随着航空出行需求的稳定增长,航班数量不断增加,空中交通日益繁忙,这导致航班延误现象频发,对航空公司运营、机场调度等方面造成了较大的负面影响,同时也导致乘客满意度下降。因此,建立准确有效的航班延误预测模型,能够有效降低延误所带来的不利影响,以便机场和用户采取有效的应对措施,对航空秩序和用户出行都有重要意义。针对航班延误问题,本文采用Python爬虫技术获取天气信息,在单条航班数据后加入特征评分后的天气数据,构造了影响航班延误的128维初始特征。综合考虑特征相关性和重要性对模型准确率的影响,本文建立了基于特征相关性分组的FCG＿XGBoost特征选择算法,最终选取了39维显著特征,并设计对比实验验证了FCG＿XGBoost算法的有效性。其次,基于39维特征构建了Light GBM等6种航班延误预测模型,并使用二分类评价指标对实验结果进行多维度可视化展示。同时,为了提高模型预测的准确率,利用Stacking策略构建了融合模型,实验结果表明,融合模型的预测效果较单模型更优。为了进一步提升融合模型的准确率,本文综合考虑基模型准确率和融合策略两方面。针对基模型准确率不高的问题,本文使用贝叶斯优化算法对Light GBM等集成学习模型的超参数进行了优化,并利用随机搜索和网格搜索进行对比实验。结果表明,使用贝叶斯优化后的模型效果更佳。针对融合策略问题,本文在传统Stacking策略的基础上,建立了一种改进的Stacking策略,构建了最终的加权融合模型。其AUC值达到0.97,准确率为96.6%,相对6种单模型中效果较好的XGBoost模型的准确率提高了近4%,对延误航班预测的准确率提升了3.2%。实验结果表明,基于改进Stacking策略构建的融合模型适用于解决航班延误预测的问题。本文综合考虑多重影响因素,建立了航班延误预测模型,并通过实际数据验证了模型的可行性。同时,本文实现了航班延误预测可视化系统,直观地展示了预测结果。综上,本文研究的航班延误预测模型在航班延误预测的应用中具有一定的实际意义。