在民航航班量日益增长过程中,航班延误问题是民航运输必须面对的难题和挑战。机场空域资源不足、黄金时刻拥挤等问题,加之天气变化等不确定因素,使得航班延误频繁发生。通过航班延误影响因素进行事后分析固然容易,但在航班延误影响因素难以预知的前提下,如何从航班延误状况大数据出发,通过学习延误状况时间序列的变化趋势或行为模式对未来一段时间范围内的航班延误状况实现准确、有效预测是民航发展过程中的亟需攻克问题。对此,本文结合某枢纽机场2014.1.1至2018.12.31共5年的航班延误状况数据展开研究。首先,从延误架次、延误时间和平均延误时长3个方面统计航班延误状况,构建了航班延误状况时间序列。然后针对延误状况时间序列的非线性特征进行研究,探讨了3种类型延误状况时间序列的混沌、分形特征,进而利用递归图定性分析不同时间序列的可预测性。结果表明,进场、离场航班延误架次、延误时间和平均延误时长的时间序列均具有混沌特征;采用分形R/S分析表明各序列具有长记忆性,未来趋势与过去是正相关的,且任一时间段的离场航班延误值可对未来15个小时的延误状况产生影响。接着,基于极限学习机(ELM)构建了延误状况时间序列的混沌预测模型。通过数据算例分析表明,该模型对航班延误架次的预测效果较好,预测平均绝对误差约为3.5架次。最后,利用Stacking集成学习方法构建航班延误等级预警模型,模型中集成了随机森林、支持向量机、神经网络和XGBoost 4种机器学习算法。通过对预测精度的分析表明,Stacking集成学习模型的预测效果优于各单一模型的预测效果,预测准确率达到81.82%,预测结果对航班延误等级预警与响应具有实质参考价值。本文从航班延误状况的时间序列出发,在识别了序列混沌特征的基础上提出了基于ELM的航班延误状况时间序列混沌预测模型,并在4种机器学习算法的基础上提出了基于Stacking集成学习的航班延误等级预警模型,对机场航班延误预测和预警能力的提升具有较大意义。