航班延误问题已经成为民航业关注的重点问题之一,终端区作为民航运输网络中的节点是航班延误的主要发生地,对终端区航班延误尤其是离场航班延误进行有效预测,对于缓解航班延误、提升民航航班服务水平和提高旅客对民航航班满意度有着重要的实际和理论意义。本文以终端区离场航班为研究对象,利用航班延误相关数据,运用统计分析的方法分析了终端区离场航班延误特征,设计了一种基于深度神经网络的终端区离场航班延误预测模型,为终端区离场航班延误分析和延误预测提供了理论和方法支持。主要研究内容如下:首先,通过对国内外研究学者关于航班延误及预测的研究进行整理和分析,发现国内外研究学者主要是利用机器学习和深度学习等数据挖掘方法,对航班信息和气象等数据进行挖掘来实现航班延误预测。其次,通过对比分析国内外民航主管部门关于航班延误的界定,给出本文关于离场航班延误的相关定义,通过整理相关数据分析得到影响航班延误的主要因素有气象因素、航空公司因素和空管因素,并总结归纳出航班延误预测的一般流程。随后,选定航班数据、气象数据、离场口数据和航段序号数据用于航班延误特征分析和航班延误预测研究,根据航班数据与气象数据之间的时间和空间上的关系设计并实现了数据融合算法。接着,对离场航班的延误特征进行分析,发现离场航班延误时间集中在90分钟以下,并且其整体符合指数分布,发现终端区离场航班延误的特征和航空公司、离场方向上的延误特征具有较强的相关性,对比分析了恶劣天气条件下的离场航班延误率、平均离场延误时间和总体延误率、总体平均延误时间的差异,发现在天气条件较为恶劣时离场航班延误率和平均延误时间较大,说明气象条件对离场航班延误影响较为重要。最后,提出了一种基于深度神经网络的离场航班延误预测模型。通过仿真实验对比含有不同隐藏层单元的模型的预测效果,结果表明随着隐藏层单元个数的增加,模型的预测效果并没有明显提升,但模型的时间复杂度却在不断增加;对比输入不同数据时的模型预测效果,结果表明随着航段序号和离场口数据的加入,模型的预测精度和在各个延误等级上的预测准确率有一定程度的提高,最终模型预测精度可以达到89.9%,表明了模型的可行性。