随着民航运输业的飞速发展,使用深度学习算法来探索民航领域相关问题已经得到了一定的普及。在航班延误问题的探索过程中,传统的深度神经网络存在准确率低、计算量和参数量大的问题,且面对旅客主要使用移动设备查询的需求,传统算法难以直接部署在移动端。基于此,本文提出一种基于轻量化神经网络的方法进行航班延误预测,即可以通过高效智能的算法发掘海量数据的内在价值,又可以有效降低模型的计算复杂度。为模型直接部署到移动端而不受网络和硬件设备的限制提供有力的基础。论文主要研究工作如下:首先,对融合气象信息和航班信息的数据集进行数据预处理。本文在介绍了数据集的数据属性含义后,梳理了数据预处理的流程,包括数据清洗、数据融合、数据编码和数据矩阵化。在数据编码部分,考虑数据集具有数据量大、数据类型复杂的特点,本文提出一种Min-Max编码和CatBoost编码相混合的编码方式,相较于其他编码方式可获取到数据更多的有效信息。然后,提出一种基于轻量化网络MobileNetV2的航班延误预测方法。相较于传统的深度学习算法,MobileNetV2算法采用深度可分离卷积这种新的卷积方式提取特征,同时加入倒残差结构来更好的捕捉特征。该模型在保障准确率的同时有效降低了模型的参数量和计算量。在单机场和机场群数据集实验验证中,准确率最高为99.07%,模型参数量为1.31Million、计算量为40.58Million。最后,提出一种基于轻量化网络ECA-MobileNetV3的航班延误预测模型。在研究过程中发现该算法中的SE注意力机制是运用两层全连接层配合激活函数来进行通道权重的获取,这种方式增加了一定的参数量。虽然SE模块中使用了降维的操作,但是降维操作又会损失一定的特征重要性。所以经过综合考虑,本文将SE模块替换为轻量化的ECA注意力机制,使改进后的模型可以利用局部跨通道策略和一维卷积进行特征的重标定。在实验验证部分,基于不同的数据集,分析了算法改进前后的模型参数量、计算量和准确率。与MobileNetV3算法相比,基于ECA-MobileNetV3的延误预测模型准确率最高为98.90%,模型参数量为0.55Million、计算量为53.76Million。验证了模型在几乎不损失准确率的情况下,降低了模型的复杂度,进一步证明了改进后的航班延误预测模型的优势。