1.一种基于门控循环单元的航班延误预测方法,其特征在于,包括:步骤1:对航班运行数据进行数值化、缺失值、归一化以及特征选择操作,对按延误时长分级并给数据打上延误标签,将数据集分割为训练集和测试集并上传到HDFS;步骤2:在主节点Spark Drive上设置子种群的数量P,子蝗虫种群的种群数量N、最大迭代次数Max_iter,设置门控循环单元的优化参数取值范围;步骤3:将每个子种群的蝗虫个体初始化并使用算子将种群加载到Spark分区进行分布式计算,得到分布式训练数据集和测试集;步骤4:将蝗虫个体解码为门控循环单元超参数,计算种群中每个蝗虫个体的适应度,保留子种群最优蝗虫个体;步骤5:每一个Spark分区的子蝗虫群按照蝗虫优化算法原理更新蝗虫,再次计算所有蝗虫个体的适应度,更新子蝗虫群的当前最优解;步骤6:使用Spark收集算子将不同分区子种群的局部最优蝗虫个体收集组成精英蝗虫群,精英蝗虫群按蝗虫优化算法进行更新;步骤7:判断当前的迭代次数是否达到最大迭代次数Max_iter,若达到则输出精英蝗虫群的最优蝗虫个体作为门控循环单元超参数的最佳组合;步骤8:根据获取到的门控循环单元超参数建立航班延误预测模型,对训练数据集进行训练建模;步骤9:采用步骤8中训练好的门控循环单元模型来对测试集进行测试,并对实际航班运行数据进行延误预测。
2.根据权利要求1所述的基于门控循环单元的航班延误预测方法,其特征在于,所述设置门控循环单元的优化参数取值范围,包括:设置门控循环单元的模型隐藏层数、神经元数量和学习率的取值范围。
3.根据权利要求2所述的基于门控循环单元的航班延误预测方法,其特征在于,所述计算种群中每个蝗虫个体的适应度,保留子种群最优蝗虫个体,包括:加载HDFS上训练集用K折交叉验证法计算种群中每个蝗虫个体的适应度,保留子种群最优蝗虫个体。
4.根据权利要求3所述的基于门控循环单元的航班延误预测方法,其特征在于,所述精英蝗虫群按蝗虫优化算法进行更新,包括:解码门控循环单元超参数计算适应度,保留全局最优蝗虫并使用Spark算子同步最优蝗虫给其他分区蝗虫群更新。
5.根据权利要求4所述的基于门控循环单元的航班延误预测方法,其特征在于,所述到分布式训练数据集和测试集,包括:利用Spark的textFile函数读取数据集路径得到分布式训练数据集和测试集。
6.根据权利要求5所述的基于门控循环单元的航班延误预测方法,其特征在于,在所述若达到则输出精英蝗虫群的最优蝗虫个体作为门控循环单元超参数的最佳组合之后,还包括:若未达到,则返回步骤4继续进行迭代。
7.一种基于门控循环单元的航班延误预测装置,其特征在于,包括:第一主模块,用于实现步骤1:对航班运行数据进行数值化、缺失值、归一化以及特征选择操作,对按延误时长分级并给数据打上延误标签,将数据集分割为训练集和测试集并上传到HDFS;第二主模块,用于实现步骤2:在主节点Spark Drive上设置子种群的数量P,子蝗虫种群的种群数量N、最大迭代次数Max_iter,设置门控循环单元的优化参数取值范围;第三主模块,用于实现步骤
3:将每个子种群的蝗虫个体初始化并使用算子将种群加载到Spark分区进行分布式计算,得到分布式训练数据集和测试集;第四主模块,用于实现步骤4:将蝗虫个体解码为门控循环单元超参数,计算种群中每个蝗虫个体的适应度,保留子种群最优蝗虫个体;第五主模块,用于实现步骤5:每一个Spark分区的子蝗虫群按照蝗虫优化算法原理更新蝗虫,再次计算所有蝗虫个体的适应度,更新子蝗虫群的当前最优解;第六主模块,用于实现步骤6:使用Spark收集算子将不同分区子种群的局部最优蝗虫个体收集组成精英蝗虫群,精英蝗虫群按蝗虫优化算法进行更新;第七主模块,用于实现步骤7:判断当前的迭代次数是否达到最大迭代次数Max_iter,若达到则输出精英蝗虫群的最优蝗虫个体作为门控循环单元超参数的最佳组合;第八主模块,用于实现步骤8:根据获取到的门控循环单元超参数建立航班延误预测模型,对训练数据集进行训练建模;第九主模块,用于实现步骤9:采用步骤8中训练好的门控循环单元模型来对测试集进行测试,并对实际航班运行数据进行延误预测。
8.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和通信接口;其中,
所述处理器、存储器和通信接口相互间进行通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行权利要求1至6任一项权利要求所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1至6中任一项权利要求所述的方法。