Sky Delay Intelligence

✈️ SkyDelay智能

航空公司每年因航班延误而损失280亿美元。 该平台通过融合4个实时航空数据源、对枢纽机场之间的延迟级联传播进行建模，并通过MCP服务器将结果暴露给AI代理消费来量化这一成本，该服务器具有自我修复的管道，可以自动监控和修复自己。

芝加哥奥黑尔机场仅延误90分钟 1565个下游航班，影响 296774名乘客 总体经济影响为 3290万美元.

实时仪表板 · MCP服务器文档 · 建筑

______________________________________________________________________

仪表盘

Overview

Cascade Analyzer

Route Economics

Delay Patterns

______________________________________________________________________

建筑

┌─────────────────────────────────────────────────────────────────┐
│                        DATA SOURCES                             │
├──────────────┬──────────────┬───────────────┬───────────────────┤
│  BTS On-Time │  OpenSky     │  NOAA Aviation│  FAA NAS Status   │
│  Performance │  Network     │  Weather      │                   │
│  (1.7M rows) │  (Live ADS-B)│  (METARs)     │  (Ground Delays)  │
└──────┬───────┴──────┬───────┴───────┬───────┴─────────┬─────────┘
       │              │               │                 │
       ▼              ▼               ▼                 ▼
┌─────────────────────────────────────────────────────────────────┐
│                     INGESTION LAYER                             │
│  bts_historical_loader.py  │  opensky_producer.py               │
│  noaa_weather_producer.py  │  faa_asws_producer.py              │
└──────────────────────────────┬──────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────┐
│                     DuckDB  (Local OLAP)                        │
│  raw_bts_flights  │  raw_opensky_positions                      │
│  raw_weather_observations  │  raw_faa_airport_status            │
└──────────────────────────────┬──────────────────────────────────┘
                               │
                               ▼
┌─────────────────────────────────────────────────────────────────┐
│               TRANSFORMATION LAYER (dbt models)                 │
│                                                                 │
│  Staging:  stg_bts_flights │ stg_opensky │ stg_weather │ stg_faa│
│  Intermediate:  int_airport_daily_metrics │ int_route_performance│
│  Marts:  mart_delay_economics │ mart_cascade_vulnerability      │
│          mart_route_economics                                   │
└──────────────────────────────┬──────────────────────────────────┘
                               │
                    ┌──────────┼──────────┐
                    ▼          ▼          ▼
             ┌───────────┐ ┌────────┐ ┌──────────────────┐
             │ Streamlit │ │  MCP   │ │ LangGraph Agent  │
             │ Dashboard │ │ Server │ │ (Self-Healing)   │
             │ (4 pages) │ │(6 tools│ │ Monitors→Detects │
             │           │ │  for   │ │ →Diagnoses→Fixes │
             │           │ │  AI    │ │ →Reports         │
             │           │ │ agents)│ │                  │
             └───────────┘ └────────┘ └──────────────────┘

______________________________________________________________________

是什么让这个项目与众不同

GitHub上的大多数航班延误项目都会下载Kaggle CSV并训练分类器。这个项目不同：

1.级联经济学（没有其他人建立过这个） 当枢纽机场延误时，下游的转机航班也会受到影响。级联计算器使用FAA/NEXTOR成本方法模拟这种连锁反应——追踪哪些航班、乘客和美元受到影响。

2.四个实时数据源（不是静态数据集） ADS-B转发器（OpenSky）的实时飞机位置、当前机场天气状况（NOAA METAR）、FAA地面延误计划和170万次历史飞行记录（BTS）。全部摄入、清洁和转化。

3.MCP服务器（2026代理架构） 该平台通过模型上下文协议公开了6个工具，允许任何AI代理（Claude、GPT、Cursor）查询航空中断。这是2026年人工智能数据连接的标准。

4.自愈管道（LangGraph+Gemini） 自主代理监控所有数据源，检测陈旧或故障，使用Gemini诊断根本原因，通过重新运行摄入进行自动补救，验证修复，并生成健康报告，而无需人工干预。

______________________________________________________________________

主要发现

______________________________________________________________________

技术栈

______________________________________________________________________

快速开始

先决条件

• Python 3.10+
• 2GB可用磁盘空间（用于BTS数据）

设置

git clone https://github.com/ShreyasDasari/SkyDelay-Intelligence.git
cd SkyDelay-Intelligence
pip install -r requirements.txt

加载数据

# 1. Download BTS on-time data from https://www.transtats.bts.gov
#    Select "Prezipped File" for 3 months → save CSVs in data/bts/
mkdir -p data/bts

# 2. Load historical data
python -m src.ingestion.bts_historical_loader --csv-dir data/bts/

# 3. Ingest live sources
python -m src.ingestion.opensky_producer --once
python -m src.ingestion.noaa_weather_producer --once
python -m src.ingestion.faa_asws_producer --once

# 4. Build transformation pipeline
cd src/dbt_project && python run_models.py && cd ../..

运行仪表板

streamlit run src/dashboard/app.py

运行级联分析

python -m src.processing.cascade_calculator

运行自愈代理

export GOOGLE_API_KEY="your-gemini-api-key"
python -m src.agents.pipeline_health_agent

启动MCP服务器

python -m src.mcp_server.server

运行自主调度程序

python -m src.scheduler

______________________________________________________________________

MCP服务器

MCP服务器公开了任何AI代理都可以使用的6个工具：

在Claude桌面中配置 (claude_desktop_config.json):

{
    "mcpServers": {
        "skydelay": {
            "command": "python",
            "args": ["-m", "src.mcp_server.server"],
            "cwd": "/path/to/SkyDelay-Intelligence"
        }
    }
}

______________________________________________________________________

自愈管道

LangGraph代理遵循一个5节点状态机：

Check Health → Detect Issues → Diagnose (Gemini) → Auto-Remediate → Re-Check
                    │                                       │
                    └── No issues ──→ Generate Report ◄─────┘

输出示例：

Overall Status: 🟢 HEALTHY
Sources: 7/7 healthy | 0 warnings | 0 stale | 0 critical

  ✅ raw_bts_flights                1,738,833 rows  [healthy]
  ✅ raw_opensky_positions              1,860 rows  [healthy]
  ✅ raw_weather_observations              33 rows  [healthy]
  ✅ raw_faa_airport_status                 2 rows  [healthy]
  ✅ mart_delay_economics              30,364 rows  [healthy]

Actions Taken:
  ✅ Re-ingest FAA status: success

______________________________________________________________________

SQL组合

七个分析查询展示了窗口函数、CTE、自连接、条件聚合和业务建模：

1. Hub Cascade漏洞排名 --与RANK、NTILE的综合评分
2. 滚动7天延迟趋势 --LAG、窗口AVG、每周变化
3. 按小时划分的延迟原因 --CASE旋转，比例分析
4. 航空公司绩效记分卡 --PERCENT_RANK，同行基准测试
5. 日×月热图 --跨选项卡聚合
6. 路线经济影响 --SQL中的多步成本估算
7. 级联链检测 --自连接、递归延迟传播

______________________________________________________________________

数据库模式

4层13张桌子：

[RAW]            raw_bts_flights              1,738,833 rows
[RAW]            raw_opensky_positions            1,860 rows
[RAW]            raw_weather_observations            33 rows
[RAW]            raw_faa_airport_status                2 rows
[STAGING]        stg_bts_flights              1,738,833 rows
[STAGING]        stg_opensky_positions            1,860 rows
[STAGING]        stg_weather_observations            33 rows
[STAGING]        stg_faa_delays                        2 rows
[INTERMEDIATE]   int_airport_daily_metrics       30,364 rows
[INTERMEDIATE]   int_route_performance            8,436 rows
[MART]           mart_delay_economics            30,364 rows
[MART]           mart_cascade_vulnerability          161 rows
[MART]           mart_route_economics              8,436 rows

______________________________________________________________________

谁受益

______________________________________________________________________

方法论

经济影响估算使用 FAA/NEXTOR II总延误影响研究 （通货膨胀调整至2025年）：

• 乘客延误成本： 每位乘客每分钟0.74美元
• 航空公司运营成本： 每延迟一次航班每分钟68.48美元
• 平均载荷系数： 87%
• 国内航班平均座位数： 160

级联传播是通过在周转窗口内将同一航空公司的入境延误与出境延误进行匹配来建模的，识别入境延误超过可用周转缓冲区的航班。

______________________________________________________________________

许可证

麻省理工学院

______________________________________________________________________

作者

Shreyas Dasari --东北大学

· 领英