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。US Flight Delay 2024 is a tabular regression dataset centered on U.S. flight delays, derived from 2024 aviation flight data hosted on Kaggle. It comprises 100,000 samples and 35 feature columns, with the target variable designated as `arr_delay`, which represents arrival delay in minutes: positive values indicate delayed arrivals, while negative values indicate early arrivals. Prior to release, the dataset underwent cleaning procedures, with canceled flights, records with missing values, and extreme outliers (delay durations below -100 minutes or exceeding +300 minutes) excluded. Key empirical findings from the dataset are as follows: 1) There is a notably high correlation coefficient of 0.90 between departure delay and arrival delay; 2) Delay times gradually accumulate over the course of a day, peaking during evening hours; 3) Airports in Florida exhibit the highest average arrival delay times. This dataset is applicable to machine learning tasks including flight delay prediction and aviation operational analysis, and encompasses features such as flight timetables, departure performance metrics, and core aviation operational indicators.

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。