航班到港延誤時長預測及特征分析

丁建立 楊錕

摘 要：為破除XGBoost模型的黑盒特性，增強模型的說服性，提出一種基于SHAP的可解釋性航班到港延誤時長預測模型。首先，對航班歷史數據、天氣數據進行融合，在融合數據的基礎上進行異常值處理，并利用遞歸特征消除方法進行特征選擇；其次，構建航班延誤時長預測模型，利用遺傳算法進行參數調優，并與目前常用的模型進行對比；最后，在航班延誤時長預測的基礎上結合SHAP模型，從總體特征和特征間的相互關系2個角度分析特征的重要程度。實驗結果表明，經過遺傳算法調優的XGBoost模型預測精度更高，其中MAE降低了8.94%，RMSE降低了19.85%，MAPE降低了6.15%，且其模型精度更高。因此，SHAP模型破除了XGBoost模型的黑盒特性，增強了模型的可解釋性，可為降低航班延誤時長提供技術支持。

關鍵詞：航空運輸管理；延誤預測；極限梯度提升；參數尋優；可解釋性；特征選擇

中圖分類號：TP183

文獻標識碼：A DOI：10.7535/hbkd.2023yx03005

收稿日期：2023-02-27；修回日期：2023-05-15；責任編輯：王淑霞

基金項目：國家自然科學民航聯合重點基金（U2233214，U2033205）

第一作者簡介：丁建立（1963—），男，河南洛陽人，教授，博士，ccf 會員（17170M），主要從事智能仿生算法、機器學習方面的研究。E-mail：jlding@cauc.edu.cn

Prediction and characteristic analysis of flight arrival delay

DING Jianli，YANG Kun

（Department of Computer Science and Technology， Civil Aviation University of China， Tianjin 300300， China）

Abstract：To break the black box feature of XGBoost model and enhance its persuasiveness， an interpretable flight delay prediction model based on SHAP was proposed. Firstly， based on the fusion of flight history data and weather data， outliers were processed and features were selected by recursive feature elimination method. Secondly， a flight delay duration prediction model was constructed， and genetic algorithm was used for parameter optimization， then it was compared with commonly used models at present. Finally， based on the prediction of flight delay duration and the SHAP model， the importance of features was analyzed from two perspectives： overall features and the interrelationships between the features. The experimental results show that the XGBoost model optimized by genetic algorithm has higher prediction， with a decrease of 8.94% in MAE， 19.85% in RMSE， and 6.15% in MAPE， with higher accuracy compared to other models. The SHAP model can break the black box characteristics of the XGBoost model and enhance its interpretability， which provides some support for reducing flight delay duration.

Keywords：air transport management; delay prediction; limit gradient lifting; parameter optimization; interpretation; feature selection

航班到港延誤是指航班實際降落時間比計劃降落時間延遲15 min以上的情況。2022年中國民航局發布的民航行業統計公報顯示，不正常航班服務投訴超過六成。航班到港延誤不僅僅是單點效應，當延誤航班數量過大時，還會對同個航班鏈中的后續其他航班造成影響。因此，利用航班數據、天氣數據對航班到港延誤時長進行預測，有助于機場人員及時優化航班的排班，減少航班延誤造成的影響。

高精準度的航班到港延誤時長預測一直是國內外學者研究的熱點。為提升模型預測精準度，研究人員主要從改進預測模型、提取有效特征、處理不平衡數據3個方面入手。常用的預測模型有樸素貝葉斯、支持向量機（SVM）、隨機森林等傳統模型^［1-5］。民航業數字化的發展促進了具有更高預測精度的復雜機器學習模型和深度學習模型在民航運輸領域中的應用。胡皓月^［6］采用大數據方法建立數據模型和預測模型并進行對比實驗，通過流式學習的計算模式，提高了模型預測的精度。王春政等^［7］提出基于Agent的機場網絡延誤模型，并適應性選用貝葉斯估計等算法建立參數模型。王丹等^［8］通過分析基分類器間區別和精準度的聯系，利用增量學習算法提高了模型學習新數據的速率和預測精度。復雜模型雖然具有高精度的優點，但其超參數過多且人工調參困難仍是目前研究者所面臨的問題。在提取有效特征方面，MOREIRA等^［9］分析影響航班延誤的因素，豐富了數據中的天氣特征。REBOLLO等^［10］提出能夠表征重要機場和線路的延遲狀態的網絡延遲變量，通過分析機場網絡延遲增添數據特征提升預測精度。SHI等^［11］通過灰色關聯分析提取與飛行相關的因素，提出了一種改進機器學習算法的延誤預測模型，并在操作效率、內存消耗和預測精準度方面進行了驗證。上述學者雖然增添了天氣特征、線路特征，卻忽略了對飛機起飛和降落具有重要影響的機場特征。不平衡數據會對航班延誤等級預測造成干擾，而過采樣技術可對數據進行平衡處理，進而提升模型預測精度^［12］。在航班延誤發生前對航班到港延誤時長進行預測，可通過優化過站時間^［13］、建立預警模型^［14］、最小化網絡總傳播延遲^［15］等有效手段降低航班延誤造成的影響。

預測模型的黑盒特性，阻礙了其在現實中的應用。近些年，學界開始關注解釋性模型，意圖通過解釋性模型來解釋復雜機器學習模型的預測過程^［16-17］。SHAP（shapley additive explanation）模型作為最新的解釋性模型，可以分析不同特征的貢獻程度^［18-19］。GUIMARAES等^［20］對中轉航班時旅客錯過登機的概率進行預測，并使用SHAP模型對其原因進行了分析。ZHANG等^［21］和LAMBELHO等^［22］使用SHAP模型對延誤預測模型進行解釋，但缺乏特征間共同影響對模型作用的分析和對單架航班不同特征貢獻的分析。

為提高航班延誤時長預測模型的可解釋性，本文提出一種基于SHAP的可解釋性航班到港延誤時長預測模型。

1 基于SHAP的可解釋性航班到港延誤時長整體架構

整體的架構如圖1所示。模型整體分為預測和解釋2部分，其中預測部分主要使用XGBoost模型進行航班延誤時長的預測利用遺傳算法對超參數進行調優。將SHAP模型與調參后的XGBoost預測模型相結合，對其影響預測結果的特征進行分析。詳細步驟如下。

1）分別對航班數據和天氣數據等進行預處理，并以機場、計劃離港時間等為鍵值對數據進行融合并利用遞歸特征消除算法進行特征選擇，最終生成數據集。將數據集70%劃分為訓練集，30%劃分為測試集。

2）構建基于遺傳算法調參的XGBoost航班延誤預測模型，對參數值進行編碼處理，選擇恰當的適應度函數，設定參數變異的概率，使用輪盤賭算法選擇更好的參數。

3）使用訓練集對模型進行訓練，在測試集上測試模型性能，使模型達到最優狀態。

4）將SHAP模型與訓練好的XGBoost模型融合，計算不同特征的SHAP值，進而就總體特征和特征間共同作用對模型的影響進行分析，并對單架航班中不同特征的影響進行分析。

2 基于SHAP的可解釋性航班到港延誤時長預測

2.1 數據處理和特征轉換

將航班數據和天氣數據以機場編號和時間為核心進行關聯生成數據集。由于數據集合并會產生大量特征缺失的數據，因此對特征值缺少20%以上的數據直接進行刪除處理，并將航班因維修等特殊原因造成延誤的數據刪除。將數據按機場進行分類，生成不同機場每小時的平均滑入時間和平均滑出時間，進而衡量機場擁堵情況。“是否取消”這一特征使用0表示航班未取消，對其缺失值以0進行填充。風速、干球溫度、相對濕度等天氣特征受月份影響較大，且對航班會產生較大影響，因此使用眾數值對其缺失值進行填充。當前序航班延誤時長過長時通常會取消該架飛機的后續航班，因此，對數據集中前序航班的延誤時間大于300 min的數據進行剔除。為使模型能夠處理非數字特征，本文采用Label Encoding法進行處理。例如將出發機場、目的機場轉換成數字特征，以方便模型處理。部分特征的箱型圖如圖2所示。

2.2 基于遞歸特征消除的特征選擇

過多的無關特征不僅會影響模型的訓練效果，而且會增加模型的訓練時間。因此，采用內核基于隨機森林的遞歸特征消除方法進行特征選擇。遞歸特征消除即多次利用數據進行訓練，每次訓練結束時，將平均絕對誤差作為特征篩選的原則，刪除特征重要性較低的特征，再根據新的特征，選取固定數量的特征。最終共選取17個特征，如表1所示。選取部分特征進行預測的結果相較于使用全部特征進行預測的結果的平均絕對誤差下降值如圖3表示。

2.3 XGBoost的延誤時長預測

XGBoost是一種boosting集成學習模型，經常被用在一些比賽中，且效果顯著。其目標函數如式（1）所示：

式中：G_j=∑_i∈Ijg_i；H_j=∑_i∈Ijh_i，I_j={i|q（x_i）=j}；I_j表示第j個葉子節點的集合，g_i和h_i分別表示以第i個樣本進行分割中損失函數的一階導數和二階導數，T代表當前的第t棵樹模型的葉子結點數量，G_j表示葉子結點j所包含樣本的一階偏導數累加之和，H_j表示葉子節點j所包含樣本的二階偏導數累加之和，λ為設定的參數。在確定分裂前目標函數見式（2），分裂后的目標函數見式（3），分裂的收益表示見式（4）。

就XGBoost如何進行航班到港延誤時長預測訓練進行分析，以隨機選取的計劃飛行時間、前序航班延誤時間、機場平均延誤時間3個特征說明基學習器的形成過程，并將樹的深度限定為2，W_i表示不同葉子節點對應預測值。XGBoost模型中基處理器結構如圖4所示，模型首先對飛行時間特征進行排序，并以相鄰飛行時間特征值的平均值作為分裂點，對所有分裂點計算分裂的收益值P_gain，選擇分裂收益最大的240 min分裂點進行分裂。對所有非葉子節點按前序航班延誤時間、機場平均時間特征重復上述操作進行分裂，直到達到規定的樹深度，一個基學習器構造完成。

集成學習是一種技術框架，將多個基學習器預測結果加和，最終得到模型的預測結果。結果如表2所示，其中A，B，…，N分別代表不同基學習器的預測結果。

2.4 遺傳算法優化參數

利用遺傳算法尋找最優參數，解決了由人工調參的復雜性而導致的易陷入局部最優解的問題。以尋找樹的最優最大深度為例，通過遺傳算法尋找最優參數的步驟如下。

1）編碼 對需要調整的參數進行編碼，采用二進制編碼。對于難以用二進制表達的連續變量進行離散化。對于取值范圍較小的參數，如決策樹的最大深度可直接使用3個二進制位進行二進制編碼，最大深度搜索空間通常在（2，9）共8種取值，如圖5所示。

2）初始化 隨機選取M個可行解構成一個初始化種群，并將航班到港延誤時長的平均絕對誤差定義為適應度函數。根據適應度的評價，對個體進行計算和選擇，防止種群退化。

3）選擇 選擇輪盤賭算法，求得不同染色體與群染色體適應度比值，隨機選擇，比值較高的染色體進入下一輪選擇。輪盤賭選擇法可用如下過程模擬實現：

計算出群體中每個個體的適應度f（x_i=1，2，…，N），N為群體大小；計算不同染色體的適應度與種群適應度之和的比值，如式（5）所示：

在［0，1］區間內產生1個均勻分布的偽隨機數r；

若r1），則選擇個體1，否則，選擇個體k，使得p（x_k-1）k）成立。

重復步驟4）和步驟5），共N次。

4）交叉 采用2點交叉方法，在相對應的染色體中，隨機選擇2個交叉點，交換2個個體對應部分，從而完成交叉。

5）變異 設定變異率（變異概率設置為0.01），以一定概率更改染色體中1個二進制位。

6）輸出 算法運行至最大迭代次數時，輸出最優個體值。多次運行取最優結果建立XGBoost模型。

2.5 SHAP模型的可解釋性

SHAP屬于模型事后解釋的方法，可以對復雜機器學習模型進行解釋。SHAP值的主要思想是Shapley值，其來自合作博弈論（coalitional game theory）方法。在進行局部解釋時，SHAP的核心是計算每個特征變量的Shapley值。Shapley值能夠公平地將貢獻分給訓練模型的不同特征，從而得到整體樣本的特征重要性排序和不同特征對不同樣本的貢獻。Shapley值的計算方法，見式（6）。

3 實驗結果與分析

3.1 數據來源

航班數據來源于美國交通運輸統計局，選取的數據為2022年全年38個機場的歷史航班數據，其中主要包含航班號、計劃飛行時間、飛機尾部編號、起飛機場、目的機場等共64維數據。以每小時的機場平均滑入時間、機場平均滑出時間來表示機場擁堵數據。天氣數據來源于美國海洋和大氣管理局，選取的數據為2022年全年天氣數據，主要包含干球溫度、露點溫度、風速、風向等共22維特征。

3.2 模型尋優結果

XGBoost參數眾多，無需對所有參數進行調優，只需要對常用參數進調整，本文選取4個常被調整的超參數進行調優，各參數調整范n_estimators［0，1 500］，learning_rate［0.1，0.64］，max_depth［2，9］，subsample［0，1.5］。由于使用二進制對超參數進行編碼，因此需要對連續變量的超參數進行離散化，對決策樹數量、學習率、樣本采樣率分別以10，0.01，0.1的倍數進行調整。使用遺傳算法以MAE作為適應度函數進行全局最優參數搜索，在迭代45輪后找到最優解，最終得到一組最優參數［1 165，0.15，8，0.8］（見圖6）。

表3展示了遺傳算法優化后的模型精度。相較于未進行遺傳算法調優的模型，其MAE，RMSE，MAPE分別提升了8.94%，19.85%，6.15%。使用遺傳算法調優后，模型的精度和穩定性進一步得到了提升。與目前常見的XGBBoost參數優化模型貝葉斯優化進行對比，經過遺傳算法優化的XGBoost模型在3個指標下表現最好。

3.3 不同模型間對比分析

將XGBoost與GDBT，Random Forest，LightGBM，BP神經網絡，RNN，BiLSTM模型對比，驗證模型精度，結果如表4所示。其中LightGBM，XGBoost，BiLSTM模型相較于GBDT，Random Forest，BP神經網絡模型表現明顯優異，而XGBoost模型與LightGBM模型的MAE，RMSE指標接近，經計算可知，其在MAPE方面提升了6.5%，模型更加穩定。在RMSE評價指標下，BiLSTM模型相較于其他模型表現最為優異，但XGBoost模型相較于BiLSTM模型在MAE評價指標下提升了5.34%。綜上，XGBoost模型在3個評價指標下對延誤預測能達到最好擬合狀態。

3.4 基于SHAP的可解釋性分析

3.4.1 基于SHAP的總體特征重要性分析

圖7整體展示了所有樣本不同特征對SHAP值的影響，左側為重要性排名前10的特征名稱，右側表示不同特征取值大小情況。其中顏色越趨向紅色，特征值越大；顏色越趨向藍色，特征值越小。圖7中橫坐標以0為分割線，大于0的樣本表示對模型的預測起到正向作用，即會增加航班到港延誤時長預測的影響;小于0的樣本表示對模型的預測起到負向作用，即會降低航班到港延誤時長預測的影響。

由圖7可知，影響航班到港延誤時長最為重要的因素為離港時間，而其他時間因素中的航班計劃執行時間也較為重要。前序航班延誤時長的影響位列第2，且前序航班延誤時長越大越會加大航班到港延誤的時長。從機場擁堵情況來說，機場平均滑出時間對航班到港延誤時長的影響要大于機場平均滑入時間，其原因可能是從經濟方面考慮在不違背航班運行時刻表的情況下，塔臺會優先讓進港航班使用跑道，而使離港航班在地面等待。天氣也會造成航班的延誤，其中離港機場壓力變化趨勢、離港機場相對濕度、離港機場風向、離港機場降水量的影響較大，而其他天氣變量的影響程度較小。

3.4.2 基于SHAP的特征共同影響分析

1）離港時間與機場平均滑出時間的影響

離港時間與機場平均滑出時間對航班到港延誤時長的影響如圖8所示。6∶00到12∶00會加大對于到港延誤時間的預測值，8∶30到10∶00時間內紅色點明顯較多，說明此段時間間隔內機場平均滑出時間較大且影響較大。12∶00到17∶00時間間隔內，會先增加航班到港延誤預測時長然后減少其預測值。17∶00到23∶00時間間隔內，又會加大航班到港延誤時長預測值，且17∶00到21∶00時間段中，機場平均滑出時間影響占比上升，而在23∶00以后，紅色明顯減少，說明此時機場平均滑出時間對預測值影響下降。綜上，針對3個時間段內由于機場平均滑出時間較大而造成的航班到港延誤，航空公司應該優化航班排班，盡量降低離港時間和機場平均滑出時間對航班造成的影響。

2）計劃飛行時間與距離的影響

航班計劃飛行時間與距離對于航班到港延誤時長的影響為非線性影響。如圖9所示，飛行距離越長航班計劃飛行時間也越長。由圖9可知，當航班計劃飛行時間在200 min內時，SHAP值大于0的點比小于0的點明顯多，因此會加大航班到港延誤時長的預測值。而當航班計劃飛行時間大于200 min時，SHAP值大于0和小于0的數量大致相等，航班計劃飛行時間對于航班到港延誤時長的影響降低。當飛行時間較短時，航空公司基于時間成本和經濟成本考慮，通常不會設定過長的緩沖時間，且基于舒適性的考慮，飛行員也很難在較短時間內采取措施降低航班延誤時長。而對于計劃飛行時間大于200 min的航班，由于計劃飛行時間較長，航空公司通常會設定較大的吸收航班延誤的緩沖時間，并且在較長的飛行時間內，駕駛員容易在保證乘客舒適性的情況下通過調整飛行速度對延誤進行吸收。

3）離港延誤與前序航班延誤的影響

圖10展示了前序航班延誤時長（PRIOR_ARR_DELAY）和離港延誤時長對航班到港延誤的影響效果。離港延誤與前序航班延誤時長關系較為密切，當離港延誤時長大于40 min時，其會明顯加大對于延誤時長的預測值，并且由前序航班延誤造成的離港延誤所占比例明顯上升。其中當航班離港延誤時長小于40 min時，由前序航班延誤引起的離港延誤所占比重較低，且當離港延誤小于0 min時，不會增加對航班到港延誤時長的預測值。

3.4.3 基于SHAP的單架航班到港延誤因素分析

圖11為不同特征對單個航班的影響。其中，機場平均滑出時間和離港延誤時間對模型結果影響最大。SHAP對單個樣本進行分析時，左向箭頭與藍色代表降低航班到港延誤時長預測值。右向箭頭與紅色代表增加航班到港延誤時長的預測值，且寬度越寬對結果的影響越大。基于已經訓練好的XGBoost模型，采用SHAP模型對2022-02-19從紐瓦克自由國際機場飛往克利夫蘭霍普金國際機場的航班進行分析，預測的該架航班到港延誤時間為59 min，而實際延誤時間為63 min，誤差為4 min。離港延誤主要受前序航班延誤時間和機場平均滑出時間影響，而圖11表明前序航班延誤時間對此次航班影響較小，因此，此次航班延誤的主要原因是機場擁堵引起的機場平均滑出時間較大導致飛機無法按時離港。美國交通運輸統計局對此架航班的延誤分析表明，國家空域系統（NAS）控制造成29 min延誤，承運公司控制造成34 min延誤，航空公司和空域控制共同造成離港機場擁堵，增加了紐瓦克自由國際機場的機場平均滑出時間。

4 結 語

為破除預測模型的黑盒特性，本文提出了基于SHAP的可解釋性航班到港延誤時長預測模型。首先，構造了基于遺傳算法優化的XGBoost航班到港延誤時長預測，通過使用遞歸特征消除方法進行特征選擇，降低無關特征對模型精度的影響，并使用遺傳算法對XGBoost模型進行超參數尋優，進一步提升了模型的預測精度。最后，利用解釋性SHAP模型對訓練好的XGBoost模型進行解釋，就整體特征和特征間共同作用對預測結果的影響進行了分析，并對單架航班到港延誤時長的影響因素進行闡釋，以期為降低航班延誤時長提供解決思路。

本文并未考慮到機場是否有軍事管制、突發性機場封閉等特情信息，這些特征可能會對模型預測精度產生影響。

在應用方法，也僅對航班延誤預測的可解釋性進行了分析、而將分析結果運用到航班計劃設計環節所涉及到的問題還需要進一步的研究。

參考文獻/References：

［1］ 徐濤，丁建立，顧彬，等.基于增量式排列支持向量機的機場航班延誤預警［J］.航空學報，2009，30（7）：1256-1263.

XU Tao，DING Jianli，GU Bin，et al.Forecast warning level of flight delays based on incremental ranking support vector machine［J］.Acta Aeronautica et Astronautica Sinica，2009，30（7）：1256-1263.

［2］ 李頻.基于灰色動態馬爾科夫的航班延誤預測［J］.上海工程技術大學學報，2014，28（4）：333-336.

LI Pin.Flight delays prediction based on grey dynamic markov［J］.Journal of Shanghai University of Engineering Science，2014，28（4）：333-336.

［3］ AHMADBEYGI S，COHN A，GUAN Yihan，et al.Analysis of the potential for delay propagation in passenger airline networks［J］.Journal of Air Transport Management，2008，14（5）：221-236.

［4］ 何洋，朱金福，周秦炎.基于支持向量機回歸的機場航班延誤預測［J］.中國民航大學學報，2018，36（1）：30-36.

HE Yang，ZHU Jinfu，ZHOU Qinyan.Airport flight delay prediction based on SVM regression［J］.Journal of Civil Aviation University of China，2018，36（1）：30-36.

［5］ 程華，李艷梅，羅謙，等.基于C4.5決策樹方法的到港航班延誤預測問題研究［J］.系統工程理論與實踐，2014，34（sup1）：239-247.

CHENG Hua，LI Yanmei，LUO Qian，et al.Study on flight delay with C4.5 decision tree based prediction method［J］.Systems Engineering-Theory & Practice，2014，34（sup1）：239-247.

［6］ 胡皓月.航班延誤預測的大數據方法研究［D］.南京：南京航空航天大學，2017.

HU Haoyue.Research on Prediction of Flights Delay Based on Big Data Methods［D］.Nanjing：Nanjing University of Aeronautics and Astronautics，2017.

［7］ 王春政，胡明華，楊磊，等.基于Agent模型的機場網絡延誤預測［J］.航空學報，2021，42（7）：445-458.

WANG Chunzheng，HU Minghua，YANG Lei，et al.Airport network delay prediction based on Agent model［J］.Acta Aeronautica et Astronautica Sinica，2021，42（7）：445-458.

［8］ 王丹，王萌，王曉曦，等.用于航班延誤預測的集成式增量學習算法［J］.北京工業大學學報，2020，46（11）：1239-1245.

WANG Dan，WANG Meng，WANG Xiaoxi，et al.Ensemble of incremental learning algorithm for flight delay prediction［J］.Journal of Beijing University of Technology，2020，46（11）：1239-1245.

［9］ MOREIRA L，DANTAS C，OLIVEIRA L，et al.On evaluating data preprocessing methods for machine learning models for flight delays［C］//2018 International Joint Conference on Neural Networks （IJCNN）.Rio de Janeiro：IEEE，2018：1-8.

［10］REBOLLO J J，BALAKRISHNAN H.Characterization and prediction of air traffic delays［J］.Transportation Research Part C：Emerging Technologies，2014，44：231-241.

［11］SHI Tongyu，LAI Jinghan，GU Runping，et al.An improved artificial neural network model for flights delay prediction［J］.International Journal of Pattern Recognition and Artificial Intelligence，2021，35（8）.DOI： 10.1142/S0218001421590278.

［12］HENRIQUES R，FEITEIRA I.Predictive modelling：Flight delays and associated factors，hartsfield-Jackson Atlanta international airport［J］.Procedia Computer Science，2018，138：638-645.

［13］高強，周覃，陳欣.基于波及延誤的航班過站松弛時間重分配［J］.華南理工大學學報（自然科學版），2019，47（10）：151-156.

GAO Qiang，ZHOU Qin，CHEN Xin.Redistribution method for slack time of flight based on propagated delay［J］.Journal of South China University of Technology（Natural Science Edition），2019，47（10）：151-156.

［14］羅鳳娥，張成偉，劉安.基于數據挖掘的航班延誤預警管理分析［J］.計算機科學，2016，43（z1）：542-546.

LUO Fenge，ZHANG Chengwei，LIU An.Flight delays early warning management and analysis based on data mining［J］.Computer Science，2016，43（z1）：542-546.

［15］DUNBAR M，FROYLAND G，WU C L.Robust airline schedule planning：Minimizing propagated delay in an integrated routing and crewing framework［J］.Transportation Science，2012，46（2）：204-216.

［16］胡新宇，陳翔，夏鴻崚，等.移動App即時缺陷預測模型的可解釋性方法［J］.計算機應用研究，2022，39（7）：2104-2108.

HU Xinyu，CHEN Xiang，XIA Hongleng，et al.Interpretable method of just-in-time defect prediction model for mobile App［J］.Application Research of Computers，2022，39（7）：2104-2108.

［17］成浩，喻澤成，余波.物理規律監督的RC柱地震破壞模式可解釋機器學習方法［EB/OL］.建筑結構學報. ［2023-02-21］.https：//doi.org/10.14006/j.jzjgxb.2022.0370.

CHENG Hao，YU Zecheng，YU Bo.A physics-supervised interpretable machine learning approach for seismic failure modes prediction of RC columns［EB/OL］.Journal of Building Structures. ［2023-02-21］. https：//doi.org/10.14006/j.jzjgxb.2022.0370.

［18］廖彬，王志寧，李敏，等.融合XGBoost與SHAP模型的足球運動員身價預測及特征分析方法［J］.計算機科學，2022，49（12）：195-204.

LIAO Bin，WANG Zhining，LI Min，et al.Integrating XGBoost and SHAP model for football player value prediction and characteristic analysis［J］.Computer Science，2022，49（12）：195-204.

［19］JABEUR S B，MEFTEH-WALI S，VIVIANI J L.Forecasting gold price with the XGBoost algorithm and SHAP interaction values［J］.Annals of Operations Research，2021.DOI：10.1007/s10479-021-04187-w.

［20］GUIMARAES M，SOARES C，VENTURA R.Decision support models for predicting and explaining airport passenger connectivity from data［J］.IEEE Transactions on Intelligent Transportation Systems，2022， 23（9）：16005-16015.

［21］ZHANG Bo，MA Dandan.Flight delay prediciton at an airport using maching learning［C］//2020 5th International Conference on Electromechanical Control Technology and Transportation （ICECTT），Nanchang：IEEE， 2020：557-560.

［22］LAMBELHO M，MITICI M，PICKUP S，et al.Assessing strategic flight schedules at an airport using machine learning-based flight delay and cancellation predictions［J］.Journal of Air Transport Management， 2020，82.DOI： 10.1016/j.jairtraman.2019.101737.