旅客大多数的不良情绪并不是因为航班延误本身引起的,而是由于在特殊天气条件之下,航空公司一直无法确定航班起飞时间,使得旅客做一些无谓的等待,造成旅客情绪不稳定,甚至出现恶性群体事件。论文结合海量气象数据对航班运行态势做量化研究,旨在对航班的运行态势做量化评估,做到提前预测航班运行态势,及时通知旅客航班是否能够正常运行,有利于旅客更好地安排行程,减少不必要的等待,从而减少乘客的焦虑和投诉。针对基于天气数据的单个航班运行态势预测问题,本文提出了一种融合关联规则的多级输入层人工神经网络航班态势预测模型。首先,将所获取的海量气象数据与航班数据进行数据清洗、数据标准化以及数据融合。其次,采用基于扩展FP树的动态关联规则挖掘航班数据和气象数据各因子之间的关联关系。然后,将数据融合之后的数据集作为网络的输入层,关联规则产生的强关联关系融合进多级输入层人工神经网络中,构建融合关联规则的多级输入层人工神经网络模型。最后,通过实验对比,该模型不仅可以用于处理海量数据和标称变量,而且相比于其他模型,在预测准确率,内存占用率、运行效率以及召回率等性能的表现上都有较大提升。针对特定天气条件下机场航班运行状态问题,本文提出了一种基于天气场景的机场航班运行态势量化模型。首先,运用K-means聚类算法处理天气数据,对天气场景进行识别,得到专属于特定机场的几种天气场景。然后,利用线性与非线性统计数学组合模型对一个机场的所有航班的运行态势进行建模,并用于预测首都国际机场（PEK）、上海浦东机场（PVG）以及西安咸阳机场（XIY）三个机场的夏秋季、冬春季两个航班季共6个维度的机场航班运行态势进行量化分析,对每个天气场景下的航班运行态势进行预测。最后,对模型使用SPSS进行检验与拟合,并通过相关性检验,回归显著性检验,参数显著性检验,准确率与召回率的实验对比,得到较为理想的效果。