单机器提前拖后加权成本和最小调度方案生成的java程序说明和源代码

Predicting_Flight_Delays 该项目旨在通过培训2018年和2019年美国的航班数据来提前一周预测航班延误。

美国交通运输部统计司公布的2015年国内民航航班数据，包括航班准点、延误、取消、转机和摘要等信息。

美国运输部（DOT）交通运输统计局（BTS）对美国大型航空公司国内航班的准时到达和晚点情况进行的统计数据，时间开始于2003年6月，每个月美国交通运输统计司会发布上个月的航班准点到达、晚点、取消和转机情况数据。

航班延误matlab代码

旨在建立公交专用道延误与公交车流量的关系模型。为了方便建模，引入了单位公交专用道延误的概念，即公交车在单位长度（100 m）路段、单个站点和单个交叉口的延误之和。然后应用VISSIM仿真软件，按照参数标定、建立路网、设定输出文件、执行仿真、仿真模型的有效性检验等流程建立了公交专用道仿真模型。最后基于仿真输出的数据，建立了单位公交专用道延误与流量的线性模型。该模型可用于预测公交车在专用道的延误。

世界风java源码使用 NoSQL 分析航班延误和天气数据集 介绍 该项目的目标是构建一个应用程序，该应用程序可以从两个不同的海量数据存储中摄取、存储、分析和提取有意义的见解。 这些来源中的第一个来源是 NOAA（国家海洋和大气管理局），它为我们提供了来自世界各地站点网络的每小时天气天气观测。 第二个数据源是 UBTS（美国运输服务局），它为我们提供了航班历史和延误情况。 技术栈 Python Java SQL Hadoop HBase 火花 阿帕奇凤凰 阿帕奇飞艇 Scikit-学习 熊猫 决定技术栈的标准 天气和飞行数据集的大小分别约为 750 GB 和 225 GB。 巨大的数据量促使我们构建一个可扩展的分布式 NoSQL 数据库，例如 HBASE 来存储数据 原始形式的数据集不利于分析，需要大量的预处理。 自定义python脚本用于预处理数据 后预处理，我们需要一个可扩展的分布式流程，可以批量上传到 HBase。 Apache Spark 非常适合这里，因为它具有独特的内存处理能力，可以以非常高的速度处理大规模数据 该应用程序必须使其用户易于访问。 由于当前世界上的大多数用户已

＃转到RAW以获得更好的视图 机器学习项目 伦敦希思罗机场预测的航班延误为了对机器进行培训，您需要使用FlightRadar24_scrapper构建数据集（至少2-3周的数据）。 数据准备工作是在抓取器中执行的，但是数据清理和功能工程则在机器学习文件中进行。 爬虫可能有重复的值，这些值已在机器学习脚本中删除。 示例数据集包含在用于训练模型和验证模型的存储库中。 用于刮板的版本： jupyter核心：4.6.3 jupyter笔记本：6.1.1 qtconsole：4.7.7 ipython的：7.18.1 ipykernel：5.3.4 jupyter客户：6.1.6 jupyter实验室：2.2.6 nbconvert：6.0.6 ipywidgets：7.5.1 nbformat：5.0.7 特质：4.3.3 的Python：3.8.5 熊猫：1.1.1

机器学习老师推荐的论文，是关于民航的。基于使用现有的支持向量机解决机场航班延误预警问题存在未充分利用先验知识和 训练需花费大量时间和空间的问题,提出了基于中心约束最小闭包球的加权多类算法。该算 法首先利用先验知识确定一种新的基于相对紧密度的方法计算样本权值并将其融合到支持向 量机中,然后转化为中心约束的最小闭包球进行训练。实验结果表明,该方法比现有的支持向 量机具有更合理的分类面并且训练速度得到大大提高。

目录 安装 除了Python的Anaconda发行版之外，没有任何必要的库可以在此处运行代码。 使用Python版本3. *，该代码应该可以正常运行。 项目动机 该项目的目标是练习创建数据可视化。 为此，创建了探索性可视化以帮助提出问题。 选择了这些可视化的一部分，并将其精炼成说明性的可视化，以幻灯片形式显示。 该项目的数据集包括整个2019年的近750万次国内航班。它包括航班详细信息，例如出发/到达时间，始发/目的地机场，承运人和延误时间/取消。 该项目包括对到达延误和取消的分析，但调查的重点是仅取消航班的特征。 我看以下内容： 到达延迟时间的分布以及延迟和取消的分类分布 取消原因的分布 取消原因与季节 取消原因与机场的季节对比 档案说明 存储库中有两个Jupyter笔记本。 Exploration_flights.ipynb在创建可视化对象以摆出并回答上述问题方面具有探索性。 s