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。

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

飞机延迟 使用机器学习模型预测航班延误 在这个存储库中，我开发了一个模型，旨在预测起飞时的航班延误。 从技术角度来看，贯穿整个 notebook 的 Python 的主要方面是： visualization: matplolib, seaborn, basemap data manipulation: pandas, numpy modeling: sklearn, scipy class definition: regression, figures 打扫 1.1日期和时间 1.2 填充因子 比较航空公司 2.1 航空公司基本统计说明 2.2 延误分布：建立航空公司排名 延误：起飞或降落 始发机场与延误的关系 4.1 航空公司覆盖的地理区域 4.2 始发机场如何影响延误 4.3通常延误的航班 延误的时间可变性 预测航班延误 6.1 模式一：一航一机场 6.1.1 Pitfalls

对于一类具有未知时变延迟的大型系统，考虑了分散的输出反馈控制问题。 不确定的互连受系数未知的一般非线性函数限制。 每个子系统的控制方向参数都是未知的，这给分散控制器设计带来了挑战。 为了解决这个问题，我们在Nussbaum函数的帮助下提出了一种新的分散控制方案。 首先设计分散式滤波器。 通过构造Lyapunov-Krasovskii函数，我们设计了动态输出反馈控制器。 严格证明了闭环系统是渐近稳定的。 最后，进行了仿真，结果验证了所提方法的有效性。