Advertisement

2015年美国航班延误和取消事件的数据集。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
美国交通运输部的统计司发布了2015年度的国内民航航班运行数据,这些数据详细涵盖了航班的准点率、延误情况、取消事件、转机信息以及一份综合性的摘要报告。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 2015
    优质
    该数据集记录了2015年度美国各大航空公司的航班准点率情况,包括所有国内航班的起飞、到达时间以及因各种原因导致的延误和取消的信息。 美国交通运输部统计司发布了2015年国内民航航班的数据,涵盖了航班准点、延误、取消、转机以及摘要等相关信息。
  • 优质
    该数据集记录了美国境内各机场及航空公司的航班延误情况,包含历史飞行信息和相关统计数据,旨在帮助旅客规划行程并研究航班准点率。 美国运输部(DOT)交通运输统计局(BTS)从2003年6月开始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统计,并且每个月都会发布上个月的航班准点率、延误情况、取消记录以及转机状况的数据。
  • flight-delays-cancellations: 探索2019情况
    优质
    本研究深入分析了2019年美国航空业中广泛存在的航班延误及取消问题,旨在揭示其原因和影响。 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.x,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,并选择了其中一部分进行精炼,形成说明性的可视化内容并以幻灯片形式展示。 项目的数据集包括2019年近750万次国内航班的详细信息,如出发/到达时间、始发/目的地机场、承运人以及延误时间和取消情况。该项目主要分析了到达延迟和取消的情况,并特别关注仅被取消的航班特征。 以下是项目的具体内容: - 到达延迟时间分布及分类 - 取消原因分布 - 不同季节中的取消原因对比 - 特定机场在不同季节中出现的取消原因对比 项目代码与分析结果包含于两个Jupyter笔记本段落件内,分别是Exploration_flights.ipynb。该笔记本用于探索性可视化以回答上述问题并创建相应的数据视图对象。
  • -
    优质
    延迟航班-数据集包含大量航班运营信息,专注于分析导致航班延误的各种因素,旨在帮助航空公司和相关研究机构优化航班调度与管理。 数据包含了2008年由于各种原因导致的航班延误的信息,可用于进行延迟航班数据集的分析。该数据文件名为DelayedFlights.csv。
  • 可用于预测分析
    优质
    本数据集包含了详尽的航班信息和历史延误记录,适用于构建机器学习模型进行预测分析,帮助航空公司优化运营、降低延误率。 航空公司数据集包含539,383个实例和8个不同的特征,目标是在给定预定起飞信息的情况下预测航班是否会延误。以下是数据字段的描述: - id:唯一标识符。 - Airline:不同类型的商业航空公司。 - Flight:飞行编号。 - AirportFrom:源机场代码(例如ATL、AUS等)。 - AirportTo:目的地机场代码(例如CLT、DEN等)。 - DayOfWeek:星期几,表示航班起飞的日期是周几。 - Time:时间,表示航班预计起飞的时间点。 - Length:飞行长度或持续时间。 - Delay:是否延误,用于预测目标。 以下是部分机场代码及其对应的国际机场名称: - ATL - 哈茨菲尔德 - 杰克逊亚特兰大国际机场(乔治亚州) - AUS - 奥斯汀伯格斯特罗姆国际机场(德克萨斯州) - BNA - 纳什维尔国际机场(田纳西州) - BOS - 波士顿洛根国际机场(马萨诸塞州) - BWI - 巴尔的摩华盛顿国际瑟古德马歇尔机场(巴尔的摩,美国首都区) - CLT - 夏洛特道格拉斯国际机场(北卡罗来纳州) - DAL - 达拉斯爱田机场(德克萨斯州) - DCA - 罗纳德里根华盛顿国家机场(弗吉尼亚州阿灵顿市) - DEN - 丹佛国际机场(科罗拉多州) - DFW - 达拉斯沃思堡国际机场(德克萨斯州) - DTW - 底特律大都会机场(密歇根州) - EWR - 纽瓦克自由国际机场(新泽西州) - FLL - 劳德代尔堡国际机场
  • 预测:本项目利用20182019训练机器学习模型,以实现提前预警...
    优质
    本项目运用2018-2019年的美国航班数据,通过训练机器学习模型,旨在准确预测并提前预警航班延误情况。 《预测航班延误:基于2018-2019年美国航班数据的机器学习实践》 在现代生活中,航班延误已经成为许多旅客头疼的问题。为了缓解这种困扰,一个名为Predicting_Flight_Delays的项目应运而生,其目标是利用2018年和2019年的美国航班数据训练机器学习模型,以提前一周准确预测航班的延误情况。这个项目充分展示了数据分析和机器学习在解决实际问题中的应用。 项目的数据来源至关重要。2018年和2019年的美国航班数据包含了大量关于航班的信息,如起飞时间、到达时间、航班号、航空公司、出发和到达机场等。这些详细的数据为预测提供了丰富的特征,使得模型能够从多个角度理解航班延误的可能因素,例如天气条件、机场流量管理以及航空公司的运营效率。 接下来,项目采用了Jupyter Notebook作为主要开发环境。这是一种交互式计算环境,支持代码、文本、图像及图表混合展示,非常适合数据预处理、建模和可视化工作。在Notebook中,开发者可以清晰地呈现每一步操作流程,使整个分析过程具有良好的可读性和复现性。 数据预处理是任何机器学习项目的关键步骤。在这个项目中,可能涉及清洗异常值、填充缺失值及特征工程等环节。例如,将时间戳转换为离散特征(如小时、日期和季节),或将航空公司和机场编码转化为哑变量。这些处理有助于提高模型对数据的理解能力。 选择合适的机器学习模型是另一个关键决策点。根据问题特性,可能会考虑使用线性回归、决策树、随机森林、支持向量机或神经网络等不同类型的算法。在训练过程中,会利用交叉验证来评估模型的泛化能力,并通过调整超参数优化模型性能。 模型的评估标准可能包括预测精度、召回率、F1分数及均方误差等指标。为了更好地理解模型的表现,还会进行特征重要性分析,找出影响航班延误的主要因素。 Predicting_Flight_Delays项目展示了如何将大数据与机器学习相结合来解决现实世界的问题。通过深入研究和理解这些数据,不仅可以预测未来的航班延误情况,还可以为航空公司提供改进运营的建议,从而减少延误并提升乘客体验。这不仅是对技术的应用,更是对社会问题的有效应对。
  • 优化模型与算法
    优质
    《航班延误的优化模型与算法》一文旨在通过构建数学模型和设计高效算法来减少航空运输中的航班延误问题,提高机场运营效率及乘客满意度。 针对航班延误问题,采用谱系聚类方法对20个机场进行分类,并分析中国航班延误的原因。研究发现,在终端区的飞机排序是影响空中交通管制的一个重要因素。在此基础上,我们改进了现有的先到先服务(FCFS)排序方式,通过考虑多个因素并建立模糊综合评价指标来进行优化。结合层次分析法和模糊综合评价方法对原有的FCFS进行调整,并选取预计到达时间、飞行速度以及飞行性质这三个关键变量,在Matlab软件中模拟处理10个航班的案例,证明了新模型的有效性。
  • 各州交通(2016-2023
    优质
    该数据集涵盖了从2016年至2023年间美国各州的交通事故记录,包含事故类型、发生时间与地点等详细信息。 数据按州分为不同的CSV文件,每个文件包含事故ID、事故时间、事故严重程度、事故地点、事故描述以及事故周边环境等相关信息。
  • .xls
    优质
    该文件包含中国各大航空公司近年来的详细航班信息,包括起飞降落时间、航线详情及客流量等数据,便于进行航空运输分析和研究。 该文档包含我国航班数据统计信息,涵盖了出发城市、出发时间、机场名称以及起降城市等内容,对于研究我国航班飞行情况具有重要的应用价值。
  • 上海浦东际机场预测模型研究
    优质
    本研究针对上海浦东国际机场航班延误问题,构建了基于大数据分析和机器学习算法的预测模型,旨在提高机场运营效率及服务质量。 中国枢纽机场航班延误预测建模——以上海浦东国际机场为例。