利用机器学习方法，基于训练样本集合对初始航班中断预测模型进行训练，得到航班中断预测模型，包括：执行以下训练步骤：对于训练样本集合中的训练样本，将该训练样本中的样本航班特征输入至宽深神经网络，得到该训练样本对应的样本航班中断概率，基于该训练样本中的样本航班中断标签和对应的样本航班中断概率，确定损失函数的损失值是否满足训练目标，若满足训练目标，将宽深神经网络作为航班中断预测模型。

在本实施例的一些可选的实现方式中，利用机器学习方法，基于训练样本集合对初始航班中断预测模型进行训练，得到航班中断预测模型，还包括：响应于确定损失值不满足训练目标，同时调整宽深神经网络中的线性模型和深度神经网络的参数，以及继续执行训练步骤。

下面参考图7，其示出了适于用来实现本申请实施例的服务器(例如图1所示的服务器103)的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、预测单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待预测航班的航班特征的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取待预测航班的航班特征；基于航班特征和预先训练的航班中断预测模型，得到待预测航班的航班中断概率，其中，航班中断预测模型用于预测航班中断概率；基于待预测航班的航班中断概率，生成待预测航班的航班可靠性预测结果。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。