对航空公司而言,油费是最大的开支,占了总成本的40%左右。如果能够较为准确的预测航线油量,则能对不可预期燃油进行精确管理。所以对航线油量的准确预测是节油的一个重要途径。首先通过搜集航线燃油数据,找出制定飞行计划时影响航线油量的相关参数,包括飞行计划总油量、飞行计划航线油耗、飞行计划飞行时间、计划起飞重量、飞行计划高度层、飞行计划航路风、飞行计划温度。分析这些参数对于航线油耗的影响,提取不同分位点回归模型参数,建立航线油量模型,并计算不可预期燃油标准。实验结果表明通过分位数回归建立的航线油量预测模型能够较为准确的对航线油量进行预测,从而在保证安全的情况下更为灵活的携带不可预期燃油。然后建立BP神经网络,将相关飞行计划参数输入到BP神经网络后进行航线油量的预测,进而确定不可预期燃油。实验结果表明通过使用BP神经网络对航线油量进行预测与实际航线油量进行对比,结果显示模型误差在5%以内。在通过BP神经网络预测航线油量的基础上确定不可预期燃油。最后是对两个模型进行比较,BP神经网络模型在输入参数选择上相对灵活,通过进一步优化可以拓展模型输入参数,进而提高模型的质量。但BP神经网络模型缺点在于每次使用时BP神经网络的初始权值和阈值是随机的,这也造成了模型质量不稳定。而分数回归模型在稳定性上表现十分良好,但是分位数回归模型属于传统的统计模型并非人工智能算法。