为了贯彻民航局提出的“十四五”民用航空发展规划方案,保证航班的高质量运行,本文针对吞吐量较大的机场,延误率居高不下的情况设计并实现了面向大数据可视化的航班延误分析系统。该系统对历史航班进行多维度的航班延误信息统计分析,并基于深度学习算法对单航班延误和航班延误波及问题分别进行预测,为民航部门提供有效参考,减少相关的经济损失。首先,本文对面向大数据可视化的航班延误分析系统明确系统的需求分析,对系统总体进行设计并采用基于B/S的前后端分离开发模式。同时对系统内外接口进行设计,算法部分基于Py Torch框架使用Python语言对深度学习算法进行模型的建立与调用,数据库选用My SQL。本系统主要目的是辅助空管部门决策,安装在华东空管局宁波空管站。系统两大核心功能模块分别是航班延误数据可视化分析与未来航班延误算法预测,并按照系统子功能需求对系统的关键技术基于Vue.js的前端开发、基于ECharts的大数据可视化、基于Spring Boot的后端开发、基于深度学习的航班延误预测、基于Socket的航班延误算法调用进行介绍。然后,针对航班延误波及的空时特性,构建用于研究航班延误波及模型的航班链数据集。对航班数据按照时间与航空器编号为关键键值进行数据融合,本文先后提出两种不同类型的航班延误波及数据集的构造方法。将数据清洗后的航班数据进行三次复杂融合,提出强空间数据集的构造方法;为了进一步增强时序性提高预测准确率,对强空间数据集进行顺序分割,提出强时序航班链数据集的构造方法。接着,针对航班延误波及问题提出融合注意力机制Sim AM的CNN-Mogrifier LSTM网络模型,先使用卷积神经网络（Convolutional Neural Network,CNN）结合注意力机制Sim AM模块对空间特征进行初级提取,再用Mogrifier LSTM（Mogrifier Long Short-Term Memory）网络对时序信息进行学习,最后使用Softmax分类器对延误等级进行分类预测。本文提出的预测方法,在航班延误波及进行预测的实验中取得了93.16%的准确率,相比单独使用CNN或LSTM大有提升,加上Sim AM注意力机制后相比CNN-Mogrifier LSTM网络在不同数据集上准确率也提升了0.6%左右。最后,为了验证了本系统的稳定性和有效性,以黑盒测试为主对面向大数据可视化的航班延误预测系统各项功能进行测试并列举了详细的测试用例。功能测试包括航班延误分析系统功能测试、航班延误预测算法功能测试,以及对系统的兼容性、系统的接入能力、处理速度、健壮性等进行非功能性测试。