US_flight-delay-2024

US Flight Delay 2024 是一个关于美国航班延误的表格回归数据集，来源于Kaggle的2024年航班数据。数据集包含100,000个样本和35个特征列，目标变量为arr_delay（到达延误分钟数，正值表示延误，负值表示提前）。数据经过清洗，移除了取消航班、缺失值和极端异常值（延误时间低于-100或高于+300分钟）。关键发现包括：航班起飞延误与到达延误高度相关（0.90）、延误在一天中逐渐累积并在晚间达到高峰、佛罗里达机场平均延误最高。数据集适用于航班延误预测、航空运营分析等机器学习任务，包含航班时刻表、出发表现和运营指标等特征。

原始信息汇总

数据集概述：U.S. Flight Delay Dataset — 2024

基本信息

• 数据集名称：U.S. Flight Delay Dataset — 2024
• 语言：英语
• 许可证：MIT
• 任务类别：表格回归
• 规模：100,000 行样本，35 列
• 标签：航空、航班、延误、机器学习

数据来源与目标

• 来源：Kaggle — Flight Data 2024
• 目标变量：arr_delay（到达延误分钟数，正值为晚点，负值为提前）
• 目标：基于计划时间、起飞表现和运营指标预测航班到达延误分钟数。

数据清洗

• 移除已取消的航班（cancelled == 0），因其无到达时间。
• 移除 arr_delay 值缺失的行。
• 移除极端异常值：延误低于 -100 分钟或高于 +300 分钟（少于 0.3% 的数据）。
• 未发现重复行。

关键发现

• 晚点起飞的航班通常晚点到达（相关性为 0.90）。
• 延误在一天中逐渐累积，并在傍晚时段达到峰值。
• 佛罗里达州的机场在样本中显示出最高的平均延误。
• 距离和飞行时间与延误几乎无关。
• 区域性和优质航空公司的平均表现更好。

目标变量详情

• 变量名：arr_delay
• 含义：代表航班计划到达时间与实际到达时间之间的分钟数差异。
• 正值：航班晚点到达。
• 负值：航班提前到达。
• 零值：航班准时到达。
• 任务类型：回归任务。

研究问题与洞察

Q1: 哪些航空公司的平均到达延误最高？

• 洞察：B6（JetBlue）和 NK（Spirit）的平均延误最高（约晚点 9-6 分钟）。YX（Republic Airways）、9E（Delta 旗下区域航空公司）和 DL（Delta）通常提前到达。预算和低成本航空公司往往比区域性航空公司更晚点。

Q2: 一天中的时间是否影响到达延误？

• 洞察：清晨航班（5-6 点）由于机场拥堵程度低，显著提前到达。延误在一天中逐渐累积，并在晚上 7 点左右达到峰值。这证实了延误会随着时间推移而累积。

Q3: 哪些出发机场的平均到达延误最高？

• 洞察：佛罗里达州的机场（MIA, MCO）最容易延误，可能由于大量旅游客流和频繁雷暴。MSP、BOS 和 ATL 的平均表现通常更好。
• 交互式地图链接：https://huggingface.co/spaces/avihayamor/flight-delay-map-2024

Q4: 数值特征与到达延误的相关性如何？

• 洞察：dep_delay 与 arr_delay 的相关性为 0.90，是最强的预测因子。carrier_delay（0.61）和 late_aircraft_delay（0.63）也有显著贡献。distance 和 air_time 与延误的相关性几乎为零。

文件列表

• flight_data_2024_sample.csv — 100,000 个航班的清洗后样本。
• Assignment_1_EDA_&_Dataset_Avihay_Amor.ipynb — 完整的探索性数据分析笔记本。
• q1_airlines.png — 条形图：按航空公司划分的平均延误。
• q2_time_of_day.png — 条形图：按小时划分的平均延误。
• q3_map.html — 交互式地图：按出发机场划分的延误。
• q4_heatmap.png — 相关性热图。
• Data_Science_Vid.MP4 — 演示视频。

作者信息

• 姓名：Avihay Amor
• 背景：经济学与创业学士
• 机构：Reichman University
• 年份：2026

搜集汇总

数据集介绍

构建方式

在航空运输领域，精准预测航班延误对优化运营效率至关重要。US_flight-delay-2024数据集源自Kaggle平台的2024年航班原始数据，经过系统化清洗与采样构建而成。构建过程中，首先剔除了已取消航班及到达延误值缺失的样本，以保障数据完整性；随后基于统计分布移除了极端异常值，即延误时间低于负100分钟或超过正300分钟的记录，此类数据占比不足千分之三。最终数据集包含十万行样本及三十五个特征变量，目标变量为以分钟为单位的到达延误时间，适用于回归分析任务。

特点

该数据集在航空延误预测研究中展现出多维度特点。其核心特征体现在变量间的高度相关性，例如出发延误与到达延误的相关系数高达0.90，揭示了航班延误传递的内在规律。时空分布特征显著，数据显示延误现象随当日时刻推移呈现累积效应，晚间时段达到峰值；地理维度上，佛罗里达州机场因旅游流量与气候因素成为延误高发区域。值得注意的是，飞行距离与空中时长与延误程度几乎无统计关联，这颠覆了传统认知，为延误成因分析提供了新的视角。

使用方法

针对机器学习建模需求，该数据集可直接应用于回归预测任务。使用者可基于出发时间、承运商信息、机场代码等三十五列特征构建预测模型，以到达延误分钟数为目标变量进行训练。建议优先采用出发延误、承运商延误及航空器延误等强相关特征作为模型输入。数据集配套提供完整探索性分析笔记与可视化图表，包括航空公司延误对比、时段分布热力图及机场延误交互地图，这些资源能有效辅助特征工程与模型解释。对于学术研究，该数据可用于验证延误传播理论或评估不同航空公司的运营效率。

背景与挑战

背景概述

航空运输作为现代社会经济活动的重要支柱，其准点率直接关系到旅客出行体验与物流效率。美国航班延误数据集（US Flight Delay 2024）由Avihay Amor基于Kaggle平台发布的2024年航班数据构建而成，旨在通过机器学习方法预测航班抵达延误时间。该数据集聚焦于航班延误的核心研究问题，即如何利用航班计划时间、离港表现及运营指标等35个特征，对抵达延误分钟数进行回归预测。其创建不仅为航空运营优化提供了量化分析基础，也为交通数据科学领域引入了时效性强的实证研究资源，对提升航班调度智能性具有显著影响力。

当前挑战

航班延误预测本质上是一个复杂的时空回归问题，其挑战在于延误成因的多维性与动态性。例如，天气突变、空中交通管制、机场拥堵及航班连锁反应等因素相互交织，使得单一特征难以全面捕捉延误模式。在数据集构建过程中，研究者需应对原始数据中的噪声与缺失值，如剔除已取消航班及极端异常值，同时保持数据分布的代表性。此外，特征间的高度相关性（如离港延误与抵达延误相关系数达0.90）可能引发多重共线性，增加模型解释难度，而时空异质性（如佛罗里达机场延误偏高）要求预测模型具备良好的泛化能力。

常用场景

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，包括基于机器学习的延误预测算法比较、航空网络延误传播的图模型分析，以及结合气象数据的多源融合预测框架。这些工作不仅推动了航空数据科学的发展，还为智能交通系统中的实时决策支持系统提供了方法论借鉴，促进了跨领域研究的融合与创新。

数据集最近研究

最新研究方向

在航空运输领域，航班延误预测一直是提升运营效率与乘客体验的核心议题。基于US_flight-delay-2024数据集，当前研究聚焦于利用机器学习模型精准量化延误的时空传播机制。前沿探索深入分析延误的级联效应，特别是傍晚高峰时段的累积现象，并结合气象数据与实时交通流量，构建动态预测系统。热点方向包括集成图神经网络以建模机场网络间的延误扩散，以及应用可解释AI技术解析承运商策略与区域因素（如佛罗里达机场的高延误倾向）的影响。这些进展不仅优化了航班调度与资源配置，也为航空业的韧性管理提供了数据驱动的决策支持。