CN103164617B - 一种飞机行为预测***及预测方法 - Google Patents
一种飞机行为预测***及预测方法 Download PDFInfo
- Publication number
- CN103164617B CN103164617B CN201310049949.6A CN201310049949A CN103164617B CN 103164617 B CN103164617 B CN 103164617B CN 201310049949 A CN201310049949 A CN 201310049949A CN 103164617 B CN103164617 B CN 103164617B
- Authority
- CN
- China
- Prior art keywords
- flight
- region
- behavior
- data
- accounting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 29
- 230000024703 flight behavior Effects 0.000 claims abstract description 46
- 230000006399 behavior Effects 0.000 claims abstract description 26
- 230000003542 behavioural effect Effects 0.000 claims abstract description 12
- 238000013481 data capture Methods 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 description 88
- 238000009826 distribution Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- XDLMVUHYZWKMMD-UHFFFAOYSA-N 3-trimethoxysilylpropyl 2-methylprop-2-enoate Chemical compound CO[Si](OC)(OC)CCCOC(=O)C(C)=C XDLMVUHYZWKMMD-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 101100369802 Caenorhabditis elegans tim-1 gene Proteins 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
- G08G5/0039—Modification of a flight plan
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0043—Traffic management of multiple aircrafts from the ground
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0047—Navigation or guidance aids for a single aircraft
- G08G5/0056—Navigation or guidance aids for a single aircraft in an emergency situation, e.g. hijacking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Emergency Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
Abstract
本发明涉及一种飞机行为预测***,包括:模型生成单元,其根据两个或两个以上飞行行为数据维度构建数据空间,并根据搜索条件和约束条件生成飞行行为预测模型;数据获取单元,其获取飞行行为数据;以及预测单元,其根据所述飞行行为数据,利用所述飞行行为预测模型在所述数据空间上搜索非正常飞行行为高占比区域。
Description
技术领域
本发明涉及一种飞机相关技术,特别地,涉及一种飞机行为预测***及预测方法。
背景技术
在飞机运行中,飞行安全必须得到保证。当出现可能影响到飞行安全的情况时,就需要对飞机的正常飞行行为做出调整,以确保飞行安全。飞机的非正常飞行行为包括航班取消、航线变更、晚点、返航和备降等。飞机的非正常飞行行为会降低飞行可靠性,影响飞行安全;同时也极大地损害旅客乘坐的舒适度和满意度。所有的航空公司都在努力研究飞机的非正常行为,希望能找出办法来尽可能减少飞机的这些行为。所以,对飞机的非正常行为进行合理预测也成为各个航空公司研究的重要课题。然而,这一技术问题困扰各个航空公司多年,始终没有得到解决。
发明内容
针对现有技术中存在的一个或多个技术问题,根据本发明的一个方面,提出一种飞机行为预测***,包括:模型生成单元,其根据两个或两个以上飞行行为数据维度构建数据空间,并根据搜索条件和约束条件生成飞行行为预测模型;数据获取单元,其获取飞行行为数据;以及预测单元,其根据所述飞行行为数据,利用所述飞行行为预测模型在所述数据空间上搜索非正常飞行行为高占比区域。
如果飞机的航班出现在高占比区域中,则预测该航班有很大的可能性出现非正常行为。因此,在考虑将该航班的时间调整到非高占比区域。换言之,本发明的预测下,在航班排期时应当尽可能避免非正常飞行行为高占比区域,由此确保飞机飞行安全,提高旅客乘坐的舒适度。
根据本发明的另一个方面,提出一种飞机行为预测方法,包括:根据两个或两个以上飞行行为数据维度构建数据空间,并根据搜索条件和约束条件生成飞行行为预测模型;获取飞行行为数据;以及根据所述飞行行为数据,利用所述飞行行为预测模型在所述数据空间上搜索非正常飞行行为高占比区域。如果飞机的航班出现在高占比区域中,则预测该航班有很大的可能性出现非正常行为。
附图说明
下面,将结合附图对本发明的优选实施方式进行进一步详细的说明,其中:
图1是飞机返航备降过程实例的示意图;
图2是根据本发明的一个实施例的飞机返航备降预测原理示意图;
图3是根据本发明的一个实施例的搜索目标示意图;
图4是根据图3的实施例的第一搜索目标示意图;
图5是根据图3的实施例的第二搜索目标示意图;
图6是根据图3的实施例的第三搜索目标示意图;
图7是根据本发明实施例的一个飞机行为预测***的结构示意图;
图8是根据本发明的一个实施例的预测单元的结构示意图;以及
图9是根据本发明的一个实施例的飞机非正常飞行行为预测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
通常而言,造成飞机非正常飞行行为的因素可以分为两个方面。一方面是飞机自身的因素,例如维修保养、油料补给、飞行故障等。另一方面是非飞机自身的因素,例如天气、场地条件等。
对于飞机自身引起的非正常飞行行为可以通过提高飞机的维护水平尽可能降低。而对于非飞机自身因素引起的非正常飞行行为则存在着一定的客观规律。利用数据挖掘技术,通过对非飞机自身因素引起的非正常飞行行为的历史数据进行分析,构建起合适的数学模型,可以对飞机的此类非正常飞行行为做出合理的预测。
本发明主要针对由于非飞机自身因素引起的非正常飞行行为。如背景技术中所提及的,非正常飞行行为包括但不限于航班取消、航线变更、飞机晚点、飞机返航和备降。
以下以飞机的返航和备降为例,进一步说明本发明的技术方案。对于其他的非正常飞行行为,也可以采用与返航备降的实施例类似的方法进行预测。
图1是飞机返航备降过程实例的示意图。如图1所示,飞机在起飞机场顺利地放行起飞。在正常飞行过程中,出现了必须返航备降的情况。在某一位置(如图中星形符号所示)做出返航或者备降的决策。之后,飞机没有沿虚线所示飞往目的机场,而是返航飞回起飞机场或者飞到备降机场。如图1中所示的返航和备降就是本发明所关注的非正常飞行行为。
对于某一个特定的目的机场而言,场地条件是固定的。因此,可以将所有与之有关的返航备降情况作为一个独立的数据空间,通过评估其上特定条件下出现返航备降的概率来实现对飞机返航备降行为的预测。
图2是根据本发明的一个实施例的飞机返航备降预测原理示意图。如图2所示,由于月份和时间段都是离散的,月份和时间段可以组成一个二维平面。一年的12个月和一天的24个小时将这个二维平面划分为288个矩形。每一个小的矩形定义为“区块”。某几个月份的连续时间段或者某几个时间段的连续月份定义为“区域”。两个或两个以上连续区块构成的较大矩形即为区域。图2中示出了1月到2月和6:00-7:00时间段所组成的区块。
根据航班的历史数据,包括正常航班和返航备降航班在内的所有航班的落地时刻都落在这288个矩形内。对于每个区块,该区块返航备降的占比水平为该区块内返航备降的航班数与该区块内所有航班数的比值,即:
返航备降占比=返航备降的航班数/所有航班数
对于每个区域而言,同样的该区域返航备降的占比水平为该区域内返航备降的航班数与该区域内所有航班数的比值。每个区块的占比水平存在差异。因此,不同区域的占比水平也不相同。因此,通过算法模型可以在该二维平面内寻找出那些返航备降占比水平较高的区域。
返航备降占比超过某一阈值,并且相比该区域周围的其他区域返航备降占比更高的区域可以被认为是高占比区域。该阈值可以根据实际情况设定,例如返航备降占比的平均值。设定不同的阈值,返航备降高占比区域也可能不同。例如,图2中的目的机场有三个返航备降高占比区域A、B和C,其对应不同的月份和时间段。如果飞机的预订落地时间正好落在返航备降高占比区域,即可以预测飞机非正常的返航备降行为出现的概率将相对很大。通过上述方法,飞机返航备降行为的预测可以转换为在上述二维空间中满足特定条件的区域的搜索。
如何构建合适的二维或多维数据空间是困难的。如果数据空间构建的不合适,飞机出现特定的非正常飞行行为将是分散的,而不是集中的。这样无法取得满意的预测结果。根据本发明的一个实施例,可选择的数据维度包括:降落的时间段、日期、月份、农历的日期或月份、距离特定事件,如节气、暴雨、大风、降雪等的时间等。图2所述的实施例是一个二维平面空间的例子。采用多于二维的多维度空间也是可行的。
根据本发明的一个实施例,上述搜索可以不在整个数据空间上进行,而是在数据空间的一部分上进行,例如在区域Z上进行。通过一系列的搜索条件来搜索最为合理的高占比区域,例如,可以采用如下的搜索条件:
1.该区域的返航备降占比水平越高越好,尽可能地趋于1;
2.该区域的面积越大越好,尽可能地趋于整个区域Z;
3.该区域包含的返航备降航班个数尽可能的多。
根据本发明的一个实施例,上述搜索的约束条件可以为该区域返航备降航班数或者航班总数达到一定的数量,从而将搜索问题转化为多目标规划问题。约束条件可以为:
4.该区域返航备降航班数和/或航班总数达到一定的数量。
图3是根据本发明的一个实施例的搜索目标示意图,即在区域Z上搜索满足搜索条件和约束关系的区域S。图4是根据图3的实施例的第一搜索目标示意图,图5是根据图3的实施例的第二搜索目标示意图;图6是根据图3的实施例的第三搜索目标示意图。如图3-5所示,在本实施例中采用了与图2实施例相同的时间段和月份作为二维平面的维度。三个搜索目标对应于如上的三个搜索条件。
以下是具体的搜索表达:
(1)区域Z变量设置
1.1. 设返航备降比较集中的区域为Z
1.2. 区域Z包含的基本区块的个数记为
1.3. 区域Z内存在的返航备降航班数记为
1.4. 区域Z内存在的航班数记为
1.5. 区域Z在月份维度的开始月份为SMZ
1.6. 区域Z在月份维度的结束月份为EMZ
1.7. 区域Z在时间段维度的开始时间段为STZ
1.8. 区域Z在时间段维度的结束时间段为ETZ
如上则区域Z的面积可以表示为Zsquare=(EMZ-SMZ+1)*(ETZ-STZ+1)
(2)区域S变量设置
1.1. 设搜索区域为Ssm_em_st_et。
1.2. 区域Ssm_em_st_et的返航备降占比水平大小为pS
1.3. 区域Ssm_em_st_et内存在返航备降航班的基本区块的个数为
1.4. 区域Ssm_em_st_et包含的基本区块的个数为
1.5. 区域Ssm_em_st_et内存在返航备降航班个数为
1.6. 区域Ssm_em_st_et包含的航班个数为
1.7. 区域Ssm_em_st_et在月份维度上的开始月份为SMS
1.8. 区域Ssm_em_st_et在月份维度上的结束月份为EMS
1.9. 区域Ssm_em_st_et在时间段维度上的开始时间段为STS
1.10. 区域Ssm_em_st_et在时间段维度上的结束时间段为ETS
如上则区域S的面积可以表示则Ssquare=(EMS-SMS+1)*(ETS-STS+1)
(3)区域变量设置
1.1. 区域Z除去区域Ssm_em_st_et之后的剩余区域记为
1.2. 区域的返航备降占比水平大小为
1.3. 区域包含的基本区块的个数为
1.4. 区域存在返航备降航班个数为
1.5. 区域包含的航班个数为
1.6. 区域的面积
(4)决策变量
决策变量,即搜索变量为在时间段和月份两个维度上的切点和步长:
1.1. 区块在月份维度上的开始月份记为sm
1.2. 区块在月份维度上的结束月份记为em
1.3. 区块在时间段维度上的开始时间段记为st
1.4. 区块在时间段维度上的结束时间段记为et
(5)目标函数
目标1:矩形区域返航备降占比水平尽可能地趋于1,可以表示为:
目标2:该区域包含的返航备降个数所占区域Z中返航备降数越大越好,可以表示为:
目标3:该矩形区域尽可能的趋于整个Z,即包含的基本区块的数量尽可能地覆盖整个区域Z的区块个数,可以表示为:
(6)约束条件
约束条件1:区域S返航备降航班个数达到一定的数量水平,公式表示为:
avfhbj=valuefhbj/存在返航备降航班的区块个数
约束条件2:区域S航班总量达到一定的数量水平,公式表示为:
avtt=valuett/存在航班的区块个数
约束条件3:区域S的返航备降占比必须达到一定得水平,公式表示为:
(7)其它变量设置
P1,P2,P3分别为goal1,goal2,goal3的优先等级。数值越大代表优先等级越高。
由此,经过整体优化后,该搜索的数学优化模型可以表示为:
其中,决策变量为:sm,em,st,et,决定了Ssm_em_st_et。
图7是根据本发明实施例的一个飞机行为预测***的结构示意图。如图7所示,飞机行为预测***700包括数据获取单元701、模型生成单元702、数据库703和预测单元704。
数据获取单元701用来从原始数据中直接获取所需维度的数据;或者利用原始数据经过调整后得出所需维度的数据。以下以返航备降的数据获取为例,说明数据的获取过程。
提取航班记录中的字段“FLT_ID”表示航班号、“DEP_APT”表示起飞机场、“ARR_APT”表示目的机场、“STD”表示班表起飞时间、“STA”表示班表到达时间、“OFF_TIME”表示实际起飞时间、“ON_TIME”表示实际落地时间、“CANCEL_FLAG”表示航班状态、“MEMO”表示航班状态说明。
通常情况下,字段“CANCEL_FLAG”字段取值为“0”表示正常;取值为“1”表示取消;取值为“3”表示备降航班备降阶段;取值为“4”表示备降航班复飞阶段;取值为“5”表示返航航班返航阶段;取值为“6”表示航班复飞阶段。根据需要,剔除“CANCEL_FLAG”字段为“1”的记录。
根据本发明的一个实施例,对于“CANCEL_FLAG”字段为“3”或者“5”的记录,获取字段“MEMO”并进行匹配,保留“MEMO”字段包含“雨”、“雪”、“风”、“雾”、“云”、“冰”、“能见度”或“天气”的记录。
根据本发明的一个实施例,对于字段“CANCEL_FLAG”取值为3或者5的字段,调整ON_TIME字段。ON_TIME=OFF_TIME+(STA-STD)。将字段“CANCEL_FLAG”取值为4或者6的字段调整为取值0。
对于ON_TIME字段,进行如下处理:将时间字段ON_TIME拆分,将年、月、日、时间(时)分别用字段“ON_Y”表示年,“ON_M”表示月,“ON_D”表示日,“ON_T”表示小时进行保存。例如ON_TIME为“2009-10-1 6:05”,则ON_Y=2009,ON_M=10,ON_D=1,ON_T=6。
对于“ARR_APT”字段,用某一段时间内正常航班的目的机场调整该段时间内返航备降航班记录的目的机场。
具体而言,即对字段“CANCEL_FLAG”取值为3或者5的记录的“ARR_APT”字段进行如下调整:
1.提取“CANCEL_FLAG”取值为3或者5的记录的“FLT_ID”-航班号、“DEP_APT”-目的机场、“ON_Y”,分别记为FLT_ID_FHBJ,DEP_APT,ON_Y_FHBJ,ON_M_FHBJ;
2.提取“CANCEL_FLAG”取值为0,“FLT_ID”取值为FLT_ID_FHBJ,“DEP_APT”取值为DEP_APT,“ON_Y”取值为ON_Y_FHBJ的记录的字段“ARR_APT”,记作AP。
3.用AP调整前者记录的“ARR_APT”字段内容。
经过上述处理之后,就可以提取目的机场数据的数据了。其中,CANCEL_FLAG=0的记录为正常航班记录,CANCEL_FLAG=3或者5的记录为返航备降航班记录。两者加和便为所有分析的航班记录。在每个记录中提取目的机场数据进行分析。
数据获取单元701获取数据后,将数据发送到数据库703中存储或者直接发送到预测单元704进行处理。
数据库703用来存储航班历史数据,并且接受预测单元704的查询,提供相应的数据以供预测单元704使用。根据本发明的一个实施例,数据库703可以根据模型生产单元702中生成的模型,对数据库中存储的历史数据进行格式的调整,或生成新的数据表以备使用。
根据本发明的一个实施例,对所有的返航备降航班进行初步统计,建立落在目的机场、实际落地时间月份和实际落地时间段三个维度上的航班总量、返航备降航班总量和返航备降占比的分布,分别记作:
1.落在目的机场、月份和时间段三个维度上的航班总量tt(ap,mon,time)
2.落在目的机场、月份和时间段三个维度上的返航备降航班数量fhbj(ap,mon,tim)
3.落在目的机场、月份和时间段三个维度上的返航备降占比p(ap,mon,tim)
其中,ap为目的机场的编号;mon为月份,取值为mon=1,2,3,4,5,6,7,8,9,10,11,12;tim为时间段,tim=1,2,3,4,…,22,23。
模型生成单元702根据输入的搜索条件和约束条件生成相应的搜索模型。模型生成单元702的功能在之前已经详细说明,这里不再赘述。
预测单元704,根据模型生成单元702的模型,在数据库中获取相应的数据上,搜索特定的非正常飞行行为的高占比区域,从而实现对特定非正常飞行行为的预测。本领域技术人员应当理解,模型生成单元702所生成的模型也可以保存在数据库中或者飞机行为预测***的存储器中。因此,不必每次预测单元704执行预测时都重新利用模型生成单元生成模型。
本文中所提到的“单元”可以是完成特定功能的电路。因此,“单元”这一术语也可以用“电路”来代替。根据本发明的一个实施例,这些电路包括但不限于处理器、数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FGPA)或其他等效集成电路或离散逻辑电路。
图8是根据本发明的一个实施例的预测单元的结构示意图。图8所示的实施例可以应用于图7实施例中的预测单元704中。如图8所示,预测单元800包括统计模块801、搜索模块802、解约束模块803和存储和排序模块804。
统计模块801用来完成统计功能,例如返航备降航班整体月份分布统计或者某目的机场返航备降月份分布统计。
根据本发明的一个实施例,返航备降航班整体月份分布统计可以包括如下步骤:
步骤1:设定年份,可以是一年或者连续几年;
步骤2:当月份mon分别取1,2,3,4,5,6,7,8,9,10,11,12时,根据返航备降在目的机场、月份和时间段三个维度上的分布情况fhbj(ap,mon,tim),计算在每个月份上返航备降的航班数,记作value_fhbj(mon);
步骤3:当月份mon分别取1,2,3,4,5,6,7,8,9,10,11,12时,根据航班在目的机场、月份和时间段三个维度上的分布情况tt(ap,mon,tim),计算在每个月份上的航班数,记作value_tt(mon);
步骤4:计算在某年度或者某几个年度在各个月份上返航备降占比value_per(mon)=value_fhbj(mon)/[value_tt(mon)+0.000000001],mon=1,2,3,4,5,6,7,8,9,10,11,12
根据本发明的一个实施例,某目的机场返航备降月份分布统计可以包括如下步骤:
步骤1:设定目的机场i,年份可以是一年或者连续几年;
步骤2:当月份mon分别取1,2,3,4,5,6,7,8,9,10,11,12时,根据返航备降在目的机场、月份和时间段三个维度上的分布情况fhbj(ap,mon,tim),计算目的机场i在每个月份上返航备降的航班数,记作value_i_fhbj(mon);
步骤3:当月份mon分别取1,2,3,4,5,6,7,8,9,10,11,12时,根据航班在目的机场、月份和时间段三个维度上的分布情况tt(ap,mon,tim),计算目的机场i在每个月份上的航班数,记作value_i_tt(mon);
步骤4:计算目的机场i在某年度或者某几个年度在各个月份上返航备降占比,计算公式表示为:
value_i_per(mon)=value_i_fhbj(mon)/[value_i_tt(mon)+0.00000001]
其中mon=1,2,3,4,5,6,7,8,9,10,11,12
搜索模块802是预测单元中重要的部件。根据本发明的一个实施例,搜索模块根据数据库中的数据以及模型的要求,对整个数据空间进行遍历。然后将遍历的结果输出到解约束模块803。解约束模块803判断遍历的结果是否符合约束条件,并且将符合约束条件的遍历结果输出到存储和排序模块804。存储和排序模块804存储所有符合条件的遍历结果,并对遍历结果进行综合排序;然后根据排序的结果输出非正常飞行时间的高占比区域。
根据本发明的一个实施例,搜索模块802在数据空间中生成非正常飞行行为概率超过阈值的区域Z;然后再对区域Z进行遍历。
本文中所提到的“模块”可以是完成特定功能的电路。因此,“模块”这一术语也可以用“电路”来代替。根据本发明的一个实施例,这些电路包括但不限于处理器、数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FGPA)或其他等效集成电路或离散逻辑电路。
图9是根据本发明的一个实施例的飞机非正常飞行行为预测方法的流程图。图9所示的预测方法可以应用到图7和图8所示的实施例中。在图9的实施例中,飞机的非正常飞行行为是返航备降行为,数据空间是时间段与月份的二维平面。
如图9所示,飞机非正常飞行行为预测方法900,在步骤910,利用搜索模块形成一个区域Z。区域Z包括多个连通的区块。区域Z的返航备降占比水平高于p_level,或者该区块内的返航备降航班个数大于或等于avfhbj,其中p_level是预设的返航备降占比阈值或者平均的返航备降占比,其中avfhbj是预设的返航备降数量阈值或者平均的返航备降量。
以下通过一个具体的实例,说明如何实现步骤910的Z区域搜索。
根据本发明的一个实施例,搜索返航备降占比水平大于p_level的区块,并用标记k对连通的区块进行标记,并用结构体keypo int记录区块信息,包括月份、时间段以及标记k。
输入:p(i,mon,tim),p_level,avfhbj;其中p(i,mon,tim)为所有区块的返航备降占比,其中i为机场标记。
输出:结构体keypo int[属性:目的机场(.ap),月份(.mon),时间段(.tim),区域标识(.mark)],以及区域Z的个数num_keyzoon
910.1. 初始化步骤:mon=1,tim=1,m=1,n=1,k=1
910.2. 寻找返航备降占比大于p_level的区块或者区块内返航备降航班数量不小于avfhbj,并作标记k。具体包括:寻找第一个p(i,mon,tim)>p_level或者区块内返航备降航班数量不小于avfhbj的mon,tim组合,并用结构体数组keypo int记录,即
keypo int(n).mon=mon,keypo int(n).tim=tim,keypo int(n).mark=mark=k,
并使
p(i,mon,tim)=0,m=n,n=n+1。
910.3. 寻找与keypo int(m)相连的并且返航备降占比大于p_level或者区块内返航备降航班数量不小于avfhbj的区块,并作标记k。
A.mon=keypo int(m).mon+1,tim=keypo int(m).tim,当mon≤12并且
p(i,mon,tim)>plevel或者区块内返航备降航班数量不小于avfhbj时,用结构体数组keypo int记录,
mon=keypo int(m).mon+1,tim=keypo int(m).tim,keypo int(n).mark=k,并使
p(i,mon,tim)=0,n=n+1,否则转入下一步。
B.mon=keypo int(m).mon-1,tim=keypo int(m).tim,当mon>0并且
p(i,mon,tim)>plevel或者区块内返航备降航班数量不小于avfhbj时,用结构体数组keypo int记录,
mon=keypo int(m).mon-1,tim=keypo int(m).tim,keypo int(n).mark=k,并使
p(i,mon,tim)=0,n=n+1,否则转入下一步。
C.mon=keypo int(m).mon,tim=keypo int(m).tim+1,当tim≤23并且
p(i,mon,tim)>plevel或者区块内返航备降航班数量不小于avfhbj时,用结构体数组keypo int记录,
mon=keypo int(m).mon,tim=keypo int(m).tim+1,keypo int(n).mark=k,并使
p(i,mon,tim)=0,n=n+1,否则转入下一步。
D.mon=keypo int(m).mon,tim=keypo int(m).tim-1,当tim>0并且
p(i,mon,tim)>plevel或者区块内返航备降航班数量不小于avfhbj时,用结构体数组keypo int记录,
mon=keypo int(m).mon,tim=keypo int(m).tim-1,keypo int(n).mark=k,并使
p(i,mon,tim)=0,n=n+1,否则转入下一步。
910.4. 当m<n时,m=m+1,重复910.3,否则转入下一步。
910.5. 当mon≤12并且tim≤23时转入910.2,k=k+1,否则终止。
根据本发明的一个实施例,搜索结构体keypo int的区块组成的全部区域,用结构体keyzoon记录。具体如下:
输入:结构体keypo int,区域Z的个数num_keyzoon,数组fhbj(i,mon,tim),tt(i,mon,tim),其中
输出:结构体keyzoon[属性:目的机场(.ap),开始月份(.sm),结束月份(.em),开始时间段(.st),结束时间段(.et),返航备降航班个数(.fhbj),航班总数(.tt)]
910.6. mark=1;
910.7. 用sm,em记录标记等于mark的所有区块的mon属性的最小值和最大值。用st,et记录标记等于mark的所有区块的tim属性的最小值和最大值。
910.8. 用结构体keyzoon对区域进行记录,即
keyzoon(mark).sm=sm,keyzoon(mark).em=em,keyzoon(mark).st=st,keyzoon(mark).et=et并且,用属性value_fhbj记录区域返航备降的航班个数,用属性value_tt记录区域航班数量,用属性num_z记录该区域的大小,mark=mark+1.
910.9. 当mark≤k-1的时候,转入步骤910.7。
然后,计算约束约束avtt,avfhbj。该步骤可以在约束步骤930之前的任意步骤中进行。具体如下:
输入:fhbj(i,mon,tim),tt(i,mon,tim)
输出:avtt,avfhbj
910.10. valuefhbj=0,valuett=0,mon=1,tim=1
910.11. 如果tt(i,mon,tim)>0,valuett=valuett+tt(i,mon,tim)
910.12. 如果fhbj(i,mon,tim)>0,valuefhbj=valuefhbj+fhbj(i,mon,tim)
910.13. 如果tim=tim+1并且tim<24,返回步骤920.11,否则tim=1,转入920.14
910.14. 如果mon=mon+1并且mon<13,返回步骤920.11
910.15. avfhbj=valuefhbj/存在返航备降航班的区块个数,
avtt=valuett/存在航班的区块个数。
通过步骤910,得到了一个结构体keyzoon表示的区域Z,该结构体包括多条记录,每一条记录对应一个返航备降占比水平高于p_level,或者该区块内的返航备降航班个数大于或等于avfhbj的区域。
在步骤920,利用搜索模块对步骤910得到的区域Z上进行遍历。
输入结构体keyzoon,index,P1,P2,P3,其中index表示区域Z的编号。然后,对第index区域Z进行遍历,并对每一次遍历区域S,用结构体list1记录相关信息:用属性min_m记录区域S的开始月份,用属性max_m记录区域S的结束月份,用属性min_t记录区域S的开始时间段,用属性max_t记录区域S的结束时间段,用属性value_fhbj记录区域S的返航备降航班数,用属性value_tt记录区域S的航班总数,用属性num_s记录区域S的面积大小。
在步骤930,判断每个遍历的结果是否满足约束条件,并对每一次满足约束条件的遍历的结果用结构体List进行记录。具体如下:
930.1. 对每个区域的遍历结果,求解三个优化目标值,并进行单个目标值的排序,进而对每个遍历的三个目标值求均值,选择出最小值遍历作为该区域的最优值。
930.2. 对list1的记录进行约束条件判断,对满足下列两个条件之一的记录用结构体list进行记录。约束判断条件:
valuefhbj≥numS*avfhbj,valuett≥numS*avtt。
930.3. 计算所有遍历区域的第一个目标函数值,并用goal1进行记录。
930.4. 计算所有遍历区域的第二个目标函数值,并用goal2进行记录。
930.5. 计算所有遍历区域的第三个目标函数值,并用goal3进行记录。
在步骤940,对所有遍历区域根据三个目标的大小进行排序,最大记作1,其次记为2,分别用结构体list的属性goal1index,goal2index,goal3index进行记录。
在步骤950,计算综合排名。具体包括:并计算每个遍历三个目标的综合排名,并分别用结构体list的属性goal_total进行记录。结构体list的第i条记录的综合排名的计算公式为:
list(i).goaltotal=P1*list(i).goal1index+P2*list(i).goal2index+P3*list(i).goal3index
在步骤960,搜索结构体list中属性goaltotal最小的遍历区域,返回开始月份sm,结束月份em,开始时间段st,结束时间段et。
通过上述步骤,最后输出第index区域Z的高占比区域S(sm,em,st,et)。
上述实施例仅供说明本发明之用,而并非是对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明范围的情况下,还可以做出各种变化和变型,因此,所有等同的技术方案也应属于本发明公开的范畴。
Claims (25)
1.一种飞机行为预测***,包括:
模型生成单元,其根据两个或两个以上飞行行为数据维度构建数据空间,并根据搜索条件和约束条件生成飞行行为预测模型;
数据获取单元,其获取飞行行为数据;以及
预测单元,其根据所述飞行行为数据,利用所述飞行行为预测模型在所述数据空间上搜索非正常飞行行为高占比区域,
其中,所述预测单元的搜索在待检索区域上进行,所述待检索区域是所述数据空间的一部分,
其中,所述模型生成单元的搜索条件为:
该高占比区域的非正常飞行行为占比越高越好,极可能地趋于1;
该高占比区域的面积越大越好,尽可能地趋于整个待检索区域;
该高占比区域包含的非正常行为航班个数尽可能的多,
其中,所述模型生成单元的约束条件为:该高占比区域非正常行为的航班数和/或航班总数达到超过预设的阈值。
2.根据权利要求1所述的预测***,进一步包括数据库,其中所述预测单元从所述数据获取单元或数据库获取所述飞行行为数据。
3.根据权利要求1所述的预测***,其中所述模型生成单元的约束条件进一步包括:该高占比区域非正常飞行行为占比超过另一个阈值。
4.根据权利要求1所述的预测***,其中所述数据获取单元利用原始飞行行为数据经过调整后得出所述数据维度的数据。
5.根据权利要求1所述的预测***,其中所述预测单元进一步包括:
搜索模块,其对待搜索区域进行遍历;
解约束模块,其判断遍历的结果是否符合约束条件;和
存储和排序模块,其存储所有符合条件的所述遍历结果,并综合排序;然后根据所述综合排序的结果输出非正常飞行时间的高占比区域。
6.根据权利要求5所述的预测***,其中所述搜索单元在整个数据空间上检索所述待检索区域。
7.根据权利要求6所述的预测***,其中所述搜索单元搜索非正常飞行行为占比水平大于第一阈值的区块,并用对连通的区块进行标记。
8.根据权利要求7所述的预测***,其中所述搜索单元进一步搜索所述非正常飞行行为占比水平大于第一阈值的区块组成的区域。
9.根据权利要求8所述的预测***,其中所述解约束模块对每个区域的遍历结果,求解所述搜索条件,并进行单个目标值的排序,选择出最小值遍历作为该区域的最优值。
10.根据权利要求9所述的预测***,其中所述解约束模块对所述最小值遍历进行约束条件判断。
11.根据权利要求10所述的预测***,其中所述解约束模块对所述最小值遍历进行约束条件判断。
12.根据权利要求5所述的预测***,其中所述存储和排序模块计算所有遍历区域每个检索条件的值,并进行排序。
13.根据权利要求12所述的预测***,其中所述存储和排序模块根据所有遍历区域的各个检索条件的值,计算所有遍历区块的综合排名。
14.一种飞机行为预测方法,包括:
根据两个或两个以上飞行行为数据维度构建数据空间,并根据搜索条件和约束条件生成飞行行为预测模型;
获取飞行行为数据;以及
根据所述飞行行为数据,利用所述飞行行为预测模型在所述数据空间上搜索非正常飞行行为高占比区域;
搜索在待检索区域上进行,所述待检索区域是所述数据空间的一部分,
其中,搜索条件为:
该高占比区域的非正常飞行行为越高越好,尽可能地占比趋于1;
该高占比区域的面积越大越好,尽可能地趋于整个待检索区域;
该高占比区域包含的非正常行为航班个数尽可能的多;
其中,约束条件为:该高占比区域非正常行为的航班数和/或航班总数达到超过预设的阈值。
15.根据权利要求14所述的预测方法,其中所述约束条件进一步包括:该高占比区域非正常飞行行为占比超过另一个阈值。
16.根据权利要求14所述的预测方法,进一步包括利用原始飞行行为数据经过调整后得出所述数据维度的数据。
17.根据权利要求14所述的预测方法,进一步包括:
对待搜索区域进行遍历;
判断遍历的结果是否符合约束条件;和
存储所有符合条件的所述遍历结果,并综合排序;然后根据所述综合排序的结果输出非正常飞行时间的高占比区域。
18.根据权利要求17所述的预测方法,进一步包括在整个数据空间上检索所述待检索区域。
19.根据权利要求18所述的预测方法,进一步包括搜索非正常飞行 行为占比水平大于第一阈值的区块,并用对连通的区块进行标记。
20.根据权利要求19所述的预测方法,进一步包括搜索所述非正常飞行行为占比水平大于第一阈值的区块组成的区域。
21.根据权利要求20所述的预测方法,进一步包括对每个区域的遍历结果,求解所述搜索条件,并进行单个目标值的排序,选择出最小值遍历作为该区域的最优值。
22.根据权利要求21所述的预测方法,进一步包括对所述最小值遍历进行约束条件判断。
23.根据权利要求22所述的预测方法,进一步包括对所述最小值遍历进行约束条件判断。
24.根据权利要求17所述的预测方法,进一步包括计算所有遍历区域每个检索条件的值,并进行排序。
25.根据权利要求24所述的预测方法,进一步包括根据所有遍历区域的各个检索条件的值,计算所有遍历区块的综合排名。
Priority Applications (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310049949.6A CN103164617B (zh) | 2013-02-07 | 2013-02-07 | 一种飞机行为预测***及预测方法 |
AU2014200568A AU2014200568B2 (en) | 2013-02-07 | 2014-02-03 | System and method for improving the flight safety |
CA2841779A CA2841779C (en) | 2013-02-07 | 2014-02-04 | System and method for improving the flight safety |
US14/174,113 US9412072B2 (en) | 2013-02-07 | 2014-02-06 | System and method for improving the flight safety |
EP14154164.9A EP2767878B1 (en) | 2013-02-07 | 2014-02-06 | System and method for improving the flight safety |
TW103103882A TWI642598B (zh) | 2013-02-07 | 2014-02-06 | 一種飛機行爲預測系統及預測方法 |
JP2014022895A JP6258057B2 (ja) | 2013-02-07 | 2014-02-07 | 飛行機行動の予測システム及び予測方法 |
KR1020140014477A KR102002996B1 (ko) | 2013-02-07 | 2014-02-07 | 항공기행위 예측시스템 및 예측방법 |
SG2014009211A SG2014009211A (en) | 2013-02-07 | 2014-02-07 | System and method for improving the flight safety |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310049949.6A CN103164617B (zh) | 2013-02-07 | 2013-02-07 | 一种飞机行为预测***及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103164617A CN103164617A (zh) | 2013-06-19 |
CN103164617B true CN103164617B (zh) | 2016-11-23 |
Family
ID=48587699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310049949.6A Active CN103164617B (zh) | 2013-02-07 | 2013-02-07 | 一种飞机行为预测***及预测方法 |
Country Status (9)
Country | Link |
---|---|
US (1) | US9412072B2 (zh) |
EP (1) | EP2767878B1 (zh) |
JP (1) | JP6258057B2 (zh) |
KR (1) | KR102002996B1 (zh) |
CN (1) | CN103164617B (zh) |
AU (1) | AU2014200568B2 (zh) |
CA (1) | CA2841779C (zh) |
SG (1) | SG2014009211A (zh) |
TW (1) | TWI642598B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10248742B2 (en) * | 2012-12-12 | 2019-04-02 | University Of North Dakota | Analyzing flight data using predictive models |
KR20160025664A (ko) * | 2014-08-27 | 2016-03-09 | 삼성에스디에스 주식회사 | 이상 조기 감지 장치 및 방법 |
US9824513B2 (en) | 2016-04-14 | 2017-11-21 | United Airlines, Inc. | Method of detecting elevator tab failure |
WO2018034142A1 (ja) * | 2016-08-18 | 2018-02-22 | 日本電気株式会社 | 航空管制支援システム、航空管制支援方法、及び、記録媒体 |
US10228692B2 (en) | 2017-03-27 | 2019-03-12 | Gulfstream Aerospace Corporation | Aircraft flight envelope protection and recovery autopilot |
JP6903535B2 (ja) * | 2017-09-25 | 2021-07-14 | 株式会社Nttドコモ | 情報処理装置 |
US11587448B2 (en) * | 2019-07-26 | 2023-02-21 | General Electric Company | Systems and methods for manifolds learning of airline network data |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495949A (zh) * | 2011-11-23 | 2012-06-13 | 西北工业大学 | 一种基于飞行数据的故障预报方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4410709A1 (de) * | 1994-03-28 | 1995-10-05 | Bodenseewerk Geraetetech | Überwachungs-Einrichtung zur Überwachung der Flugsicherheit von Flugzeugen |
JPH08292988A (ja) * | 1995-04-21 | 1996-11-05 | N T T Data Tsushin Kk | 交通流管理装置および交通流管理方法 |
GB2322611B (en) * | 1997-02-26 | 2001-03-21 | British Aerospace | Apparatus for indicating air traffic and terrain collision threat to an aircraft |
US6937924B1 (en) * | 2004-05-21 | 2005-08-30 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Identification of atypical flight patterns |
US7769608B1 (en) | 2004-05-27 | 2010-08-03 | Allstate Insurance Company | Systems and methods for optimizing property risk ratings |
US20060155432A1 (en) * | 2005-01-07 | 2006-07-13 | United Technologies Corporation | Methods and systems for monitoring atmospheric conditions, predicting turbulent atmospheric conditions and optimizing flight paths of aircraft |
US8024111B1 (en) * | 2008-04-02 | 2011-09-20 | Strategic Design Federation W, Inc. | Travel route system and method |
US8289187B1 (en) | 2008-07-08 | 2012-10-16 | Nationwide Mutual Insurance Company | Accident prone location notification system and method |
US20100145552A1 (en) * | 2008-12-04 | 2010-06-10 | Lockheed Martin Corporation | Route planning using ground threat prediction |
TW201142339A (en) * | 2010-05-20 | 2011-12-01 | Jiung-Yao Huang | Remote sensing satellite positioning device and method thereof |
EP2656301A4 (en) * | 2010-12-26 | 2014-06-25 | Travelers Indemnity Co | SYSTEMS AND METHODS FOR USING RISK AREAS |
KR101711025B1 (ko) * | 2011-04-21 | 2017-02-28 | 한국전자통신연구원 | 우선 관제 대상 선정 장치와 방법 및 대상물 관제 장치 |
WO2013013306A1 (en) | 2011-07-27 | 2013-01-31 | Intelligent Mechatronic Systems Inc. | Selective vehicle tracking and vehicle routing |
JP5964696B2 (ja) * | 2012-08-23 | 2016-08-03 | 富士重工業株式会社 | 滑走路最適化システム、滑走路最適化方法及び滑走路最適化プログラム |
-
2013
- 2013-02-07 CN CN201310049949.6A patent/CN103164617B/zh active Active
-
2014
- 2014-02-03 AU AU2014200568A patent/AU2014200568B2/en active Active
- 2014-02-04 CA CA2841779A patent/CA2841779C/en active Active
- 2014-02-06 US US14/174,113 patent/US9412072B2/en active Active
- 2014-02-06 TW TW103103882A patent/TWI642598B/zh active
- 2014-02-06 EP EP14154164.9A patent/EP2767878B1/en active Active
- 2014-02-07 JP JP2014022895A patent/JP6258057B2/ja active Active
- 2014-02-07 KR KR1020140014477A patent/KR102002996B1/ko active IP Right Grant
- 2014-02-07 SG SG2014009211A patent/SG2014009211A/en unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495949A (zh) * | 2011-11-23 | 2012-06-13 | 西北工业大学 | 一种基于飞行数据的故障预报方法 |
Non-Patent Citations (1)
Title |
---|
返航备降航班高风险频发子集搜索模型;臧宁宁 等;《运筹与管理》;20120630;第21卷(第3期);第105-113页 * |
Also Published As
Publication number | Publication date |
---|---|
TW201441099A (zh) | 2014-11-01 |
TWI642598B (zh) | 2018-12-01 |
SG2014009211A (en) | 2014-09-26 |
EP2767878A2 (en) | 2014-08-20 |
JP2014151912A (ja) | 2014-08-25 |
CA2841779C (en) | 2018-09-25 |
EP2767878A3 (en) | 2014-09-10 |
KR20140100914A (ko) | 2014-08-18 |
AU2014200568B2 (en) | 2018-05-10 |
JP6258057B2 (ja) | 2018-01-10 |
CA2841779A1 (en) | 2014-08-07 |
AU2014200568A1 (en) | 2014-08-21 |
US9412072B2 (en) | 2016-08-09 |
US20140250042A1 (en) | 2014-09-04 |
EP2767878B1 (en) | 2018-04-11 |
KR102002996B1 (ko) | 2019-07-23 |
CN103164617A (zh) | 2013-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103164617B (zh) | 一种飞机行为预测***及预测方法 | |
CN104615849B (zh) | 一种适用于通用航空的飞行计划评估***及实现方法 | |
CN103761585B (zh) | 机场接续运输动态匹配、运力监测预警和智能调配方法 | |
CN107679667B (zh) | 一种终端区航线规划优先级分类方法 | |
CN109448445A (zh) | 基于长短期记忆神经网络的航班延误分级预警方法 | |
CN107808552A (zh) | 航班行为检测方法和装置 | |
CN103489335A (zh) | 一种多目标优化的飞行冲突解脱方法 | |
CN107818382A (zh) | 航班到达时间预测方法 | |
CN106403973A (zh) | 一种飞行计划垂直航路规划方法及*** | |
CN102004852A (zh) | 一种机场场面航空器滑行路由自动解算方法 | |
CN112215416B (zh) | 智能规划巡检航线***及方法 | |
CN107067823A (zh) | 一种近距平行跑道容量的计算方法和装置 | |
Grabbe et al. | Clustering days with similar airport weather conditions | |
CN107341620A (zh) | 基于bada燃油消耗率的短期天气下进场航班延误成本计算方法 | |
CN111461393A (zh) | 应急情况下的飞机调度方法和调度装置 | |
CN115759386B (zh) | 一种民航航班执飞结果预测方法、装置及电子设备 | |
CN105654340A (zh) | 旅客真实航程的确定方法及*** | |
CN115293562A (zh) | 航班的飞行计划生成方法、装置、计算机设备和存储介质 | |
Schlesinger et al. | Forecast of Aircraft Retirement Probabilities using Neural Networks | |
Mori | Aircraft taxiing model at congested airports | |
CN118171963B (zh) | 一种基于mr和ai智能的飞行品质评估方法 | |
Patrón et al. | RS Aircraft flight trajectories optimization through genetic algorithms for a LNAV and VNAV integrated path | |
Elhamy et al. | The Disruption Funnel: A Model for Fleet Asset Management During Sustainable Disruption | |
Sun et al. | Analysis on the Obstacles to the Develop-ment of Hubei International Logistics | |
Burns | ScholarWorks@ CWU |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |