近日，科研团队邓武教授、李坤鹏等研究成果在智能交通领域的国际著名期刊《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》上发表学术论文《A Flight Arrival Time Prediction Method Based on Cluster Clustering-Based Modular With Deep Neural Network》，提出了一种基于聚类集群模块化集成的深度神经网络架构，并成功应用于飞机到港时间的准确预测。

深度神经网络（DNN）由生物神经中得到启发，是深度学习的基础，其本质是模拟人脑的学习系统。其通过多层神经元传递信息，从而实现特征学习和抽象表示。然而在面对大规模数据时，单一神经网络只有通过提升自身结构复杂度才能完成对大规模数据集的分析与学习，这会大量消耗算力资源。本文设计了一种Cluster clustering-based modular integrated DNN (CC-MIDNN)网络框架，通过模块化集成的思想，建立并行网络结构，并集成网络输出。其具有更高的预测精度和稳定性，且能够分解复杂建模任务，节约了时间和运算成本。

图1 模块化集成网络结构示意图

CC-MIDNN由输入层、集群划分层、子网络层和集成层构成。输入层负责整理输入数据，将数据样本的向量矩阵输入到集成网络当中；集群划分层负责将复杂或庞大的任务细分化，并分配到相应的子网络当中；子网络层由多个并行工作的个体网络组成，学习划分后的数据；集成层负责将子网络层中每一个个体网络的输出结果进行集成或甄别，形成最终的输出结果。基于CC-MIDNN网络框架建立飞机到港时间预测模型，实验表明，本文所提出的网络框架具有更好的预测性能和较好的稳定性，同时能够节约模型训练成本。

(a)预测结果                                  (b)误差

图2 实验结果与误差图

该成果得到国家自然科学基金、学校科研启动基金等项目的资助。《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》期刊由国际电气和电子工程师协会（IEEE）于2000年创办，属于工程技、物联网应用领域顶级期刊，被中科院分为一区TOP期刊，影响因子为8.5。

论文链接：https://ieeexplore.ieee.org/document/10368179