近几年来,随着“智慧交通”概念的提出以及应用不断广泛,人们乘飞机出行的频率逐渐提高,空中交通已经成为广大人民远距离出行的常用交通方式。如何使用人工智能与机器学习处理航班信息数据,对社会的稳定以及工作生活的秩序具有深刻影响。随着机器学习的相关应用技术被高度重视,对于交通领域特别是航班延误预测方向的研究也在不断深入。因此,利用机器学习技术实现精准的航班预测具有很高的应用价值。目前航班预测的技术多种多样、各有优势,主流技术有卷积神经网络、数据挖掘、监督学习等,但由于影响航班的因素较多,特别是大型机场,航班延误使有限的资源被占用从而导致原有的飞行计划被打乱。多种因素导致航班延误的预测始终不够精准稳定,同时在预测信息的特征选择上也有一定的局限性,导致模型的训练效果不佳。因此,如何实现并优化应用于航班延误预测的模型是当前的研究热点之一。为了满足现阶段交通运输行业对航班延误预测的高准确度的需要,通过对现阶段使用的技术和算法进行研究后,本文提出一种基于多模型融合的航班延误预测模型。该模型将传统的单一模型包括Random Forest模型、XGBoost模型和Light GBM模型进行融合,发挥各自模型对于不同维度特征的敏感度优势。通过对航班信息数据的分析以及对Stacking算法的研究,本文的实验对模型进行了时间加权和基学习器加权的两项优化,并使用优化后的Stacking算法进行模型的融合,最后通过RMSE(均方根误差)和MAPE(平均绝对百分比误差)对实验结果进行综合对比。在此基础上,实验对原始数据样本进行了预处理,对数据集进行了脏数据的清洗以及缺失数据的人工补全。使用独热编码技术处理离散值,保证数据的连续性。去除偏差值过大的噪声数据,并根据构建的特征打分器进行特征选择,筛选出航班号信息、起飞信息、天气信息以及特情信息等特征。实验的训练过程加入基学习器权重控制,保证基学习器层训练结果的稳定性,提高模型的鲁棒性。最终通过将本文实验的航班延误预测结果与单一模型和传统Stacking算法的预测结果进行对比,证明了本文提出的算法模型对于航班延误预测的场景中具有更高的稳定性和精准度,并可以提供一套完整的航班延误预测问题的解决方案。