摘要：针对当前单一模型预测航空器滑出时间精度提升存在瓶颈的问题，提出一种结合最大互信息系数（Maximal Information Coefficient， MIC）的迭代注意力特征融合模块（iterative Attentional Feature Fusion， iAFF）和Stacking集成学习框架组合的航空器滑出时间预测模型。首先利用MIC提取出与滑出时间相关性较高的因素作为模型原始特征序列；然后以支持向量回归（SVR）、随机森林（RF）、多层感知机（MLP）和极限梯度提升机（XGBoost）为基学习器模型对原始特征进行特征构造，并利用iAFF模块对基学习器得到的构造特征和原始特征进行特征融合，通过MLP对融合后的特征进行学习，得到最终的预测滑出时间。经实际算例对比验证表明，与单一模型相比，MIC-iAFF-Stacking集成学习模型在±2min、±3min、±5min误差范围内预测精度分别提升了6.14%、6.40%、2.31%，证明了该模型在滑出时间预测中的有效性。
文章目录
0 引 言
1 模型原理
1.1 最大互信息系数MIC
1.2 iAFF特征融合
1.3 Stacking集成学习模型
1.4 MIC-iAFF-Stacking集成学习模型
2 滑出时间影响因素分析
3 实例分析
3.1 数据预处理及特征提取
3.2 MIC特征筛选
3.3 MIC-iAFF-Stacking模型预测结果分析
3.4 消融实验
4 结论
