随着时代的发展,一方面大数据技术不断进步在很多领域创造了巨大的价值,另一方面航空运输需求日益增多伴随航班延误问题逐渐突显。结合这两方面趋势,运用大数据方法对航班延误情况做出实时准确的预测是一项非常有价值的工作。本文主要研究航班延误预测的大数据解决方法。首先,详细分析了航班延误的判定标准和影响因素,讨论了局方和民间在延误预测问题上面临的现状和挑战;然后,介绍了大数据的基础设施和处理方法;接着,引出了大数据处理过程中需要建立的两个重要模型——数据模型和预测模型。对于前者,本文基于航班延误预测情境,提出了一套航班延误大数据的数据模型的建立方法。对于后者,本文提出了一套由个体到集成的渐进式对比学习方法。在模型训练的实例分析中,对比分析了决策树个体学习和两种相关集成学习方法训练得出的模型性能指标。观察多次训练结果发现,集成学习得到的模型具有较高的泛化性,但比个体学习需要花费更长的训练时间;集成方法中以梯度提升树为代表的串行方法,随着迭代次数的增加训练时长显著增加但性能提升效果不明显,因此在航班延误预测问题上推荐使用集成学习中并行处理的随机森林进行预测模型的学习。最后,指出了流式学习的计算模式,可以通过不断接收新数据并实时计算,进一步提高预测的实时性和准确度,是大数据技术在未来航班延误预测领域进一步的研究方向。