通过研究航班保障服务过程,实现航班保障服务时间的准确预测,进而提高航班的正常率。文中研究内容主要分成两部分,一部分是在分析保障服务过程的基础上,建立航班保障服务相应的数学模型;另一部分是在所建立模型的基础上实现对航班保障服务时间的准确预测。航班保障服务过程的研究是一个非常复杂的非线性问题,通过对实际过程的分析,提出了基于BP神经网络的建模方法,对网络模型的隐含层神经元节点个数以及网络各层间的连接权值进行优化,通过递进函数比选方法确定模型的激励函数,从而建立航班保障服务神经网络模型。一方面,在网络模型的基础上,引入改进的遗传算法来进行模型优化。遗传算法的改进主要体现在染色体结构、适应度函数、选择、交叉、变异算子以及交叉变异概率上。提出自适应多层遗传算法的BP神经网络(AMGA-BPNN)方法来实现对航班保障服务时间的静态预测。另一方面,针对BPNN算法收敛速度慢的问题,采用极限学习机(ELM)来进行优化。针对保障服务过程的动态性和非线性问题,引入了自反馈层和局部加权方法来进行改进,不仅简化了全局的复杂程度,而且提高了预测精度。提出动态递归局部加权极限学习机(DRLW-ELM)方法来实现对航班保障服务时间的动态预测。利用某枢纽机场实际航班保障服务数据,对模型方法进行验证,对比不同方法的预测结果。模型评价结果表明,DRLW-ELM算法对航班保障服务时间的预测精度最高。