随着时代的发展,航空运输需求日益增加,人们对航空服务质量的要求也越来越严格,同时随着信息技术的高速变革,深度学习技术已经成熟且高效的为人们服务于各个领域之中。为此本文以机场延误预测为目标,基于深度学习算法,提出一种基于区域残差和长短时记忆(Region Residual-Long Short Term Memory,RR-LSTM)网络的机场延误预测方法。论文主要工作如下所示:首先,鉴于传统数据处理方法不符合民航数据特点和长短时记忆(Long Short Term Memory,LSTM)网络的要求,在充分分析航班数据和气象数据的基础上,提出了混合编码方法和时间序列构造方法,为网络的特征提取工作做准备。实验结果表明,所提混合编码方法可提高数据在网络中的表现能力,最大化发挥网络的特征提取功能,提高网络的预测准确率。然后,提出一种基于LSTM网络的机场延误预测方法,该方法利用LSTM网络学习机场延误数据的时间依赖关系,使模型的物理含义更加符合机场延误事件特点,提高预测准确率,进一步优化空管、航空公司等部门的决策。通过实验对LSTM网络的超参数取值进行讨论,确定了现有计算资源基础上的最优时间步长和隐藏层层数。通过与传统网络的实验对比,表明了LSTM网络具有较强的数据处理能力。在多个机场的实际运行数据上进行了网络普适性的验证,确定了该方法能够有效应用的机场对象。最后,由于在机场延误预测问题中单纯使用LSTM网络存在梯度消失问题,使得预测准确率无法继续提高。为更好地解决LSTM网络的梯度消失问题,对多层LSTM网络的反向传播过程进行了推导和证明,然后在理论和实践的基础上提出一种RR-LSTM网络,该网络包括三个部分,分别是LSTM网络模块、区域残差模块和单向池化模块。通过增加区域残差模块,可以使模型更加稳定,达到深层训练网络的目的;单向池化的目的是进行维度转换,以衔接区域残差模块和LSTM网络模块,并且能够尽可能的减少引入参数数量。通过对比加入气象信息和航班信息的预测准确率,定性说明了气象信息对于机场延误预测的重要性。