精准的航班延误预测结果可以为大面积航班延误的预防提供巨大参考价值,随着近两年疫情的逐渐恢复,航班量的增加,航班延误问题也逐渐凸显。由于航班延误预测是在一个特定空间下的时间相关问题,本文因此以同时考虑时间和空间两个维度为目标,提出一种综合考虑了时空序列的Conv-LSTM航班延误预测方法,旨在通过神经网络算法对国内京津冀四个机场的航班数据进行延误预测,为空管局的相关部门提供辅助决策作用。论文的主要研究工作如下:首先,论文中根据国内京津冀四个机场的数据,采用数据处理与分析技术分别对航班数据和气象数据进行数据预处理操作,在详细介绍了两种数据的特征属性后,将两者以时间为关联主键进行融合,同时根据不同类型的特征属性提出了一种混合编码方式,有针对性地对连续型特征和离散型特征进行编码,最后根据神经网络的输入维度要求重新构建时序性数据集。其次,在长短时记忆网络（Long Short-Term Memory,LSTM）提取时间特征的基础上,提出一种基于Conv-LSTM网络的航班延误分类预测模型,该模型将网络的输入和权重矩阵进行卷积来同时提取空间特征,可以充分利用数据集中包含的时间维度和空间维度信息,得到更精确的预测结果。与单独使用LSTM和仅考虑空间信息的卷积神经网络（Convolutional Neural Networks,CNN）模型相比,Conv-LSTM模型的准确率可以分别提高0.65%和2.36%。最后,在分类预测的基础上,为了得到更精细化的预测结果,提出一种基于注意力的Conv-LSTM航班延误回归预测模型。回归模型相比分类模型可以得到预测的延误时间,为空管局提供更加具体的决策辅助。同时为了进一步提取特征,本文根据时间维度和空间维度在模型中的作用大小,在Conv-LSTM网络中的时序部分加入注意力机制模块,突出时序信息的有效性。通过京津冀四个机场的数据进行验证,回归模型误差降低了10.83%,分类模型准确率平均提高了0.61%,实验的最后还讨论了气象信息和重要网络参数等多个不同影响因素对预测结果的影响。