1.一种面向延误传播的航班起降时间预测方法，其特征在于，步骤包括：(1)基于历史航班运行数据，提出航班延误特征参数的建模方法，建模方法的具体流程如下：(1.1)建立原始历史航班运行数据集；(1.2)建立航空器连续航段历史运行数据集；(1.3)延误传播特征关键参量建模；基于航空器连续航段历史运行数据集，分别针对每架航空器建立表征延误传播特征的关键参量，包括：A i (i＝0,1,2,…)为连续航段的第i站机场， 为航空器在第i站机场的计划起飞时间、 为航空器在第i站机场的实际起飞时间， 为航空器在第i站机场的计划落地时间、 为航空器在第i站机场的实际落地时间、 为航空器在第i站机场至第i+1站机场的计划飞行时间、 为航空器在第i站机场至第i+1站机场的实际飞行时间， 为航空器在第i站机场的计划周转时间、 为航空器在第i站机场的实际周转时间、 为航空器在第i站机场的起飞延误、 为航空器在第i站机场的落地延误；(2)选择任意机场对，利用深度学习算法，建立基于人工神经网络的航班延误预测模型，学习航空器在多航段运行过程中的延误传播特征，具体流程如下：(2.1)构建预测输入输出数据集；(2.2)根据确定的输入输出参数，并按照比例随机划分总数据集，构建训练与测试数据集，完成航班延误预测模型的构建；模型构建步骤如下：S1：基于Tensorflow的环境下在Python平台中导入Keras工具包，选取models模块中的Sequential与layers模块中的Dense与Dropout功能；S2：分别导入已整合成输入输出参数格式的训练集与测试集，完成训练模型与测试模型的数据导入；S3：调用models中Sequential功能，构建人工神经网络，调用layers模块中的Dense与Dropout功能，构建输入层以及第一层隐藏层，设置相应的神经元数、网络权重与初始化神经元激活功能模型参数，并加入训练数据集的输入参数数据；S4：构建后序隐藏层；调用layers模块中的Dense与Dropout功能，设置合适的隐藏层数，针对每层隐藏层，设置相应的神经元数、网络权重、初始化神经元激活功能与丢弃比例模型参数；S5：构建输出层；调用layers模块中的Dense与Dropout功能，设置网络权重与初始化神经元激活功能等模型参数，并加入训练数据集的输出参数数据；S6：按要求配置训练模型；调用compile功能，设置优化算法、目标函数与训练和测试的模型评估标准参数；S7：对训练模型进行训练；调用fit功能，加入训练数据集的输入与输出参数数据，设置训练模型中的训练批量大小与遍历次数模型参数；S8：输出预测模型的预测数据集误差值和评估标准值；调用evaluate功能，加入预测数据集的输入与输出参数数据，设置训练模型中的训练批量大小模型参数；S9：输出预测模型的预测数据集预测结果；调用predict功能，加入测试数据集的输入参数数据，设置训练模型中的训练批量大小，输出相应的预测结果；S10：建模和预测结束；(2.3)基于人工神经网络的航班延误预测模型调优；(2.4)根据调参后得到的本站起飞延误 下站落地延误 的预测结果，则本站预计的起飞时间为计划起飞时间 加上本站起飞延误 下站预计的落地时间为计划落地时间 加上下站落地延误
2.根据权利要求1所述的一种面向延误传播的航班起降时间预测方法，其特征在于，步骤(1.1)中所述建立原始历史航班运行数据集包括采集航班历史运行数据，提取航班号、注册号、机型、起降机场、预计起飞时间、预计落地时间、实际起飞时间、实际降落时间。
3.根据权利要求1所述的一种面向延误传播的航班起降时间预测方法，其特征在于，步骤(1.2)中建立历史运行数据集基于原始历史航班运行数据集，通过注册号提取每架航空器每日的连续飞行航段，将以航班号为索引的原始历史航班运行数据集整合成以航空器为索引的连续航段运行数据。
4.根据权利要求1所述的一种面向延误传播的航班起降时间预测方法，其特征在于，步骤(2.1)中数据集依据步骤(1.3)中建立的关键参量，构建用于航班延误预测模型训练与预测的数据集，同样，记连续航段中A i (i＝0,1,2,…)为第i站机场，并定义前站为A i ，本站为A i+1 、后站为A i+2 ，其中，预测对象为本站机场A i+1, 输入参数包括：按最小过站时间要求所划分航空器类别ACT、前序起飞延误 前序落地延误 前序预计飞行时间TT i,i+1 、前序实际飞行时间 本站预计周转时间DT i+1 、本段预计飞行时间TT i+1,i+2 、本站是否为起始站A i+1 _O、后站是否为终点站A i+2 _F、本站起飞月份Mouth、本站起飞周段Week、本站起飞时段Hour与本站起飞分段Minute,输出参数包括：本站起飞延误 下站落地延误
5.根据权利要求1所述的一种面向延误传播的航班起降时间预测方法，其特征在于，步骤(2.3)中若训练集的训练效果不满意，或预测集的预测结果误差大，调整(2.2)构建模型中的相应参数，调整训练集与预测集的批量大小、遍历次数、丢弃比例、隐藏层数与神经元数目。
