人工智能等技术的发展虽然为解决航班延误提供了新思路,但是因为航空系统的数据信息涉及机密,对他们各种计划制定都有着重要影响,数据高度敏感,各方之间数据难以共享,这给应用人工智能技术解决航班延误问题带来了巨大的挑战。因此,在隐私保护的前提下进行延误预测模型的建立显得愈发重要。根据现有的研究情况和存在的问题,本文进行了如下研究:针对现有的航班延误预测方法中未考虑多数据源与数据隐私问题,以及训练过程中中间参数的泄露问题,提出一种基于横向联邦学习的隐私保护航班延误预测模型。通过将横向联邦与机器学习中的方法融合,使训练数据可以保留在本地,无需上传共享即可完成模型在本地的训练,同时对于训练过程中中间参数泄露导致的原始数据间接泄露问题,采用同态加密技术对来回传输的参数进行加密操作,做到在双重保护数据隐私的前提下,对航班延误情况进行预测。实验结果表明,用联邦建模和同态加密的方法参与端可以在不共享数据的情况下达到与传统的方法相似的准确率,为优化民航业务提供了切实可用的方案。针对机场与机场之间、机场与航空公司之间难以共享数据而造成的样本数量不足和特征维度不丰富产生的预测准确率低问题,以及联邦学习训练过程中存在的频繁通信造成的训练效率低下问题,提出一种基于横纵向联合的高效联邦学习航班延误预测模型。通过结合横向与纵向联邦学习方法,使得不同类型机构之间也可以在本地进行模型训练,同时增加两个训练控制参数B和S,对建模过程中的数据量大小和本地迭代次数进行控制和调节,达到保护数据安全和提高训练效率的效果。实验结果表明,用横纵向联合的联邦建模的方法能提高预测模型的准确率,且优化后的联邦算法可以在更少的通信轮次上达到期望的预测性能,显著提高训练效率,并且能最大限度地保护各方隐私,解决民航中数据隐私安全导致的数据孤岛难题。