随着空中交通流量的增加,航班延误无法得到有效缓解一直是困扰国内外空中交通运输业的热点问题。由于复杂多样的航班延误形成原因,至今还难以找到可以解决航班大面积延误的合理方式方法。因此,缓解航班延误情况不仅需从根源入手降低延误可能性,更要在机场实施航班延误预测,对航班延误进行有效的评价,从而预先识别大规模延误事件的发生。但由于空中交通运输系统的复杂性、预测模型的多样性和航空系统中的大量数据,难以构建精确的航班延误预测模型。在此背景下,本文从数据科学角度出发,针对国内航班延误现状,尝试从机场离港延误时间序列数据本身分析,挖掘机场离港延误时间序列特性,并利用数据挖掘方法对机场离港延误等级进行预测。首先,本文针对机场离港延误时间进行研究,以一个时间段内该机场所有航班的延误情况及与延误相关的时序因素为对象,选用2016年广州白云机场所有航班飞行计划与航空例行天气报告(Meteorological Terminal Aviation Routine Weather Report,MEATR),提取飞行计划中的各类时间节点,定义机场离港延误相关指标并给出指标的计算公式,基于单航班指标,计算机场统计时段内所有航班的累积值;然后,基于整理数据选用动态时间规整方法(Dynamic Time Warping,DTW),分析机场离港延误时间序列的整体相似特性,在时序相似性度量的基础上,结合皮尔逊相关系数探究在延误水平相似情况下机场离港延误时间序列相关的其他时序因素,并利用K-means聚类算法研究机场离港延误时序特性;基于前文整理数据与筛选特征,制定三种机场离港延误等级划分方法,应用分类回归树(Classification And Regression Tree,CART)和BP神经网络(Back-Propagation Network)两种方法在不同延误等级划分方式下对样本数据进行预测;最后,通过对比三种分类方式及两种算法预测精度,得出有效的机场离港延误等级划分方式及预测算法,并验证本文整理数据方法的有效性。