Integrated Brazilian Flight Dataset (BFD)

Integrated Brazilian Flight Dataset (BFD) 是由巴西联邦技术教育中心/里约热内卢创建的综合性数据集，包含了2000年至2019年间巴西机场出发和到达的航班数据，总计15,505,922条记录，每条记录包含45个属性。数据集内容涵盖航空公司、航班、机场、气象条件、预定和实际出发及到达时间等信息。创建过程中，数据集整合了来自ANAC的VRA数据和IOWA大学的ASOS气象数据，并通过数据清洗和预处理技术提高了数据质量。BFD主要应用于研究巴西商业航空系统，特别是航班延误和时间表问题，旨在通过数据分析优化航空决策过程。

The Integrated Brazilian Flight Dataset (BFD) was created by the Federal Center for Technological Education of Rio de Janeiro, Brazil. It contains flight data for departures and arrivals at Brazilian airports between 2000 and 2019, with a total of 15,505,922 records, each including 45 attributes. The dataset covers information such as airlines, flights, airports, meteorological conditions, scheduled and actual departure and arrival times, and other relevant details. During its creation, the dataset integrates VRA data from ANAC and ASOS meteorological data from the University of Iowa, and improves data quality through data cleaning and preprocessing techniques. BFD is primarily used for research on Brazil's commercial aviation system, particularly flight delays and timetable issues, aiming to optimize aviation decision-making processes via data analysis.

搜集汇总

数据集介绍

构建方式

巴西商业航空系统在拉丁美洲位列第一，全球排名第十五，其航班数据的系统化整合对于研究航班延误与时刻优化至关重要。Integrated Brazilian Flight Dataset (BFD) 的构建基于巴西国家民航局（ANAC）的VRA数据集，涵盖2000年至2019年间所有进出巴西机场的航班记录，并融合了来自美国爱荷华州立大学ASOS系统的气象数据。数据构建过程遵循经典的ETL流程：首先进行数据预处理，包括属性翻译、缺失值剔除、异常时间记录（如出发时间晚于到达）与超出24小时延误的过滤，以及基于四分位距的离群点移除，共清除约21.07%的原始记录；其次进行数据丰富，将时间属性离散化为七个时段，并引入基于蒲福风级的风速与十六方位风向；最后通过数据融合，按小时对齐航班与气象数据，并补充航空公司、机场名称及延误原因代码的详细描述，最终生成包含15,505,922条记录、45个属性的综合数据集。

特点

BFD数据集的核心特点在于其多维度的整合性与高质量的数据清洗。它将航班运行信息与气象条件无缝关联，覆盖巴西境内154个机场，同时包含国内与国际航班，为分析天气对航班延误的影响提供了独特视角。数据集不仅保留了原始VRA中的航班号、起降时间、航班状态等关键属性，还通过丰富步骤添加了离散化的时段特征与精细化的风场指标，增强了数据对模式挖掘的适用性。此外，BFD严格遵循ANAC规范，剔除了约21%的不一致记录，并通过统计方法移除离群点，确保了数据的可靠性与一致性。其时间跨度长达二十年，覆盖巴西航空市场从2005年放松管制到后续发展的全周期，使得长期趋势分析与季节性模式研究成为可能。

使用方法

BFD数据集适用于巴西商业航空系统的多维度分析与预测研究。研究者可通过航班延误分类模型，利用气象条件、时段离散特征与历史延误数据预测延误发生概率，已有研究显示模型命中率可达约60%。数据集支持关联规则挖掘，用于揭示延误在机场网络中的传播模式，例如在恶劣天气下延误发生率可增加216%。用户可通过R脚本访问IEEE DataPort上的完整数据集，灵活选取特定年份、机场或航空公司进行聚焦分析。数据模型将出发与到达属性分离，便于分别研究起飞延误与到达延误的恢复能力。此外，BFD还可用于回答运营层面的问题，如哪些机场或月份延误最频繁、一天中何时段延误风险最高，从而辅助航空公司与政府优化调度策略与服务质量。

背景与挑战

背景概述

巴西商业航空系统在拉丁美洲居于领先地位，全球收入客公里排名第十五位，其复杂的航线网络与日益增长的客运需求催生了对于航班数据深度分析的需求。2021年，由巴西塞费特-里约联邦理工学院（CEFET/RJ）的Claudio Teixeira等研究人员构建的集成巴西航班数据集（BFD）正式发布，该数据集整合了2000年至2019年间巴西国家民航局（ANAC）的航班记录与艾奥瓦州立大学提供的自动地面观测系统（ASOS）气象数据，涵盖超过1550万条记录和45个属性。BFD的核心研究问题聚焦于航班延误模式分析、延误预测及航空系统优化，显著推动了巴西航空领域的数据驱动研究，为理解区域枢纽网络运行规律、季节性延误特征及气象条件对航班准点率的影响提供了关键数据基础。

当前挑战

BFD面临多重挑战。首先，在领域问题层面，航班延误的复杂成因（如天气、运营中断及延误传播）使得精准预测成为难题，现有模型准确率仅约60%，且不同机场的延误恢复能力差异显著，需更细粒度的因果分析。其次，数据构建过程中，原始VRA数据集约21%的记录因手工填写错误（如起飞时间晚于到达、延误超24小时）被剔除，2.76%的离群值经四分位距法过滤，数据清洗与异常检测的平衡性考验着数据质量。此外，气象数据与航班数据的时间粒度不匹配（小时级气象数据对应分钟级航班事件），融合时需按小时分组，可能掩盖短时天气突变的影响。最后，数据集年度更新机制尚未完善，2014年6-7月及2018年3月的数据缺失，长期维护的可持续性仍需保障。

常用场景

经典使用场景

Integrated Brazilian Flight Dataset (BFD) 作为巴西商业航空领域的核心数据资源，广泛用于航班延误模式分析与预测研究。该数据集整合了2000至2019年间超过1500万条航班记录，并融合了气象观测数据，为探究航班延误的时空分布特征提供了坚实基础。研究者常利用BFD中的起降时间、延误时长、机场属性及气象条件等45维特征，构建分类或回归模型以预测延误概率与程度，从而揭示巴西航空系统中延误发生的规律与诱因。

解决学术问题

BFD 有效解决了巴西航空研究中数据碎片化与气象信息缺失的核心问题。通过融合ANAC的航班运行数据与ASOS的气象观测数据，该数据集首次为学术社区提供了长时序、多维度、高覆盖的航班延误分析基础。研究者借此能够系统性地探究延误传播机制、机场恢复能力以及季节性波动对航班准点率的影响，填补了拉丁美洲航空运输研究中数据驱动的定量分析空白，推动了运输工程与数据科学交叉领域的发展。

衍生相关工作

基于BFD，衍生出一系列经典工作。Moreira等利用该数据集构建了航班延误分类模型，在2009至2015年数据上达到约60%的预测准确率，验证了数据预处理对模型性能的关键影响。Sternberg等则结合数据索引技术与关联规则挖掘，揭示了巴西航空系统在恶劣气象条件下延误传播加剧的现象，发现延误发生率可提升至216%。这些工作不仅深化了对延误传播机制的理解，也为后续基于图神经网络与时空序列模型的延误预测研究奠定了数据基础。