一种延误时长的预测方法及装置与流程

本申请涉及智能交通技术领域，特别是涉及一种延误时长的预测方法及装置。

背景技术：

目前，民用航空的航班延误问题引起了越来越多的专业人士注意。航班延误不仅会给机场、航空公司带来直接的经济损失，还会给旅客的正常出行造成很大的不便，且会严重扰乱机场的正常秩序。

如果能预估未来的航班的延误时长，则有助于航空公司的航班排班、机务地勤排班以及应急方案的制定，从而对于提高航空公司的服务质量，提升航空公司的竞争力具有重要的现实意义。

然而，如何预估航班的延误时长是一个亟待解决的技术问题。

技术实现要素：

本申请实施例示出了一种延误时长的预测方法及装置。

第一方面，本申请实施例示出了一种延误时长的预测方法，所述方法包括：

接收目标航班的延误时长的获取请求；

根据所述获取请求从数据库中获取用于延误目标航班的起飞时刻的多个种类的延误参数，延误参数至少包括：目标航班的预定起飞时刻的天气参数、所述目标航班的航空管制参数、所述目标航班的前序航班的延误时长、所述目标航班的最小过站时长以及所述目标航班的机械故障参数；

将多个所述种类的延误参数输入目标预测模型中，得到所述目标预测模型输出的所述目标航班的延误时长。

在一个可选的实现方式中，所述方法还包括：

在用户在多个航班中进行选择情况下，向用户输出各个航班的延误时长。

所述方法还包括：

存储所述目标航班的航班标识与所述目标航班的延误时长之间的对应关系。

在一个可选的实现方式中，所述方法还包括：

向航空公司的工作人员输出各个航班的延误时长。

在一个可选的实现方式中，所述方法还包括：

根据各个航班的延误时长至少自动化调整航空公司的航班排班、机务地勤排班以及应急方案。

在一个可选的实现方式中，所述获取用于延误目标航班的多个延误参数，包括：

对于任意一个种类的延误参数，获取适用于所述目标航班的所述种类的延误参数的时间区间；

获取位于所述时间区间内的所述目标航班的多个所述种类的延误参数。

在一个可选的实现方式中，所述方法还包括：

在获取的位于所述时间区间内的多个所述种类的延误参数存在缺失的情况下，补全位于所述时间区间内的所述种类的延误参数。

在一个可选的实现方式中，所述补全位于所述时间区间内的所述种类的延误参数，包括：

根据多个所述种类的延误参数确定待补全参数；

将所述待补全参数和多个所述种类的延误参数组合为位于所述时间区间内的所述种类的延误参数。

在一个可选的实现方式中，所述根据所述多个延误参数确定待补全参数，包括：

确定所述多个延误参数之间的波动程度；

在所述波动程度小于预设程度的情况下，计算多个所述种类的延误参数之间的第一平均参数；

将所述第一平均参数确定为所述待补全参数。

在一个可选的实现方式中，所述根据所述多个延误参数确定待补全参数，包括：

确定缺失的延误参数在多个所述种类的延误参数中的位置；

在多个所述种类的延误参数中，确定与所述位置相邻的预设数量个延误参数之间的波动程度；

在所述波动程度小于预设程度的情况下，计算根据多个所述种类的延误参数确定待补全参数；

将所述第二平均参数确定为所述待补全参数。

在一个可选的实现方式中，所述根据所述多个延误参数确定待补全参数，包括：

确定缺失的延误参数在多个所述种类的延误参数中的位置；

在多个所述种类的延误参数中，确定与所述位置相邻的预设数量个延误参数之间的波动程度；

在所述波动程度小于预设程度的情况下，将与所述位置相邻的一个延误参数确定为所述待补全参数。

在一个可选的实现方式中，所述方法还包括：

获取多个样本参数集，每一个样本参数集中包括用于延误样本航班的起飞时刻的多个样本延误参数，样本延误参数至少包括：所述样本航班的样本预定起飞时刻的样本天气参数、所述样本航班的样本航空管制参数、所述样本航班的样本前序航班的样本延误时长、所述样本航班的样本最小过站时长、所述样本航班的样本机械故障参数以及所述样本航班的实际延误时长；

使用多个样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到参考预测模型；

在所述多个样本参数集中，去除使用其包括的样本延误参数和所述参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本参数集；

使用剩余的样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到所述目标预测模型。

在一个可选的实现方式中，所述模型至少包括：

逻辑回归模型logisticregression，极端随机森林回归模型extratreesregressor，随机森林回归模型randomforesetregressor，提升树模型boostingtree以及梯度提升决策树模型gradientboostingdecisiontree。

在一个可选的实现方式中，所述在所述多个样本参数集中，去除使用其包括的样本延误参数和所述参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本参数集，包括：

对于任意一个样本参数集，使用所述样本参数集中的样本延误参数预测延误时长；

获取预测的延误时长与所述样本参数集中实际延误时长之间的差值或比值；

在所述差值或比值大于预设阈值的情况下，从所述多个样本参数集中去除所述样本参数集。

在一个可选的实现方式中，所述在所述多个样本参数集中，去除使用其包括的样本延误参数和所述参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本参数集，包括：

对于每一个样本参数集，使用所述样本参数集中的样本延误参数预测延误时长；

确定预测得到的多个延误时长的正太分布；

在多个样本参数集中，去除分布在区间(μ—3σ,μ+3σ)以外的延误时长对应的样本参数集；

其中，所述μ为多个延误时长之间的期望，所述σ为所述多个延误时长之间的标准差。

第二方面，本申请实施例示出了一种延误时长的预测方法，所述方法包括：

接收目标交通班次的延误时长的获取请求；

根据所述获取请求从数据库中获取用于延误目标交通班次的执行交通运输作业的时刻的多个种类的延误参数，延误参数至少包括：目标交通班次的执行交通运输作业的预定起始时刻的天气参数、所述目标交通班次的交通管制参数、所述目标交通班次的前序交通班次的延误时长、所述目标交通班次的最小过站时长以及所述目标交通班次的机械故障参数；

将多个所述种类的延误参数输入目标预测模型中，得到所述目标预测模型输出的所述目标交通班次的延误时长。

在一个可选的实现方式中，所述方法还包括：

在用户在多个交通班次中进行选择情况下，向用户输出各个交通班次的延误时长。

在一个可选的实现方式中，所述方法还包括：

存储所述目标交通班次的交通班次标识与所述目标交通班次的延误时长之间的对应关系。

在一个可选的实现方式中，所述方法还包括：

向交通运输公司的工作人员输出各个交通班次的延误时长。

在一个可选的实现方式中，所述方法还包括：

根据各个交通班次的延误时长至少自动化调整交通运输公司的交通班次排班、交通工作人员排班以及应急方案。

在一个可选的实现方式中，所述获取用于延误目标交通班次的多个延误参数，包括：

对于任意一个种类的延误参数，获取适用于所述目标交通班次的所述种类的延误参数的时间区间；

获取位于所述时间区间内的所述目标交通班次的多个所述种类的延误参数。

在一个可选的实现方式中，所述方法还包括：

获取多个样本参数集，每一个样本参数集中包括用于延误样本交通班次的执行交通运输作业的时刻的多个样本延误参数，样本延误参数至少包括：所述样本交通班次的样本预定执行交通运输作业的时刻的样本天气参数、所述样本交通班次的样本交通管制参数、所述样本交通班次的样本前序交通班次的样本延误时长、所述样本交通班次的样本最小过站时长、所述样本交通班次的样本机械故障参数以及所述样本交通班次的实际延误时长；

使用多个样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到参考预测模型；

在所述多个样本参数集中，去除使用其包括的样本延误参数和所述参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本参数集；

使用剩余的样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到所述目标预测模型。

第三方面，本申请实施例示出了一种延误时长的预测装置，所述装置包括：

第一接收模块，用于接收目标航班的延误时长的获取请求；

第一获取模块，用于根据所述获取请求从数据库中获取用于延误目标航班的起飞时刻的多个种类的延误参数，延误参数至少包括：目标航班的预定起飞时刻的天气参数、所述目标航班的航空管制参数、所述目标航班的前序航班的延误时长、所述目标航班的最小过站时长以及所述目标航班的机械故障参数；

第一输入模块，用于将多个所述种类的延误参数输入目标预测模型中，得到所述目标预测模型输出的所述目标航班的延误时长。

在一个可选的实现方式中，所述装置还包括：

第一输出模块，用于在用户在多个航班中进行选择情况下，向用户输出各个航班的延误时长。

在一个可选的实现方式中，所述装置还包括：

第一存储模块，用于存储所述目标航班的航班标识与所述目标航班的延误时长之间的对应关系。

在一个可选的实现方式中，所述装置还包括：

第二输出模块，用于向航空公司的工作人员输出各个航班的延误时长。

在一个可选的实现方式中，所述装置还包括：

第一调整模块，用于根据各个航班的延误时长至少自动化调整航空公司的航班排班、机务地勤排班以及应急方案。

在一个可选的实现方式中，所述第一获取模块包括：

第一获取单元，用于对于任意一个种类的延误参数，获取适用于所述目标航班的所述种类的延误参数的时间区间；

第二获取单元，用于获取位于所述时间区间内的所述目标航班的多个所述种类的延误参数。

在一个可选的实现方式中，所述第一获取模块还包括：

补全单元，用于在获取的位于所述时间区间内的多个所述种类的延误参数存在缺失的情况下，补全位于所述时间区间内的所述种类的延误参数。

在一个可选的实现方式中，所述补全单元包括：

第一确定子单元，用于根据多个所述种类的延误参数确定待补全参数；

组合子单元，用于将所述待补全参数和多个所述种类的延误参数组合为位于所述时间区间内的所述种类的延误参数。

在一个可选的实现方式中，所述第一确定子单元具体用于：确定所述多个延误参数之间的波动程度；在所述波动程度小于预设程度的情况下，计算多个所述种类的延误参数之间的第一平均参数；将所述第一平均参数确定为所述待补全参数。

在一个可选的实现方式中，所述第一确定子单元具体用于：确定缺失的延误参数在多个所述种类的延误参数中的位置；在多个所述种类的延误参数中，确定与所述位置相邻的预设数量个延误参数之间的波动程度；在所述波动程度小于预设程度的情况下，计算根据多个所述种类的延误参数确定待补全参数；将所述第二平均参数确定为所述待补全参数。

在一个可选的实现方式中，所述第一确定子单元具体用于：确定缺失的延误参数在多个所述种类的延误参数中的位置；在多个所述种类的延误参数中，确定与所述位置相邻的预设数量个延误参数之间的波动程度；在所述波动程度小于预设程度的情况下，将与所述位置相邻的一个延误参数确定为所述待补全参数。

在一个可选的实现方式中，所述装置还包括：

第二获取模块，用于获取多个样本参数集，每一个样本参数集中包括用于延误样本航班的起飞时刻的多个样本延误参数，样本延误参数至少包括：所述样本航班的样本预定起飞时刻的样本天气参数、所述样本航班的样本航空管制参数、所述样本航班的样本前序航班的样本延误时长、所述样本航班的样本最小过站时长、所述样本航班的样本机械故障参数以及所述样本航班的实际延误时长；

第一训练模块，用于使用多个样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到参考预测模型；

第一去除模块，用于在所述多个样本参数集中，去除使用其包括的样本延误参数和所述参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本参数集；

第二训练模块，用于使用剩余的样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到所述目标预测模型。

在一个可选的实现方式中，所述模型至少包括：

逻辑回归模型logisticregression，极端随机森林回归模型extratreesregressor，随机森林回归模型randomforesetregressor，提升树模型boostingtree以及梯度提升决策树模型gradientboostingdecisiontree。

在一个可选的实现方式中，所述第一去除模块包括：

第一预测单元，用于对于任意一个样本参数集，使用所述样本参数集中的样本延误参数预测延误时长；

第三获取单元，用于获取预测的延误时长与所述样本参数集中实际延误时长之间的差值或比值；

第一去除单元，用于在所述差值或比值大于预设阈值的情况下，从所述多个样本参数集中去除所述样本参数集。

在一个可选的实现方式中，所述第一去除模块包括：

第二预测单元，用于对于每一个样本参数集，使用所述样本参数集中的样本延误参数预测延误时长；

确定单元，用于确定预测得到的多个延误时长的正太分布；

第二去除单元，用于在多个样本参数集中，去除分布在区间(μ—3σ,μ+3σ)以外的延误时长对应的样本参数集；

其中，所述μ为多个延误时长之间的期望，所述σ为所述多个延误时长之间的标准差。

第四方面，本申请实施例示出了一种延误时长的预测装置，所述装置包括：

第二接收模块，用于接收目标交通班次的延误时长的获取请求；

第三获取模块，用于根据所述获取请求从数据库中获取用于延误目标交通班次的执行交通运输作业的时刻的多个种类的延误参数，延误参数至少包括：目标交通班次的执行交通运输作业的预定起始时刻的天气参数、所述目标交通班次的交通管制参数、所述目标交通班次的前序交通班次的延误时长、所述目标交通班次的最小过站时长以及所述目标交通班次的机械故障参数；

第二输入模块，用于将多个所述种类的延误参数输入目标预测模型中，得到所述目标预测模型输出的所述目标交通班次的延误时长。

在一个可选的实现方式中，所述装置还包括：

第三输出模块，用于在用户在多个交通班次中进行选择情况下，向用户输出各个交通班次的延误时长。

在一个可选的实现方式中，所述装置还包括：

第二存储模块，用于存储所述目标交通班次的交通班次标识与所述目标交通班次的延误时长之间的对应关系。

在一个可选的实现方式中，所述装置还包括：

第四输出模块，用于向交通运输公司的工作人员输出各个交通班次的延误时长。

在一个可选的实现方式中，所述装置还包括：

第二调整模块，用于根据各个交通班次的延误时长至少自动化调整交通运输公司的交通班次排班、交通工作人员排班以及应急方案。

在一个可选的实现方式中，所述第二获取模块包括：

第四获取单元，用于对于任意一个种类的延误参数，获取适用于所述目标交通班次的所述种类的延误参数的时间区间；

第五获取单元，用于获取位于所述时间区间内的所述目标交通班次的多个所述种类的延误参数。

在一个可选的实现方式中，所述装置还包括：

第四获取模块，用于获取多个样本参数集，每一个样本参数集中包括用于延误样本交通班次的执行交通运输作业的时刻的多个样本延误参数，样本延误参数至少包括：所述样本交通班次的样本预定执行交通运输作业的时刻的样本天气参数、所述样本交通班次的样本交通管制参数、所述样本交通班次的样本前序交通班次的样本延误时长、所述样本交通班次的样本最小过站时长、所述样本交通班次的样本机械故障参数以及所述样本交通班次的实际延误时长；

第三训练模块，用于使用多个样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到参考预测模型；

第二去除模块，用于在所述多个样本参数集中，去除使用其包括的样本延误参数和所述参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本参数集；

第四训练模块，用于使用剩余的样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到所述目标预测模型。

第五方面，本申请实施例示出了一种电子设备，所述电子设备包括：

处理器；和

存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如第一方面所述的延误时长的预测方法。

第六方面，本申请实施例示出了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如第一方面所述的延误时长的预测方法。

第七方面，本申请实施例示出了一种电子设备，所述电子设备包括：

处理器；和

存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如第二方面所述的延误时长的预测方法。

第八方面，本申请实施例示出了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如第二方面所述的延误时长的预测方法。

与现有技术相比，本申请实施例包括以下优点：

在本申请中，接收目标航班的延误时长的获取请求；根据该获取请求从数据库中获取用于延误目标航班的起飞时刻的多个种类的延误参数，延误参数至少包括：目标航班的预定起飞时刻的天气参数、目标航班的航空管制参数、目标航班的前序航班的延误时长、目标航班的最小过站时长以及目标航班的机械故障参数等；将多个种类的延误参数输入目标预测模型中，得到目标预测模型输出的目标航班的延误时长。

通过本申请可以预测目标航班的延误时长，其中，由于结合了目标航班的多种维度的延误参数来预测目标航班的延误时长，因此，使得预测得到的延误时长的准确度较高，有助于航空公司的航班排班、机务地勤排班和应急方案的制定，从而对于提高航空公司的服务质量，提升航空公司的竞争力具有重要的现实意义。

附图说明

图1是根据一示例性实施例示出的本申请的一种架构示意图。

图2根据一示例性实施例示出的一种延误时长的预测方法的流程图。

图3是根据一示例性实施例示出的一种补全延误参数的方法的流程图。

图4是根据一示例性实施例示出的一种训练目标预测模型的方法的流程图。

图5根据一示例性实施例示出的一种延误时长的预测方法的流程图。

图6是根据一示例性实施例示出的一种训练目标预测模型的方法的流程图。

图7是根据一示例性实施例示出的一种延误时长的预测装置的框图。

图8是根据一示例性实施例示出的一种延误时长的预测装置的框图。

图9是根据一示例性实施例示出的一种延误时长的预测置的框图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

参见图1，对本申请的架构进行举例说明，但不作为对本申请保护范围的限制。

可以先获取多个样本航班的多种延误参数。

有时候可能是技术原因或人为原因，获取的延误参数可能存在缺失，使用缺失的延误参数训练出的预测模型精度较低，进而导致使用预测模型预测的航班的延误时长不准确。因此，在获取的延误参数存在缺失的情况下，可以补全延误参数，使用补全后的延误参数预测的目标航班的延误时长的准确度高于使用缺失的延误参数预测的目标航班的延误时长的准确度。

使用多个样本航班的多种延误参数对模型进行训练，直至模型中的权重均收敛，得到参考预测模型。

之后可以将样本航班的多种航班延误参数分别输出参考预测模型中，得到参考预测模型输出的每一个样本航班的预测延误时长。

然后可以获取每一个样本航班的实际延误时长。

对于任意一个样本航班，可以确定其预测延误时长与实际延误时长进行是否匹配，如果不匹配，则去除该样本航班的多种延误参数；对于其他没一个样本航班，同样执行上述操作。

然后使用剩余的样本航班的多种延误参数对模型进行训练，直至模型中的权重均收敛，得到目标预测模型。

之后就可以应用目标预测模型，例如，将目标航班的多种延误参数输入目标预测模型中，得到得到目标预测模型输出的目标航班的延误时长。

图2是根据一示例性实施例示出的一种延误时长的预测方法的流程图，如图2所示，应用于电子设备，电子设备上安装有航空公司的运行管理系统，该方法包括以下步骤。

在步骤s101中，接收目标航班的延误时长的获取请求；

在一个场景中，在用户需要在多个航班中进行选择情况下，有时候用户能需要参考至少部分航班的延误时长，然后基于延误时长选择航班，如此，用户可以向电子设备输入目标航班的延误时长的获取请求，目标航班包括多个航班中的至少一个航班，电子设备接收目标航班的延误时长的获取请求，然后执行步骤s102。

在另一个场景中，在航空公司的工作人员调整航空公司的航班排班、机务地勤排班以及应急方案，从而可以提高航空公司的服务质量，以及提升航空公司的竞争力的情况下，有时候航空公司的工作人员可能需要参考一些航班的延误时长，然后根据各个航班的延误时长来调整航空公司的航班排班、机务地勤排班以及应急方案，如此，航空公司的工作人员可以向电子设备输入目标航班的延误时长的获取请求，目标航班包括多个航班中的至少一个航班，电子设备接收目标航班的延误时长的获取请求，然后执行步骤s102。

在又一个场景中，在其他系统需要使用一些航班的延误时长，来做一些大数据的统计等，如此，其他系统可以向电子设备发送目标航班的延误时长的获取请求，目标航班包括多个航班中的至少一个航班，电子设备接收其他系统发送的目标航班的延误时长的获取请求，然后执行步骤s102。

在步骤s102中，根据该获取请求从数据库中获取用于延误目标航班的起飞时刻的多个种类的延误参数，延误参数至少包括：目标航班的预定起飞时刻的天气参数、目标航班的航空管制参数、目标航班的前序航班的延误时长、目标航班的最小过站时长以及目标航班的机械故障参数等；

在本申请中，目标航班的预定起飞时刻的天气参数可以包括目标航班的预定起飞时刻所在的时间区间的天气情况，例如，目标航班的预定起飞时刻前后3天共7天的天气情况等，该天气情况包括航班起飞地点的天气情况、落地地点的天气情况以及位于起飞地点与落地地点的航线的各个地点的天气情况。如果天气情况正常，满足起飞要求，则目标航班可以正常起飞，如果天气情况恶劣，不满足起飞要求，则无法目标航班无法按时起飞，目标航班的起飞时刻需要延后。

目标航班的航空管制参数包括空管局对目标航班的预定起飞时刻所在的时间区间设定的航空管制情况，例如，目标航班的预定起飞时刻前后两三个小时的航空管制参数。

该航空管制情况包括航班起飞地点的航空管制情况、落地地点的航空管制情况以及位于起飞地点与落地地点的航线上各个地点的航空管制情况。

如果未被航空管制，则则目标航班可以正常起飞，如果被航空管制，则则目标航班无法正常起飞，目标航班的起飞时刻需要延后。

目标航班的最小过站时长包括执行目标航班的飞行器在起飞地点至少需要停留的时长等。其中，目标航班的最小过站时长越长，则可能导致目标航班的起飞时刻被延后的时间越长，目标航班的最小过站时长越短，则可能导致目标航班的起飞时刻被延后的时间越短。

目标航班与位于目标航班之前的某一航班可能公用一个飞行器，则位于目标航班之前的该航班为目标航班的前序航班，谦虚航班执行完毕飞行任务之后，目标航班才能开始执行飞行任务，因此，目标航班的前序航班是否延误会直接影响目标航班的延误时长。

前序航班的延误时长越长，则可能导致目标航班的起飞时刻被延后的时间越长。前序航班的延误时长越短，则可能导致目标航班的起飞时刻被延后的时间越短。

如果目标航班存在机械故障，则目标航班无法正常起飞，需要延后，直至解除机械故障为止才能起飞，机械故障越严重，则需要耗费更多的时间解除机械故障，因此目标航班的起飞时刻被延后的时间往往越长。

其中，在获取目标航班的预定起飞时刻的天气参数时，电子设备可以建立与气象局的数据库之间的通信连接，然后基于该通信连接调取气象局的数据库中存储的预定起飞时刻的天气参数。

在获取目标航班的航空管制参数时，电子设备可以建立与航空管制部门的数据库之间的通信连接，然后基于该通信连接调取航空管制部门的数据库中存储的目标航班的航空管制参数。

在获取目标航班的前序航班的延误时长时，电子设备可以建立与航空管制部门的数据库之间的通信连接，然后基于该通信连接调取航空管制部门的数据库中存储的目标航班的前序航班的延误时长。

在获取目标航班的最小过站时长以及所述目标航班的机械故障参数时，电子设备可以建立与航空公司的数据库之间的通信连接，然后基于该通信连接调取航空公司的数据库中存储的目标航班的最小过站时长以及所述目标航班的机械故障参数。

在步骤s103中，将多个种类的延误参数输入目标预测模型中，得到目标预测模型输出的目标航班的延误时长。

在本申请中，可以基于神经网络模型来根据多个种类的延误参数预测目标航班的延误时长，例如，将多个种类的延误参数输入目标预测模型中，得到目标预测模型输出的目标航班的延误时长，目标预测模型的具体训练方法可以参见之后的实施例，在此不做详述。

在本申请中，接收目标航班的延误时长的获取请求；根据该获取请求从数据库中获取用于延误目标航班的起飞时刻的多个种类的延误参数，延误参数至少包括：目标航班的预定起飞时刻的天气参数、目标航班的航空管制参数、目标航班的前序航班的延误时长、目标航班的最小过站时长以及目标航班的机械故障参数等；将多个种类的延误参数输入目标预测模型中，得到目标预测模型输出的目标航班的延误时长。

通过本申请可以预测目标航班的延误时长，其中，由于结合了目标航班的多种维度的延误参数来预测目标航班的延误时长，因此，使得预测得到的延误时长的准确度较高，有助于航空公司的航班排班、机务地勤排班和应急方案的制定，从而对于提高航空公司的服务质量，提升航空公司的竞争力具有重要的现实意义。

进一步地，在确定出各个航班的延误时长之后，在用户在多个航班中进行选择情况下，向用户输出各个航班的延误时长，以助于用户根据各个航班的延误时长来选择航班。

进一步地，在确定出各个航班的延误时长之后，可以向航空公司的工作人员输出各个航班的延误时长，以助于航空公司的工作人员根据各个航班的延误时长来调整航空公司的航班排班、机务地勤排班以及应急方案，从而可以提高航空公司的服务质量，以及提升航空公司的竞争力。

进一步地，在确定出目标航班的延误时长之后，也可以存储目标航班的航班标识与目标航班的延误时长之间的对应关系，如此使得之后用户或者航空公司的工作人员需要查看目标航班的延误时长时，可以基于目标航班的航班标识在目标航班的航班标识与目标航班的延误时长之间的对应关系中查找目标航班的延误时长，进而可以供用户或者航空公司的工作人员借鉴目标航班的延误时长，例如，以助于用户之后根据各个航班的延误时长来选择航班，或者，有助于航空公司的工作人员根据各个航班的延误时长来调整航空公司的航班排班、机务地勤排班以及应急方案，从而可以提高航空公司的服务质量，以及提升航空公司的竞争力。

然而，航空公司的工作人员根据各个航班的延误时长来调整航空公司的航班排班、机务地勤排班以及应急方案会耗费较多的人力资源，导致人工成本较高。

因此，为了节省人力资源进而降低人工成本，在本申请另一实施例中，在确定出各个航班的延误时长之后，电子设备可以根据各个航班的延误时长至少自动化调整航空公司的航班排班、机务地勤排班以及应急方案，不需要航空公司的工作人员的参与，从而可以节省人力资源，进而降低人工成本。

其中，在步骤s101中，对于多个种类的延误参数中的任意一个种类的延误参数，可以获取适用于目标航班的该种类的延误参数的时间区间，然后获取位于该时间区间内的目标航班的多个该种类的延误参数。对于多个种类的延误参数中的其他每一个种类的延误参数，同样执行上述操作。

例如，在获取目标航班的预定起飞时刻的天气参数时，可以获取目标航班的预定起飞时刻的前后3天的天气数据，共7天的天气数据等。以及，在获取目标航班的航空管制参数时，可以获取目标航班的预定起飞时刻前后两三个小时的航空管制参数，以及，在获取目标航班的机械故障参数时，可以获取目标航班的预定起飞时刻前后1天的机械故障参数，共3天的机械故障参数等。

在本申请中，每一个延误参数对应的时间区间的长短可以基于历史经验统计得到，例如，事先可以分别确定使用不同的时间区间对应的延误参数来预测航班的延误时长的准确性，筛选准确性最高的延误时长对应的时间区间。

然而，有时候可能是技术原因或人为原因，获取的该种类的延误参数可能存在缺失，例如，在获取目标航班的预定起飞时刻的天气参数时，本来要获取目标航班的预定起飞时刻的前后3天的天气数据，共7天的天气数据，但是，可能有一些天的天气数据存在缺失，则就无法获取到这一天的天气数据。

使用缺失的延误参数在预测目标航班的延误时长时可能会导致预测的延误时长不准确。

因此，在获取的位于时间区间内的多个该种类的延误参数存在缺失的情况下，为了提高预测的目标航班的延误时长的准确性，可以补全位于时间区间内的该种类的延误参数，使用补全后的延误参数预测的目标航班的延误时长的准确度高于使用缺失的延误参数预测的目标航班的延误时长的准确度。

在本申请一个实施例中，参见图3，可以通过如下方式来补全位于时间区间内的该种类的延误参数，包括：

在步骤s201中，根据多个该种类的延误参数确定待补全参数；

在本申请一个实施例中，可以确定多个延误参数之间的波动程度；其中，可以计算多个延误参数之间的方差或者标准差，并作为多个延误参数之间的波动程度。在波动程度小于预设程度的情况下，计算多个延误参数之间的第一平均参数；预设程度可以为事先根据经验设置的一个数值，数据具体大小可以根据实际情况设置，本申请对此不加以限定。然后可以将第一平均确定为待补全参数。

在本申请另一个实施例中，确定缺失的延误参数在多个该种类的延误参数中的位置；在本申请中，获取的是位于时间区间内的该延误参数对应的多个延误数据，例如，在获取目标航班的预定起飞时刻的天气参数时，获取的是目标航班的预定起飞时刻的前后三天的天气数据，共7天的天气数据，例如，11月1日的天气数据、11月2日的天气数据、11月3日的天气数据、11月4日的天气数据、11月5日的天气数据、11月6日的天气数据以及11月7日的天气数据，假设未获取到11月4日的天气数据，则缺失的11月4日的天气数据在7天的天气数据中的位置为第四位。

然后在多个种类的延误参数中，确定与该位置相邻的预设数量个延误参数之间的波动程度；其中，预设数量包括1、2或3等等，例如，结合前述的例子，可以确定11月3日的天气数据与11月5日的天气数据之间的波动程度，也可以11月2日的天气数据、11月3日的天气数据、11月5日的天气数据以及11月6日的天气数据之间的波动程度等。

之后波动程度小于预设程度的情况下，计算根据读多个该种类的延误参数确定待补全参数；将第二平均参数确定为待补全参数。

在本申请另一个实施例中，可以确定缺失的延误参数在多个该种类的延误参数中的位置；在多个该种类的延误参数中，确定与位置相邻的预设数量个延误参数之间的波动程度；在波动程度小于预设程度的情况下，将与该位置相邻的一个延误参数确定为待补全参数。

在步骤s202中，将待补全参数和多个该种类的延误参数组合为位于时间区间内的该种类的延误参数。

其中，可以将待补全数据和多个该种类的延误参数按照其各自对应的时间的顺序组合为位于时间区间内的该种类的延误参数。

在本申请一个实施例中，事先可以训练目标预测模型，参见图4，具体训练流程如下，包括：

在步骤s301中，获取多个样本数据集，每一个样本数据集中包括用于延误样本航班的起飞时刻的多个样本延误参数，样本延误参数至少包括：样本航班的样本预定起飞时刻的样本天气参数、样本航班的样本航空管制参数、样本航班的样本前序航班的样本延误时长、样本航班的样本最小过站时长、样本航班的样本机械故障参数以及样本航班的实际延误时长；

在步骤s302中，使用多个样本数据集对模型进行训练，直至模型中的权重均收敛，得到参考预测模型；

在本申请中，模型至少包括：逻辑回归模型logisticregression，极端随机森林回归模型extratreesregressor，随机森林回归模型randomforesetregressor，提升树模型boostingtree以及梯度提升决策树模型gradientboostingdecisiontree等。

在步骤s303中，在多个样本数据集中，去除使用其包括的样本延误参数和参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本数据集；

在本申请一个实施例中，对于任意一个样本数据集，使用该样本数据集中的样本延误参数预测延误时长；然后获取预测的延误时长与样本数据集中实际延误时长之间的差值或比值；在差值或比值大于预设阈值的情况下，从多个样本数据集中去除样本数据集。在差值或比值小于预设阈值的情况下，可以保留该样本数据集。对于其他每一个样本数据集，同样执行上述操作。

在本申请另一个实施例中，对于每一个样本数据集，使用样本数据集中的样本延误参数预测延误时长，从而得到多个延误时长，然后可以确定预测得到的多个延误时长的正太分布；在多个样本数据集中，去除分布在区间(μ—3σ,μ+3σ)以外的延误时长对应的样本数据集；其中，μ为多个延误时长之间的期望，σ为多个延误时长之间的标准差。

当然，也可以通过其他方式来去除使用其包括的样本延误参数和参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本数据集，本申请对具体的去除方法不做限定。

在步骤s304中，使用剩余的样本数据集对模型进行训练，直至模型中的权重均收敛，得到目标预测模型。

在本申请中，如果通过某些样本数据集合中包括的样本延误参数和参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配，则为了提高训练出的模型的预测准确率，可以去除使用其包括的样本延误参数和参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本数据集；然后再使用剩余的样本数据集对模型进行训练，直至模型中的权重均收敛，得到目标预测模型，通过这种训练方式可以提高训练出的目标预测模型的预测准确度。

在训练得到目标预测模型，可以将多个种类的延误参数输入目标预测模型中，得到目标预测模型输出的目标航班的延误时长。

图5是根据一示例性实施例示出的一种延误时长的预测方法的流程图，如图5所示，应用于电子设备，电子设备上安装有交通运输公司的运行管理系统，该方法包括以下步骤。

在步骤s401中，接收目标交通班次的延误时长的获取请求；

目标交通班次包括航空公司的民航班次、列车班次、汽车班次、轮渡班次、物流班次以及无人机班次等。

本步骤具体可以参见步骤s101的相关描述，在此不做详述。

在步骤s402中，根据该获取请求从数据库中获取用于延误目标交通班次的执行交通运输作业的时刻的多个种类的延误参数，延误参数至少包括：目标交通班次的执行交通运输作业的预定起始时刻的天气参数、目标交通班次的交通管制参数、目标交通班次的前序交通班次的延误时长、目标交通班次的最小过站时长以及目标交通班次的机械故障参数；

本步骤具体可以参见步骤s102的相关描述，在此不做详述。

在步骤s403中，将多个种类的延误参数输入目标预测模型中，得到目标预测模型输出的目标交通班次的延误时长。

本步骤具体可以参见步骤s103的相关描述，在此不做详述。

在本申请中，接收目标交通班次的延误时长的获取请求；根据该获取请求从数据库中获取用于延误目标交通班次的执行交通运输作业的时刻的多个种类的延误参数，延误参数至少包括：目标交通班次的执行交通运输作业的预定起始时刻的天气参数、目标交通班次的交通管制参数、目标交通班次的前序交通班次的延误时长、目标交通班次的最小过站时长以及目标交通班次的机械故障参数；将多个种类的延误参数输入目标预测模型中，得到目标预测模型输出的目标交通班次的延误时长。

通过本申请可以预测目标交通班次的延误时长，其中，由于结合了目标交通班次的多种维度的延误参数来预测目标交通班次的延误时长，因此，使得预测得到的延误时长的准确度较高，有助于交通运输公司的交通班次排班、交通工作人员排班以及应急方案的制定，从而对于提高交通运输公司的服务质量，提升交通运输公司的竞争力具有重要的现实意义。

进一步地，在确定出各个交通班次的延误时长之后，在用户在多个交通班次中进行选择情况下，向用户输出各个交通班次的延误时长，以助于用户根据各个交通班次的延误时长来选择交通班次。

进一步地，在确定出各个交通班次的延误时长之后，可以向交通运输公司的工作人员输出各个交通班次的延误时长，以助于交通运输公司的工作人员根据各个交通班次的延误时长来调整交通运输公司的交通班次排班、交通工作人员排班以及应急方案，从而可以提高交通运输公司公司的服务质量，以及提升交通运输公司公司的竞争力。

进一步地，在确定出目标交通班次的延误时长之后，也可以存储目标交通班次的交通班次标识与目标交通班次的延误时长之间的对应关系，如此使得之后用户或者交通运输公司的工作人员需要查看目标交通班次的延误时长时，可以基于目标交通班次的交通班次标识在目标交通班次的交通班次标识与目标交通班次的延误时长之间的对应关系中查找目标交通班次的延误时长，进而可以供用户或者交通运输公司的工作人员借鉴目标交通班次的延误时长，例如，以助于用户之后根据各个交通班次的延误时长来选择航班，或者，有助于航空公司的工作人员根据各个交通班次的延误时长来调整交通运输公司的交通班次排班、交通工作人员排班以及应急方案，从而可以提高交通运输公司的服务质量，以及提升交通运输公司的竞争力。

然而，交通运输公司的工作人员根据各个交通班次的延误时长来调整交通运输公司的航班排班、交通工作人员以及应急方案会耗费较多的人力资源，导致人工成本较高。

因此，为了节省人力资源进而降低人工成本，在本申请另一实施例中，在确定出各个交通班次的延误时长之后，电子设备可以根据各个交通班次的延误时长至少自动化调整交通运输公司的交通班次排班、交通工作人员排班以及应急方案，不需要交通运输公司的工作人员的参与，从而可以节省人力资源，进而降低人工成本。

其中，在步骤s101中，对于多个种类的延误参数中的任意一个种类的延误参数，可以获取适用于目标交通班次的该种类的延误参数的时间区间，然后获取位于该时间区间内的目标交通班次的多个该种类的延误参数。对于多个种类的延误参数中的其他每一个种类的延误参数，同样执行上述操作。

例如，在获取目标交通班次的执行交通运输作业的预定起始执行时刻的天气参数时，可以获取目标交通班次的执行交通运输作业的预定起始执行时刻的前后3天的天气数据，共7天的天气数据等。以及，在获取目标交通班次的交通管制参数时，可以获取目标交通班次的执行交通运输作业的预定起始执行时刻前后两三个小时的航空管制参数，以及，在获取目标交通班次的机械故障参数时，可以获取目标交通班次的执行交通运输作业的预定起始执行时刻前后1天的机械故障参数，共3天的机械故障参数等。

在本申请中，每一个延误参数对应的时间区间的长短可以基于历史经验统计得到，例如，事先可以分别确定使用不同的时间区间对应的延误参数来预测航班的延误时长的准确性，筛选准确性最高的延误时长对应的时间区间。

在本申请一个实施例中，事先可以训练目标预测模型，参见图6，具体训练流程如下，包括：

在步骤s501中，获取多个样本参数集，每一个样本参数集中包括用于延误样本交通班次的执行交通运输作业的时刻的多个样本延误参数，样本延误参数至少包括：样本交通班次的样本预定执行交通运输作业的时刻的样本天气参数、样本交通班次的样本交通管制参数、样本交通班次的样本前序交通班次的样本延误时长、样本交通班次的样本最小过站时长、样本交通班次的样本机械故障参数以及样本交通班次的实际延误时长；

本步骤具体可以参见步骤s301的相关描述，在此不做详述。

在步骤s502中，使用多个样本参数集对模型进行训练，直至模型中的权重均收敛，得到参考预测模型；

本步骤具体可以参见步骤s302的相关描述，在此不做详述。

在步骤s503中，在多个样本参数集中，去除使用其包括的样本延误参数和参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本参数集；

本步骤具体可以参见步骤s303的相关描述，在此不做详述。

在步骤s504中，使用剩余的样本参数集对模型进行训练，直至模型中的权重均收敛，得到目标预测模型。

本步骤具体可以参见步骤s304的相关描述，在此不做详述。

图7是根据一示例性实施例示出的一种延误时长的预测装置的框图，如图7所示，该装置包括：

第一接收模块11，用于接收目标航班的延误时长的获取请求；

第一获取模块12，用于根据所述获取请求从数据库中获取用于延误目标航班的起飞时刻的多个种类的延误参数，延误参数至少包括：目标航班的预定起飞时刻的天气参数、所述目标航班的航空管制参数、所述目标航班的前序航班的延误时长、所述目标航班的最小过站时长以及所述目标航班的机械故障参数；

第一输入模块13，用于将多个所述种类的延误参数输入目标预测模型中，得到所述目标预测模型输出的所述目标航班的延误时长。

在一个可选的实现方式中，所述装置还包括：

第一输出模块，用于在用户在多个航班中进行选择情况下，向用户输出各个航班的延误时长。

在一个可选的实现方式中，所述装置还包括：

第一存储模块，用于存储所述目标航班的航班标识与所述目标航班的延误时长之间的对应关系。

在一个可选的实现方式中，所述装置还包括：

第二输出模块，用于向航空公司的工作人员输出各个航班的延误时长。

在一个可选的实现方式中，所述装置还包括：

第一调整模块，用于根据各个航班的延误时长至少自动化调整航空公司的航班排班、机务地勤排班以及应急方案。

在一个可选的实现方式中，所述第一获取模块包括：

第一获取单元，用于对于任意一个种类的延误参数，获取适用于所述目标航班的所述种类的延误参数的时间区间；

第二获取单元，用于获取位于所述时间区间内的所述目标航班的多个所述种类的延误参数。

在一个可选的实现方式中，所述第一获取模块还包括：

补全单元，用于在获取的位于所述时间区间内的多个所述种类的延误参数存在缺失的情况下，补全位于所述时间区间内的所述种类的延误参数。

在一个可选的实现方式中，所述补全单元包括：

第一确定子单元，用于根据多个所述种类的延误参数确定待补全参数；

组合子单元，用于将所述待补全参数和多个所述种类的延误参数组合为位于所述时间区间内的所述种类的延误参数。

在一个可选的实现方式中，所述第一确定子单元具体用于：确定所述多个延误参数之间的波动程度；在所述波动程度小于预设程度的情况下，计算多个所述种类的延误参数之间的第一平均参数；将所述第一平均参数确定为所述待补全参数。

在一个可选的实现方式中，所述第一确定子单元具体用于：确定缺失的延误参数在多个所述种类的延误参数中的位置；在多个所述种类的延误参数中，确定与所述位置相邻的预设数量个延误参数之间的波动程度；在所述波动程度小于预设程度的情况下，计算根据多个所述种类的延误参数确定待补全参数；将所述第二平均参数确定为所述待补全参数。

在一个可选的实现方式中，所述第一确定子单元具体用于：确定缺失的延误参数在多个所述种类的延误参数中的位置；在多个所述种类的延误参数中，确定与所述位置相邻的预设数量个延误参数之间的波动程度；在所述波动程度小于预设程度的情况下，将与所述位置相邻的一个延误参数确定为所述待补全参数。

在一个可选的实现方式中，所述装置还包括：

第二获取模块，用于获取多个样本参数集，每一个样本参数集中包括用于延误样本航班的起飞时刻的多个样本延误参数，样本延误参数至少包括：所述样本航班的样本预定起飞时刻的样本天气参数、所述样本航班的样本航空管制参数、所述样本航班的样本前序航班的样本延误时长、所述样本航班的样本最小过站时长、所述样本航班的样本机械故障参数以及所述样本航班的实际延误时长；

第一训练模块，用于使用多个样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到参考预测模型；

第一去除模块，用于在所述多个样本参数集中，去除使用其包括的样本延误参数和所述参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本参数集；

第二训练模块，用于使用剩余的样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到所述目标预测模型。

在一个可选的实现方式中，所述模型至少包括：

逻辑回归模型logisticregression，极端随机森林回归模型extratreesregressor，随机森林回归模型randomforesetregressor，提升树模型boostingtree以及梯度提升决策树模型gradientboostingdecisiontree。

在一个可选的实现方式中，所述第一去除模块包括：

第一预测单元，用于对于任意一个样本参数集，使用所述样本参数集中的样本延误参数预测延误时长；

第三获取单元，用于获取预测的延误时长与所述样本参数集中实际延误时长之间的差值或比值；

第一去除单元，用于在所述差值或比值大于预设阈值的情况下，从所述多个样本参数集中去除所述样本参数集。

在一个可选的实现方式中，所述第一去除模块包括：

第二预测单元，用于对于每一个样本参数集，使用所述样本参数集中的样本延误参数预测延误时长；

确定单元，用于确定预测得到的多个延误时长的正太分布；

第二去除单元，用于在多个样本参数集中，去除分布在区间(μ—3σ,μ+3σ)以外的延误时长对应的样本参数集；

其中，所述μ为多个延误时长之间的期望，所述σ为所述多个延误时长之间的标准差。

在本申请中，接收目标航班的延误时长的获取请求；根据该获取请求从数据库中获取用于延误目标航班的起飞时刻的多个种类的延误参数，延误参数至少包括：目标航班的预定起飞时刻的天气参数、目标航班的航空管制参数、目标航班的前序航班的延误时长、目标航班的最小过站时长以及目标航班的机械故障参数等；将多个种类的延误参数输入目标预测模型中，得到目标预测模型输出的目标航班的延误时长。

通过本申请可以预测目标航班的延误时长，其中，由于结合了目标航班的多种维度的延误参数来预测目标航班的延误时长，因此，使得预测得到的延误时长的准确度较高，有助于航空公司的航班排班、机务地勤排班和应急方案的制定，从而对于提高航空公司的服务质量，提升航空公司的竞争力具有重要的现实意义。

图8是根据一示例性实施例示出的一种延误时长的预测装置的框图，如图8所示，该装置包括：

第二接收模块21，用于接收目标交通班次的延误时长的获取请求；

第三获取模块22，用于根据所述获取请求从数据库中获取用于延误目标交通班次的执行交通运输作业的时刻的多个种类的延误参数，延误参数至少包括：目标交通班次的执行交通运输作业的预定起始时刻的天气参数、所述目标交通班次的交通管制参数、所述目标交通班次的前序交通班次的延误时长、所述目标交通班次的最小过站时长以及所述目标交通班次的机械故障参数；

第二输入模块23，用于将多个所述种类的延误参数输入目标预测模型中，得到所述目标预测模型输出的所述目标交通班次的延误时长。

在一个可选的实现方式中，所述装置还包括：

第三输出模块，用于在用户在多个交通班次中进行选择情况下，向用户输出各个交通班次的延误时长。

在一个可选的实现方式中，所述装置还包括：

第二存储模块，用于存储所述目标交通班次的交通班次标识与所述目标交通班次的延误时长之间的对应关系。

在一个可选的实现方式中，所述装置还包括：

第四输出模块，用于向交通运输公司的工作人员输出各个交通班次的延误时长。

在一个可选的实现方式中，所述装置还包括：

第二调整模块，用于根据各个交通班次的延误时长至少自动化调整交通运输公司的交通班次排班、交通工作人员排班以及应急方案。

在一个可选的实现方式中，所述第二获取模块包括：

第四获取单元，用于对于任意一个种类的延误参数，获取适用于所述目标交通班次的所述种类的延误参数的时间区间；

第五获取单元，用于获取位于所述时间区间内的所述目标交通班次的多个所述种类的延误参数。

在一个可选的实现方式中，所述装置还包括：

第四获取模块，用于获取多个样本参数集，每一个样本参数集中包括用于延误样本交通班次的执行交通运输作业的时刻的多个样本延误参数，样本延误参数至少包括：所述样本交通班次的样本预定执行交通运输作业的时刻的样本天气参数、所述样本交通班次的样本交通管制参数、所述样本交通班次的样本前序交通班次的样本延误时长、所述样本交通班次的样本最小过站时长、所述样本交通班次的样本机械故障参数以及所述样本交通班次的实际延误时长；

第三训练模块，用于使用多个样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到参考预测模型；

第二去除模块，用于在所述多个样本参数集中，去除使用其包括的样本延误参数和所述参考预测模型预测得到的延误时长与其包括的实际延误时长之间不匹配的样本参数集；

第四训练模块，用于使用剩余的样本参数集对模型进行训练，直至所述模型中的权重均收敛，得到所述目标预测模型。

在本申请中，接收目标交通班次的延误时长的获取请求；根据该获取请求从数据库中获取用于延误目标交通班次的执行交通运输作业的时刻的多个种类的延误参数，延误参数至少包括：目目标交通班次的执行交通运输作业的预定起始时刻的天气参数、目标交通班次的交通管制参数、目标交通班次的前序交通班次的延误时长、目标交通班次的最小过站时长以及目标交通班次的机械故障参数；将多个种类的延误参数输入目标预测模型中，得到目标预测模型输出的目标交通班次的延误时长。

通过本申请可以预测目标交通班次的延误时长，其中，由于结合了目标交通班次的多种维度的延误参数来预测目标交通班次的延误时长，因此，使得预测得到的延误时长的准确度较高，有助于交通运输公司的交通班次排班、交通工作人员排班以及应急方案的制定，从而对于提高交通运输公司的服务质量，提升交通运输公司的竞争力具有重要的现实意义。

本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例中各方法步骤的指令(instructions)。

本申请实施例提供了一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的延误时长的预测方法。本申请实施例中，所述电子设备包括服务器、网关、子设备等，子设备为物联网设备等设备。

本公开的实施例可被实现为使用任意适当的硬件，固件，软件，或及其任意组合进行想要的配置的装置，该装置可包括服务器(集群)、终端设备如iot设备等电子设备。

图9示意性地示出了可被用于实现本申请中所述的各个实施例的示例性装置1300。

对于一个实施例，图9示出了示例性装置1300，该装置具有一个或多个处理器1302、被耦合到(一个或多个)处理器1302中的至少一个的控制模块(芯片组)1304、被耦合到控制模块1304的存储器1306、被耦合到控制模块1304的非易失性存储器(nvm)/存储设备1308、被耦合到控制模块1304的一个或多个输入/输出设备1310，以及被耦合到控制模块1306的网络接口1312。

处理器1302可包括一个或多个单核或多核处理器，处理器1302可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中，装置1300能够作为本申请实施例中所述网关或控制器等服务器设备。

在一些实施例中，装置1300可包括具有指令1314的一个或多个计算机可读介质(例如，存储器1306或nvm/存储设备1308)以及与该一个或多个计算机可读介质相合并被配置为执行指令1314以实现模块从而执行本公开中所述的动作的一个或多个处理器1302。

对于一个实施例，控制模块1304可包括任意适当的接口控制器，以向(一个或多个)处理器1302中的至少一个和/或与控制模块1304通信的任意适当的设备或组件提供任意适当的接口。

控制模块1304可包括存储器控制器模块，以向存储器1306提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。

存储器1306可被用于例如为装置1300加载和存储数据和/或指令1314。对于一个实施例，存储器1306可包括任意适当的易失性存储器，例如，适当的dram。在一些实施例中，存储器1306可包括双倍数据速率事件种类四同步动态随机存取存储器(ddr4sdram)。

对于一个实施例，控制模块1304可包括一个或多个输入/输出控制器，以向nvm/存储设备1308及(一个或多个)输入/输出设备1310提供接口。

例如，nvm/存储设备1308可被用于存储数据和/或指令1314。nvm/存储设备1308可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如，一个或多个硬盘驱动器(hdd)、一个或多个光盘(cd)驱动器和/或一个或多个数字通用光盘(dvd)驱动器)。

nvm/存储设备1308可包括在物理上作为装置1300被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，nvm/存储设备1308可通过网络经由(一个或多个)输入/输出设备1310进行访问。

(一个或多个)输入/输出设备1310可为装置1300提供接口以与任意其他适当的设备通信，输入/输出设备1310可以包括通信组件、音频组件、传感器组件等。网络接口1312可为装置1300提供接口以通过一个或多个网络通信，装置1300可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信，例如接入基于通信标准的无线网络，如wifi、2g、3g、4g、5g等，或它们的组合进行无线通信。

对于一个实施例，(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器的逻辑封装在一起以形成系统级封装(sip)。对于一个实施例，(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例，(一个或多个)处理器1302中的至少一个可与控制模块1304的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(soc)。

在各个实施例中，装置1300可以但不限于是：服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，装置1300可具有更多或更少的组件和/或不同的架构。例如，在一些实施例中，装置1300包括一个或多个摄像机、键盘、液晶显示器(lcd)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(asic)和扬声器。

本申请实施例提供了一种电子设备，包括：一个或多个处理器；和，其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述处理器执行如本申请实施例中一个或多个所述的预估航班的延误时长的方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的一种延误时长的预测方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。