CN109523082A - 一种基于cnn-lstm航班正常放行率预测的方法 - Google Patents
一种基于cnn-lstm航班正常放行率预测的方法 Download PDFInfo
- Publication number
- CN109523082A CN109523082A CN201811384267.XA CN201811384267A CN109523082A CN 109523082 A CN109523082 A CN 109523082A CN 201811384267 A CN201811384267 A CN 201811384267A CN 109523082 A CN109523082 A CN 109523082A
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- flight
- term vector
- word
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CNN‑LSTM航班正常放行率预测的方法,包括:对实时航班状态数据和实时天气数据打上时间标签,组合成格式化数据,并作为实时数据;将航班状态数据和同时序的天气数据作为有关联的词,利用Word2vec训练测试得到每个词的词向量,其中,航班状态数据和天气数据的时序先于实时航班状态数据和实时天气数据;利用CNN对词向量进行学习,得到训练优化后的词向量,训练优化后的词向量相比训练优化前的词向量语义更丰富;将训练优化后的词向量替换航班状态数据和天气数据,并作为时序训练集数据;利用LSTM对时序训练集数据进行训练,得到LSTM中各参数的值;利用LSTM对实时数据进行计算,得到航班正常放行率的预测值。
Description
技术领域
本发明涉及民航服务技术领域,特别是涉及一种基于CNN-LSTM航班正常放行率预测的方法。
背景技术
当前机场的可视化***的根本目的是利用多媒体、多渠道,实现空管、机场、航空公司和驻场单位等部门单位的协同沟通,把各单位所拥有的数据信息进融合,并把数据通过图表形式展示出来。但是展示出来的数据都是原始数据,没有经过计算分析,用户拿到数据后还要自行分析,浪费精力。
CNN(Convoltional Neural Networks)是卷积神经网络,是一类包含卷积或相关计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(DeepLearning)的代表算法之一。
LSTM(Long Short-Term Memory)是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
随着民航需求的日益增长,机场及时有效的服务也面临着一定的压力,而机场运行产生的大量各种信息数据是由机场各部门负责,导致数据管理较为分散。为了更好管理分析各类信息数据,利用CNN和LSTM打造一个提供机场实时特情、全要素监控、实况预警和综合态势的评估和预测的***会得到越来越广泛的运用。
发明内容
基于此,本发明的目的在于,提供一种基于CNN-LSTM航班正常放行率预测的方法。
一种基于CNN-LSTM航班正常放行率预测的方法,包括:
对实时航班状态数据和实时天气数据打上时间标签,组合成格式化数据,并作为实时数据;
将航班状态数据和同时序的天气数据作为有关联的词,利用Word2vec训练测试得到每个词的词向量,其中,航班状态数据和天气数据的时序先于实时航班状态数据和实时天气数据;
利用CNN对词向量进行学习,得到训练优化后的词向量,训练优化后的词向量相比训练优化前的词向量语义更丰富;
将训练优化后的词向量替换航班状态数据和天气数据,并作为时序训练集数据;
利用LSTM对时序训练集数据进行训练,得到LSTM中各参数的值;
利用LSTM对实时数据进行计算,得到航班正常放行率的预测值。
进一步优选地,所述将航班状态数据和同时序的天气数据作为有关联的词,包括:将航班状态数据和同时序的天气数据进行整理,并格式化。
进一步优选地,所述利用Word2vec训练测试得到每个词的词向量,包括:
利用哈夫曼编码,计算每个词的编码其中,w表示词,pw表示从根节点出发到达w对应叶子节点的路径,lw表示路径pw中包含节点的个数,表示路径pw中第i个非叶子节点对应的哈夫曼编码;
词w的哈夫曼向量为θw,表示路径pw中第i个非叶子节点对应的向量;
根据逻辑回归,词路径pw一个节点被分到正类的概率为被分到负类的概率为1-q,其中Vw表示词的词向量;
参数迭代过程中,参数采用梯度上升,步长其中α为常量;
词w向量的迭代变化累计值
词w的哈夫曼向量通过梯度上升
当中θw与上次迭代的值之间的差值小于阈值,则词向量收敛,否则返回重新训练;
模型收敛时,词w的词向量Vw的计算公式为:其中,Context(w)表示数据中含有的词,|.|表示总数。
进一步优选地,所述利用CNN对词向量进行学习,得到训练优化后的词向量,包括:
对词向量进行归一化处理;
设置迭代的最大次数、初始化权值和接受精度阈值参数;
CNN中向前传播中第l层的输出al=σ(wlal-1+bl),其中,wl表示l-1层映射到l层的权值矩阵,bl表示数据偏倚,σ()表示sigma函数,即
CNN中反向传播中第l层的输出其中⊙表示向量之间的点乘,zl表示第l层的输入数据;
使用梯度下降方法更新第l层的wl和bl,更新方法为其中α表示学习速率;
检查W和b的变化值,如果小于停止迭代的阀值,则跳出循环,输出各层的W和b,以及训练优化后的词向量。
进一步优选地,所述利用LSTM对时序训练集数据进行训练,得到LSTM中各参数的值,包括:
设置权重、迭代次数和网络层数的初始值;
向前传输中t时刻遗忘门状态值为ft=σ(Wi[ht-1,xt]+bf),其中,Wi表示权重,ht-1表示上一个cell的输出,xt表示当前细胞的输入,σ表示sigmod函数,bf表示偏倚;
向前传输中t时刻输入门状态值it=σ(Wi[ht-1,xt]+bi),当前输细胞装填为其中,tanh为tanh函数;
根据遗忘门和输出门的输出值,细胞的输出值为
输出门的状态值ot=σ(Wo[ht-1,xt]+bo),隐藏层的状态为ht=ot*tanh(Ct);
利用反向传播计算误差;
当误差小于误差阈值时,输出权重Wi和偏倚bf。
进一步优选地,所述利用LSTM对实时数据进行计算,得到航班正常放行率的预测值,包括:
将输出的权重Wi和偏倚bf代入,并利用所述ft=σ(Wi[ht-1,xt]+bf)、it=σ(Wi[ht-1,xt]+bi)、ot=σ(Wo[ht-1,xt]+bo)、ht=ot*tanh(Ct)对实时数据进行计算,得到航班正常放行率的预测值。
相对于现有技术,本发明的基于CNN-LSTM航班正常放行率预测的方法提供了对航班状态时间序列数据更好的计算方法,让数据分析更加准确,并提供准确的航班正常放行率的预测值,解决了现有技术航班***数据形式单一、航班正常放行率的预测值不准确的问题。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1是本发明的基于CNN-LSTM航班正常放行率预测的方法的示例性流程框图。
图2是利用Word2vec训练测试得到每个词的词向量的示例性流程框图。
图3是利用CNN对词向量进行学习的示例性流程框图。
图4是利用LSTM对时序训练集数据进行训练的示例性流程框图。
具体实施方式
以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
天气状况是影响机场航班正常放行率的重要原因之一,同时航班状态也关系着航班正常起飞,由于天气情况和航班转态都是实时变化的,它们在时间序列上存在联系,因此,可以根据时间序列上的天气数据和航班状态数据进行航班正常放行率预测。
请参阅图1,图1是本发明的基于CNN-LSTM航班正常放行率预测的方法的示例性流程框图。本发明的基于CNN-LSTM航班正常放行率预测的方法,包括:
步骤101,对实时航班状态数据和实时天气数据打上时间标签,组合成格式化数据,并作为实时数据;
步骤102,将航班状态数据和同时序的天气数据作为有关联的词,利用Word2vec训练测试得到每个词的词向量,其中,航班状态数据和天气数据的时序先于实时航班状态数据和实时天气数据;
步骤103,利用CNN对词向量进行学习,得到训练优化后的词向量,训练优化后的词向量相比训练优化前的词向量语义更丰富;
步骤104,将训练优化后的词向量替换航班状态数据和天气数据,并作为时序训练集数据;
步骤105,利用LSTM对时序训练集数据进行训练,得到LSTM中各参数的值;
步骤106,利用LSTM对实时数据进行计算,得到航班正常放行率的预测值。
优选地,所述步骤102中,所述将航班状态数据和同时序的天气数据作为有关联的词,包括:将航班状态数据和同时序的天气数据进行整理,并格式化。
请参阅图2,图2是利用Word2vec训练测试得到每个词的词向量的示例性流程框图。
所述步骤102中,所述利用Word2vec训练测试得到每个词的词向量,包括:
利用哈夫曼编码,计算每个词的编码其中,w表示词,pw表示从根节点出发到达w对应叶子节点的路径,lw表示路径pw中包含节点的个数,表示路径pw中第i个非叶子节点对应的哈夫曼编码;
词w的哈夫曼向量为θw,表示路径pw中第i个非叶子节点对应的向量;
根据逻辑回归,词路径pw一个节点被分到正类的概率为被分到负类的概率为1-q,其中Vw表示词的词向量;
参数迭代过程中,参数采用梯度上升,步长其中α为常量;
词w向量的迭代变化累计值
词w的哈夫曼向量通过梯度上升
当中θw与上次迭代的值之间的差值小于阈值,则词向量收敛,否则返回重新训练;
模型收敛时,词w的词向量Vw的计算公式为:其中,Context(w)表示数据中含有的词,|.|表示总数。
根据所述步骤102获得的词向量,再利用CNN对数据进行训练,可使数据之间的隐特征区分明显,扩大数据之间的差异。
请参阅图3,图3是利用CNN对词向量进行学习的示例性流程框图。所述步骤103中,所述利用CNN对词向量进行学习,得到训练优化后的词向量,包括:
对词向量进行归一化处理;
设置迭代的最大次数、初始化权值和接受精度阈值参数;
CNN中向前传播中第l层的输出al=σ(wlal-1+bl),其中,wl表示l-1层映射到l层的权值矩阵,bl表示数据偏倚,σ()表示sigma函数,即
CNN中反向传播中第l层的输出其中⊙表示向量之间的点乘,zl表示第l层的输入数据;
使用梯度下降方法更新第l层的wl和bl,更新方法为其中α表示学习速率;
检查W和b的变化值,如果小于停止迭代的阀值,则跳出循环,输出各层的W和b,以及训练优化后的词向量。
请参阅图4,图4是利用LSTM对时序训练集数据进行训练的示例性流程框图。所述步骤105中,所述利用LSTM对时序训练集数据进行训练,得到LSTM中各参数的值,包括:
设置权重、迭代次数和网络层数的初始值;
向前传输中t时刻遗忘门状态值为ft=σ(Wi[ht-1,xt]+bf),其中,Wi表示权重,ht-1表示上一个cell的输出,xt表示当前细胞的输入,σ表示sigmod函数,bf表示偏倚;
向前传输中t时刻输入门状态值it=σ(Wi[ht-1,xt]+bi),当前输细胞装填为其中,tanh为tanh函数;
根据遗忘门和输出门的输出值,细胞的输出值为
输出门的状态值ot=σ(Wo[ht-1,xt]+bo),隐藏层的状态为ht=ot*tanh(Ct):
利用反向传播计算误差;
当误差小于误差阈值时,输出权重Wi和偏倚bf。
所述步骤106中,所述利用LSTM对实时数据进行计算,得到航班正常放行率的预测值,包括:
将输出的权重Wi和偏倚bf代入,并利用所述ft=σ(Wi[ht-1,xt]+bf)、it=σ(Wi[ht-1,xt]+bi)、ot=σ(Wo[ht-1,xt]+bo)、ht=ot*tanh(Ct)对实时数据进行计算,得到航班正常放行率的预测值。
本发明的基于CNN-LSTM航班正常放行率预测的方法是基于航站楼航班动态数据和天气情况数据对航班正常放行率预测的方法,改进了传统的预测方法,采用CNN-LSTM对时间序列数据进行分析,大大提升预测的准确率,同时避免了预测的延迟性。
采用时间序列,对机场实时数据流处理具有很好的效果,所以对机场航班正常率的预测提高了机场运行调度效率。此外,本发明的基于CNN-LSTM航班正常放行率预测的方法对机场其他时间序列状态数据的分析也提供了借鉴方法。
相对于现有技术,本发明的基于CNN-LSTM航班正常放行率预测的方法提供了对航班状态时间序列数据更好的计算方法,让数据分析更加准确,并提供准确的航班正常放行率的预测值,解决了现有技术航班***数据形式单一、航班正常放行率的预测值不准确的问题。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.一种基于CNN-LSTM航班正常放行率预测的方法,其特征在于,包括:
对实时航班状态数据和实时天气数据打上时间标签,组合成格式化数据,并作为实时数据;
将航班状态数据和同时序的天气数据作为有关联的词,利用Word2vec训练测试得到每个词的词向量,其中,航班状态数据和天气数据的时序先于实时航班状态数据和实时天气数据;
利用CNN对词向量进行学习,得到训练优化后的词向量,训练优化后的词向量相比训练优化前的词向量语义更丰富;
将训练优化后的词向量替换航班状态数据和天气数据,并作为时序训练集数据;
利用LSTM对时序训练集数据进行训练,得到LSTM中各参数的值;
利用LSTM对实时数据进行计算,得到航班正常放行率的预测值。
2.根据权利要求1所述的基于CNN-LSTM航班正常放行率预测的方法,其特征在于,所述将航班状态数据和同时序的天气数据作为有关联的词,包括:将航班状态数据和同时序的天气数据进行整理,并格式化。
3.根据权利要求2所述的基于CNN-LSTM航班正常放行率预测的方法,其特征在于,所述利用Word2vec训练测试得到每个词的词向量,包括:
利用哈夫曼编码,计算每个词的编码其中,w表示词,pw表示从根节点出发到达w对应叶子节点的路径,lw表示路径pw中包含节点的个数,表示路径pw中第i个非叶子节点对应的哈夫曼编码;
词w的哈夫曼向量为θw,表示路径pw中第i个非叶子节点对应的向量;
根据逻辑回归,词路径pw一个节点被分到正类的概率为被分到负类的概率为1-q,其中Vw表示词的词向量;
参数迭代过程中,参数采用梯度上升,步长其中α为常量;
词w向量的迭代变化累计值
词w的哈夫曼向量通过梯度上升
当中θw与上次迭代的值之间的差值小于阈值,则词向量收敛,否则返回重新训练;
模型收敛时,词w的词向量Vw的计算公式为:其中,Context(w)表示数据中含有的词,|.|表示总数。
4.根据权利要求3所述的基于CNN-LSTM航班正常放行率预测的方法,其特征在于,所述利用CNN对词向量进行学习,得到训练优化后的词向量,包括:
对词向量进行归一化处理;
设置迭代的最大次数、初始化权值和接受精度阈值参数;
CNN中向前传播中第l层的输出al=σ(wlal-1+bl),其中,wl表示l-1层映射到l层的权值矩阵,bl表示数据偏倚,σ()表示sigma函数,即
CNN中反向传播中第l层的输出其中⊙表示向量之间的点乘,zl表示第l层的输入数据;
使用梯度下降方法更新第l层的wl和bl,更新方法为其中α表示学习速率;
检查W和b的变化值,如果小于停止迭代的阀值,则跳出循环,输出各层的W和b,以及训练优化后的词向量。
5.根据权利要求4所述的基于CNN-LSTM航班正常放行率预测的方法,其特征在于,所述利用LSTM对时序训练集数据进行训练,得到LSTM中各参数的值,包括:
设置权重、迭代次数和网络层数的初始值;
向前传输中t时刻遗忘门状态值为ft=σ(Wi[ht-1,xt]+bf),其中,Wi表示权重,ht-1表示上一个cell的输出,xt表示当前细胞的输入,σ表示sigmod函数,bf表示偏倚;
向前传输中t时刻输入门状态值it=σ(Wi[ht-1,xt]+bi),当前输细胞装填为其中,tanh为tanh函数;
根据遗忘门和输出门的输出值,细胞的输出值为
输出门的状态值ot=σ(Wo[ht-1,xt]+bo),隐藏层的状态为ht=ot*tanh(Ct);
利用反向传播计算误差;
当误差小于误差阈值时,输出权重Wi和偏倚bf。
6.根据权利要求5所述的基于CNN-LSTM航班正常放行率预测的方法,其特征在于,所述利用LSTM对实时数据进行计算,得到航班正常放行率的预测值,包括:
将输出的权重Wi和偏倚bf代入,并利用所述ft=σ(Wi[ht-1,xt]+bf)、it=σ(Wi[ht-1,xt]+bi)、ot=σ(Wo[ht-1,xt]+bo)、ht=ot*tanh(Ct)对实时数据进行计算,得到航班正常放行率的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384267.XA CN109523082B (zh) | 2018-11-20 | 2018-11-20 | 一种基于cnn-lstm航班正常放行率预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384267.XA CN109523082B (zh) | 2018-11-20 | 2018-11-20 | 一种基于cnn-lstm航班正常放行率预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523082A true CN109523082A (zh) | 2019-03-26 |
CN109523082B CN109523082B (zh) | 2023-12-22 |
Family
ID=65776777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811384267.XA Active CN109523082B (zh) | 2018-11-20 | 2018-11-20 | 一种基于cnn-lstm航班正常放行率预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523082B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027767A (zh) * | 2019-12-09 | 2020-04-17 | 中国民航大学 | 一种基于Skip-LSTM网络的机场群延误预测方法 |
CN111047917A (zh) * | 2019-12-18 | 2020-04-21 | 四川大学 | 一种基于改进dqn算法的航班着陆调度方法 |
CN112132366A (zh) * | 2020-11-30 | 2020-12-25 | 中航信移动科技有限公司 | 一种航班放行率的预测*** |
CN112330114A (zh) * | 2020-10-27 | 2021-02-05 | 南京航空航天大学 | 基于混合深度神经网络的飞机危险识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274383A (zh) * | 2017-05-17 | 2017-10-20 | 南京邮电大学 | 一种基于深度学习的雾霾能见度检测方法 |
CN107291693A (zh) * | 2017-06-15 | 2017-10-24 | 广州赫炎大数据科技有限公司 | 一种改进词向量模型的语义计算方法 |
CN107544957A (zh) * | 2017-07-05 | 2018-01-05 | 华北电力大学 | 一种面向商品目标词的情感倾向分析方法 |
US20180075516A1 (en) * | 2016-09-14 | 2018-03-15 | Microsoft Technology Licensing, Llc | System for producing recommendations and predicting purchases of products based on usage patterns |
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
US10002322B1 (en) * | 2017-04-06 | 2018-06-19 | The Boston Consulting Group, Inc. | Systems and methods for predicting transactions |
CN108564227A (zh) * | 2018-04-26 | 2018-09-21 | 重庆大学 | 一种基于时空特征的轨道交通客流量预测方法 |
-
2018
- 2018-11-20 CN CN201811384267.XA patent/CN109523082B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075516A1 (en) * | 2016-09-14 | 2018-03-15 | Microsoft Technology Licensing, Llc | System for producing recommendations and predicting purchases of products based on usage patterns |
US10002322B1 (en) * | 2017-04-06 | 2018-06-19 | The Boston Consulting Group, Inc. | Systems and methods for predicting transactions |
CN107274383A (zh) * | 2017-05-17 | 2017-10-20 | 南京邮电大学 | 一种基于深度学习的雾霾能见度检测方法 |
CN107291693A (zh) * | 2017-06-15 | 2017-10-24 | 广州赫炎大数据科技有限公司 | 一种改进词向量模型的语义计算方法 |
CN107544957A (zh) * | 2017-07-05 | 2018-01-05 | 华北电力大学 | 一种面向商品目标词的情感倾向分析方法 |
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
CN108564227A (zh) * | 2018-04-26 | 2018-09-21 | 重庆大学 | 一种基于时空特征的轨道交通客流量预测方法 |
Non-Patent Citations (2)
Title |
---|
吴仁彪等: "融合气象数据的并行化航班延误预测模型", 《信号处理》 * |
吴仁彪等: "融合气象数据的并行化航班延误预测模型", 《信号处理》, vol. 34, no. 05, 31 May 2018 (2018-05-31), pages 2 - 3 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027767A (zh) * | 2019-12-09 | 2020-04-17 | 中国民航大学 | 一种基于Skip-LSTM网络的机场群延误预测方法 |
CN111027767B (zh) * | 2019-12-09 | 2023-04-07 | 中国民航大学 | 一种基于Skip-LSTM网络的机场群延误预测方法 |
CN111047917A (zh) * | 2019-12-18 | 2020-04-21 | 四川大学 | 一种基于改进dqn算法的航班着陆调度方法 |
CN111047917B (zh) * | 2019-12-18 | 2021-01-15 | 四川大学 | 一种基于改进dqn算法的航班着陆调度方法 |
CN112330114A (zh) * | 2020-10-27 | 2021-02-05 | 南京航空航天大学 | 基于混合深度神经网络的飞机危险识别方法 |
CN112132366A (zh) * | 2020-11-30 | 2020-12-25 | 中航信移动科技有限公司 | 一种航班放行率的预测*** |
Also Published As
Publication number | Publication date |
---|---|
CN109523082B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523082A (zh) | 一种基于cnn-lstm航班正常放行率预测的方法 | |
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN109883699A (zh) | 一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 | |
CN108536123A (zh) | 长短时记忆网络结合神经网络的列控车载设备的故障诊断方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN110443448B (zh) | 一种基于双向lstm的飞机机位分类预测方法和*** | |
CN109471698B (zh) | 云环境下虚拟机异常行为检测***和方法 | |
CN110471820A (zh) | 一种基于循环神经网络的云存储***磁盘故障预测方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN109993225A (zh) | 一种基于无监督学习的空域复杂度分类方法及装置 | |
CN113177587B (zh) | 基于主动学习和变分自编码器的广义零样本目标分类方法 | |
CN112763967B (zh) | 一种基于BiGRU的智能电表计量模块故障预测与诊断方法 | |
CN110837888A (zh) | 一种基于双向循环神经网络的交通缺失数据补全方法 | |
CN114154401B (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及*** | |
CN103559542A (zh) | 基于先验知识的可拓神经网络模式识别方法 | |
CN116822593A (zh) | 一种基于硬件感知的大规模预训练语言模型压缩方法 | |
CN113505210B (zh) | 一种基于轻量化Actor-Critic生成式对抗网络的医疗问答生成*** | |
CN113156492B (zh) | 一种应用于tbm隧道岩爆灾害实时智能预警方法 | |
CN118035866A (zh) | 基于专家网络的铝挤压设备故障诊断方法 | |
CN107357282A (zh) | 一种基于多维隐马尔可夫模型的飞行控制***评估方法 | |
CN109214500A (zh) | 一种基于混合智能算法的变压器故障识别方法 | |
CN116680969A (zh) | 一种pso-bp算法的充填体评估参数预测方法及装置 | |
CN114186771B (zh) | 一种混合正则化随机配置网络工业过程运行指标估计方法 | |
CN112329335B (zh) | 一种变压器油中溶解气体含量的长期预测方法 | |
CN115099499A (zh) | 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 510000 North Building of secondary company business building, block A4, New Baiyun International Airport, Baiyun District, Guangzhou City, Guangdong Province Applicant after: Guangdong Airport Baiyun Information Technology Co.,Ltd. Address before: 510000 North Building of secondary company business building, block A4, New Baiyun International Airport, Baiyun District, Guangzhou City, Guangdong Province Applicant before: GUANGDONG AIRPORT BAIYUN INFORMATION TECHNOLOGY CO.,LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |