航班延误的问题在许多国家地区普遍存在。伴随着航空事业的飞速发展,航班数量越来越多,延误的比例却越来越高。传统的航班延误预测方法大多基于建模仿真。随着数据量和数据类型的增多,建立对应的高精度高效率的模型越来越难,而以人工智能为理论依据的机器学习方法能解决这个问题。基于机器学习方法的延误预测分为离线预测和在线预测,本文重点研究难度更高的在线分类预测。传统的分类器只能处理静态的数据,深度神经网络虽然能够实时更新模型,但处理密集数值特征数据时效率低下且易产生过拟合,而梯度提升决策树虽然弥补了深度神经网络的不足,却不能高效处理稀疏类特征数据和更新模型。针对以上问题,提出了基于深度信念网络和多变量决策树的航班延误在线预测模型。首先,用神经网络概率模型模拟缺失值,再将稀疏类特征数据和密集数值特征数据分离;其次,使用深度信念网络提取稀疏数据的特征,并将最后几层用于分类;再次,采用实例加权多变量决策树处理密集数据,并通过知识蒸馏把它转换成神经网络;最后,整合各部分模型。模型中用的加权决策树和神经网络都是可微的,因而可以实现在线更新。在5组Flight数据集上进行离线实验和在线实验,以分类结果的AUC值作为评估指标,实验表明:该模型的AUC值比基线模型提高了20%,比Deep FM、PNN、Wide＆Deep等模型方法提高了3%。