CN111191843B - 一种基于时序网络传播动力学方程的机场延误预测方法 - Google Patents

一种基于时序网络传播动力学方程的机场延误预测方法 Download PDF

Info

Publication number
CN111191843B
CN111191843B CN201911402177.3A CN201911402177A CN111191843B CN 111191843 B CN111191843 B CN 111191843B CN 201911402177 A CN201911402177 A CN 201911402177A CN 111191843 B CN111191843 B CN 111191843B
Authority
CN
China
Prior art keywords
airport
delay
probability
time
node
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
Application number
CN201911402177.3A
Other languages
English (en)
Other versions
CN111191843A (zh
Inventor
田勇
马丽娜
叶博嘉
万莉莉
王倩
徐灿
王湛
李超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911402177.3A priority Critical patent/CN111191843B/zh
Publication of CN111191843A publication Critical patent/CN111191843A/zh
Application granted granted Critical
Publication of CN111191843B publication Critical patent/CN111191843B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提出一种基于时序网络传播动力学方程的机场延误预测方法，涉及机场延误分析与预测领域，本发明考虑航空网络的时变性和异质性，基于机场要素构建航空时序边权网络，包含边连接矩阵序列和点特征向量序列，考虑延误波及作用的时空分布特点，提出一种考虑延误传播滞后时长τ、传递概率β、恢复概率τ的时序性机场延误波及ATSIS模型，进而建立机场延误概率变化的微分方程，为预测机场延误概率提供一种更准确的模型和方法基础，设计延误概率预测值求解算法流程，利用历史数据确定耦合参数，能够从中观角度分析延误在机场间的传播特性以及延误波及对机场个体的影响，为更有效地预测并解决机场延误提供参考依据。

Description

一种基于时序网络传播动力学方程的机场延误预测方法
技术领域
本发明属于机场延误分析与预测领域，具体涉及一种基于时序网络传播动力学方程的机场延误预测方法。
背景技术
随着人民生活水平的提高和航空业的迅速发展，航空运输的需求日益增加，航班延误问题随之加剧。航班延误不仅为旅客正常出行带来不便，还为航空公司造成大量经济和社会效应上的损失，同时降低了资源利用效率。一种已被广泛认可的理论表明，延误会沿着飞机、机组等飞行资源在航空网络中进行传播，并且这种效应会随着航线网络的繁忙程度而增强。因此，针对延误传播行为进行研究，有利于深入识别延误形成机理，并为下一步更精确地预测和更有效地控制延误提供基础。
目前，国内外学者针对航班延误的形成机理和影响因素已开展广泛研究，针对延误传播行为的讨论，多从微观角度出发，探寻单个航空器的延误产生及传播机理，研究延误沿着航班串向后续航班产生的链式波及效应；基于宏观角度，大多关注延误波及对整个航空网络构型的影响；此外，研究者们在经典传染病模型的基础上建立了相关的航空网络延误波及模型。然而，旅客感知的延误是在单个机场发生的，从微观的航空器角度和宏观的网络全局角度，均无法反映机场个体受到的延误波及影响；且现有的基于传染病模型的航空网络延误传播模型，在感染和恢复率方面均采用均匀化处理策略，未考虑航空网络内部各节点及边的异质性，且忽略了传播过程中时滞效应，不能充分反映延误传播的时空分布特征。
因此，现有成果的不足体现在：无法针对机场个体分析延误的传播效应；现有的基于传染病模型的航空网络延误传播模型，未考虑异质性和时滞效应，不能充分反映延误传播的时空分布特征，导致不能够有效地预测未来某时刻的机场状态。
发明内容
针对以上不足，本发明提供一种基于时序网络传播动力学方程的机场延误预测方法，以解决现有技术的未来某时刻机场状态预测效率低的问题。
为达到上述目的，本发明采用的技术方案为：
一种基于时序网络传播动力学方程的机场延误预测方法，所述方法包括：
获取航空时序边权网络的边连接矩阵序列和点特征向量序列；
根据所述边连接矩阵序列、点特征向量序列和机场延误感染概率变化的动力学方程计算得到机场延误概率预测值。
进一步的，所述边连接矩阵序列包括标准路长矩阵序列和航班流量矩阵序列；所述点特征向量序列包括原发延误概率向量序列和最少过站时间平均值向量序列。
进一步的，所述标准路长矩阵序列包括：
L(t)＝[lij(t)]，i，j∈A；
其中，L(t)为机场间的标准路长矩阵，lij(t)为t时刻机场i和机场j之间的标准路长，Rij(t)为t时刻机场i和机场j之间的航线长度，N为机场节点个数，A为机场节点集合；
所述航班流量矩阵序列包括：
W(t)＝[wij(t)]，i，j∈A。
其中，W(t)为t时刻机场节点间航班流量矩阵，wij(t)为t时刻机场i和机场j之间的航班流量；
所述原发延误概率向量序列包括：
PI(t)＝{pii(t)}，i∈A，
其中，PI(t)为t时刻机场节点发生原发性延误的概率向量，pii(t)为t时刻机场节点发生原发性延误的概率；
所述最少过站时间平均值向量序列包括：
M(t)＝{mi(t)}，i∈A，
其中，M(t)为t时刻各种机型最少过站时间平均值向量，mi(t)为t时刻i机场各种机型最少过站时间平均值。
进一步的，所述机场延误概率预测值的计算方法包括：
获取滞后时长耦合参数、传递概率耦合参数和恢复概率耦合参数；
根据所述标准路长矩阵序列和滞后时长耦合参数计算得到延误传播滞后时长；
根据所述标准路长矩阵序列、航班流量矩阵序列和传递概率耦合参数计算得到传递概率；
根据所述最少过站时间平均值向量序列和恢复概率耦合参数计算得到恢复概率；
根据所述延误传播滞后时长、传递概率、恢复概率和机场延误感染概率变化的动力学方程计算得到机场延误概率预测值。
进一步的，所述延误传播滞后时长的计算方法包括：
其中，τij(t)为t时刻延误感染节点j向易感节点i的延误传播滞后时长，lij(t)为t时刻机场i和机场j之间的标准路长，σ为滞后时长耦合参数；
所述传递概率的计算方法包括：
其中，βij(t)为t时刻延误感染节点j向易感节点i的传递概率，wij(t)为t时刻机场i和机场j之间的航班流量，lij(t)为t时刻机场i和机场j之间的标准路长，k为传递概率耦合参数；
所述恢复概率的计算方法包括：
其中，μi(t)为t时刻延误感染节点i的恢复概率，mi(t)为t时刻机场节点i各种机型最少过站时间平均值，λ为恢复概率耦合参数。
进一步的，所述机场延误感染概率变化的动力学方程包括：
其中，hij(t)表示t时刻机场节点i,j间的边，τij(t)为t时刻延误感染节点j向易感节点i的延误传播滞后时长，μi(t)为t时刻延误感染节点i的恢复概率，βij(t)为t时刻延误感染节点j向易感节点i的传递概率，wij(t)为t时刻机场i和机场j之间的航班流量，mi(t)为t时刻i机场各种机型最少过站时间平均值，pii(t)为t时刻机场节点发生原发性延误的概率，为t时刻机场节点i的延误感染概率。
进一步的，所述航空时序边权网络包括：
G(t)＝(A(t)，Φ(t)，H(t))，
其中，G(t)为航空时序边权网络，A(t)为t时刻机场节点集合，Φ(t)为t时刻机场节点状态集合，H(t)为t时刻机场节点间边的集合。
一种基于时序网络传播动力学方程的机场延误预测***，所述***包括：
第一获取模块：用于获取航空时序边权网络的边连接矩阵序列和点特征向量序列；
计算模块：用于根据所述边连接矩阵序列、点特征向量序列和机场延误感染概率变化的动力学方程计算得到机场延误概率预测值。
一种基于时序网络传播动力学方程的机场延误预测***，所述***包括处理器和存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述所述方法的步骤。
计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述所述方法的步骤。
与现有技术相比，本发明所达到的有益效果是：
本发明提出的航空时序边权网络，更好地揭示了航空网络的时变特征和异质性；本发明通过边连接矩阵序列、点特征向量序列和机场延误感染概率变化的动力学方程，充分考虑感染滞后、非均匀传染概率和饱和恢复率，更好地反映了延误波及作用的时空分布特点，能够有效针对机场个体未来某时刻的延误概率进行预测；本发明设计的延误概率预测值求解算法流程，基于历史数据确定耦合参数，充分利用航空运输的周期性特征，能够更有效地预测未来某时刻的机场状态。
附图说明
图1为本发明的总流程图；
图2为本发明提出的时序性机场延误波及ATSIS模型示意图；
图3为本发明设计的耦合参数取值算法流程图；
图4为本发明设计的机场延误概率微分方程求解算法流程图。
具体实施方式：
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
一种基于时序网络传播动力学方程的机场延误预测方法，所述方法包括：
获取航空时序边权网络的边连接矩阵序列和点特征向量序列；
根据所述边连接矩阵序列、点特征向量序列和机场延误感染概率变化的动力学方程计算得到机场延误概率预测值。
如图1、图2、图3、图4所示，并结合具体实施例来详细说明本发明一种基于时序网络传播动力学方程的机场延误预测方法，具体方法步骤如下：
步骤1：构建航空时序边权网络G(t)＝(A(t)，Φ(t)，H(t))：以t时刻的各个机场为航空网络的节点，t时刻机场间若无航班流，则节点间不存在连接边，若有航班流，则存在连接边，此时机场间航班流量wij(t)为节点间连接边的权重，记t时刻机场节点i,j间的边：
其中：i，j∈A。wij(t)与hij(t)具有时变性特征。
其中，wij(t)为t时刻机场节点i,j间的航班流量，hij(t)为t时刻机场节点i,j间的边，A(t)为t时刻机场节点集合，Φ(t)为t时刻机场节点状态集合，H(t)为t时刻机场节点间边的集合。根据实际民航运输特点，识别机场节点状态，将机场节点状态分为2类：正常S和延误I，机场i的状态为状态集合Φ＝{S，I}；当航班实际到港时间晚于计划到港时间(含)15分钟以上时，该航班为延误航班；t时刻当机场出现延误航班时，记机场状态
步骤2：构建具有时空分布特点的航空网络的边连接矩阵序列和点特征向量序列，边连接矩阵序列包括标准路长矩阵序列和航班流量矩阵序列；所述点特征向量序列包括原发延误概率向量序列和最少过站时间平均值向量序列：
步骤2.1：航空网络的节点具有空间分布特点，形成机场间的标准路长矩阵序列L：
L＝{L(t0)、L(t1)、L(t2)、L(t3)…}
L(t)＝[lij(t)]，i，j∈A；
其中L为机场节点间标准路长矩阵的时间序列，L(t)为机场间的标准路长矩阵，lij(t)为t时刻机场i和机场j之间的标准路长。
具体的方法是：
获取每2个机场间的航线长度Rij(t)，对Rij(t)按照以下方法进行标准化处理得到标准路长值lij(t)：
标准化后lij(t)∈[0,1]；
，标准化后∈其中，Rij(t)为机场i和机场j之间的航线长度，N为机场节点个数，除航线发生重大调整外，Rij(t)和lij(t)一般不随时间发生变化。
步骤2.2：航空网络的边权具有时间分布特点，形成机场节点间航班流量矩阵序列、其中，W:
W＝{W(t0)、W(t1)、W(t2)、W(t3)…}
W(t)＝[wij(t)]，i，j∈A。
其中，W为机场节点间航班流量矩阵的时间序列，W(t)为t时刻机场节点间航班流量矩阵，wij(t)为t时刻机场i和机场j之间的航班流量；
步骤2.3：机场由于天气、地面设备故障等自身原因产生的延误，定义为原发性延误，与相连机场的状态无关。机场节点原发延误概率向量序列、其中PI：
PI＝{PI(t0)、PI(t1)、PI(t2)、PI(t3)…}
PI(t)＝{pii(t)}，i∈A。
pii(t)为t时刻机场节点因自身原因产生延误的航班量占总航班量的比例。
其中，PI为机场节点原发延误概率向量的时间序列，PI(t)为t时刻机场节点发生原发性延误的概率向量，pii(t)为t时刻机场节点i发生原发性延误的概率；
t时刻机场节点i发生原发性延误的概率为：
y(t)为t时刻机场节点i由于天气、地面设备故障等自身原因而延误的航班量，Y(t)为该时刻该机场的航班总量。
步骤2.4：机场的保障能力优劣体现在接受其服务的不同机型的航空器所需的最少过站时间平均值，机场的保障能力也具有时变性，根据历史运行数据，形成机场节点各机型最少过站时间平均值向量序列、其中M：
M＝{M(t0)、M(t1)、M(t2)、M(t3)…}
M(t)＝{mi(t)}，i∈A，
其中，M为机场节点各种机型最少过站时间的平均值向量的时间序列，M(t)为t时刻各种机型最少过站时间平均值向量，mi(t)为t时刻机场节点i各种机型最少过站时间平均值。
步骤3：构建基于时序网络的延误传播ATSIS模型，包括：
步骤3.1：区分机场节点状态，机场节点集合中，正常机场节点S为延误传播中的易感节点，构成集合AS，延误机场节点I为延误传播中的感染节点，构成集合AI，有且AS∪AI＝A。当航班实际到港时间晚于计划到港时间(含)15分钟以上时，该航班为延误航班；机场出现延误航班时，该机场属于感染节点，否则属于易感节点。在ATSIS模型中，导致机场节点i状态由S转变为I的原因由两部分组成：本场天气、地面设备故障等自身原因产生的原发性延误和与i相连的所有机场节点的延误通过航班流传递的累积作用。
步骤3.2：机场状态具有时变性，记t时刻机场节点i状态为记/>的概率为/> 的概率为/>有/>
步骤3.3：计算ATSIS模型中延误波及相关参数，包括：
在ATSIS模型中，导致机场节点i状态由S转变为I的原因由两部分组成：本场天气、地面设备故障等自身原因产生的原发性延误和与i相连的所有机场节点的延误通过航班流传递的累积作用。
延误传播具有时滞性，机场间的延误波及是通过航班流传递的，一个机场某时刻的延误要经过一定的时间方可传递到另一个机场，滞后的时间长度与航线距离有关。因此，延误节点j对易感节点i的波及作用的滞后时间长度τij与节点间距离有关，节点距离越长，滞后长度越长。
利用机场间的标准距离矩阵L，计算机场节点间延误传播的时间滞后长度，节点j的延误传递到节点i经历的时间之后长度τij为：
σ为滞后时长耦合参数。
其中，τij(t)为t时刻延误感染节点j向易感节点i的延误传播滞后时长；
航空网络内部具有异质性，延误在不同机场节点对之间是以非均匀概率传递的。主要受节点间航班流量及距离的影响，机场间航班流量越大，节点间的接触程度越大，传递概率β越大；航线距离越长，有利于在飞行过程中对延误进行消解，传递概率β越小。利用机场间的标准距离矩阵L和航班流量矩阵序列W(t)，计算节点间延误传染概率，t时刻，且hij(t)＝1时，延误节点j向易感节点i的传递概率βij(t)为：
k为传递概率耦合参数。
其中，hij(t)为t时刻机场节点i,j间的边，βij(t)为t时刻延误感染节点j向易感节点i的传递概率，
在ATSIS模型中，机场节点i可通过自身的调节使其状态由I转变为S，即具有一定的恢复能力。机场的恢复能力μ与自身保障能力和处置手段的灵活程度有关，但由于设计容量的限制，具有饱和性特征。利用机场节点各机型最少过站时间平均值向量序列M(t)，计算机场节点的饱和恢复率，t时刻，时，节点i的恢复概率μi(t)为：
λ为恢复概率耦合参数。
其中，μi(t)为t时刻延误感染节点i的恢复概率，e为自然指数，其值约为2.7183。
已经恢复的机场仍可能以一定概率再次产生原发性延误或被相连的延误节点感染。
步骤4：在步骤3提出的ATSIS模型的基础上，建立机场节点延误概率的微分方程：
步骤4.1：根据基于个体的平均场方法，机场节点i受到的延误波及效应等于与之相连的各个延误节点对其波及作用的总和。
步骤4.2：进一步地，t时刻，每个与i相连的延误节点j对其的波及作用，等于节点i在t时刻处于易感状态S的概率与节点j若干时间(长度为τ)之前的延误概率以及两点之间传染概率β的乘积。
步骤4.3：t时刻，机场节点i的恢复作用，体现为该时刻其处于感染状态的概率与恢复概率的乘积。
步骤4.4：t时刻，节点i感染概率的变化量，等于该时刻受到的延误传播作用的增加量，加上该时刻机场节点原发性延误概率的变化量，再减去该时刻由于恢复作用的减少量。节点i在t时刻感染概率变化的动力学方程为：
根据步骤3，考虑具有时空分布特征的延误波及滞后、非均匀传染概率、原发性延误概率及饱和恢复概率，将具有时空分布特征的延误波及滞后、非均匀传染概率和饱和恢复概率代入，得到t时刻，机场节点i延误感染概率的动力学微分方程为：
步骤5：设计机场延误概率预测值的求解算法流程，t时刻机场延误概率预测值求解，包括：
步骤5:1：求解前，首先根据历史运行数据确定各耦合参数取值，考虑航空运输的周期性特征，选取与预测时段同期的历史运行数据，初始化时段起点的时刻、感染概率，设置耦合参数取值，进入求解流程，推进时间序列直到时段终点，计算出延误概率预测值，若位于实际延误概率值的对比区间内，则确定耦合参数，否则，调整耦合参数，重复上述过程，直至计算延误概率值位于对比区间内。
具体的方法是：
选取历史与预测时段处于同期的时段(t1,t2)，根据实际运行数据，统计t1时刻机场节点的延误率作为初始延误概率设置初始耦合参数取值，利用步骤4中感染概率微分方程进行求解，推进时间序列直到t2时刻，计算出延误概率预测值/>与t2时刻实际延误概率比较，若位于对比区间内，则确定耦合参数，否则，调整耦合参数，重复上述过程，直至计算延误概率值/>位于对比区间内。
步骤5.2：求解机场i在未来某时刻T的延误概率预测值，初始化时刻和感染概率，确定该时刻时序边权航空网络的边连接矩阵和点特征向量，根据步骤5.1中耦合参数取值确定该时刻节点i与所有机场的延误传播时滞矩阵、传染概率矩阵和节点i的恢复能力向量，代入微分方程计算感染概率，重复上述过程直至时间序列结束。
具体的方法是：
根据初始时刻t0的统计数据，初始化感染概率推进时间序列，依据实际需要和所需精度确定时间序列步长△t，令t＝t0+△t，按照上述步骤2，结合机场航班计划，确定该时刻时序边权航空网络边连接矩阵L(t)、W(t)和点特征值向量PI(t)、M(t)中与机场节点i有关的值，根据步骤5.1中确定的耦合参数取值计算满足hij(t)＝1的所有机场j与机场i间的延误传播滞后时长τij、传染概率βij(t)和节点i的恢复率μi(t)，代入微分方程计算感染概率/>将/>作为初始感染概率，推进时间序列，重复上述过程，直至到达时刻T，得到机场i在T时刻的延误概率预测值/>
t时刻，机场节点i受到的延误波及效应等于与之相连的各个延误节点对其波及作用的总和；每个与i相连的延误节点j对其的波及作用，等于节点i在t时刻处于易感状态S的概率与节点j若干时间(长度为τ)之前的延误概率以及两点之间传染概率β的乘积；机场节点i状态由I转变为S的恢复作用，体现为该时刻其处于感染状态的概率与恢复概率的乘积。已经恢复的机场仍可能以一定概率再次产生原发性延误或被相连的延误节点感染。
本发明所述的一种基于时序网络传播动力学微分方程的机场延误波及分析及预测方法，解决了现有技术无法针对中观角度的机场个体对延误传播效应进行分析，未全面考虑航空网络异质性和延误传播时滞效应，不能充分反映延误传播的时空分布特征的技术问题。本发明提出的航空时序边权网络构建方法，更好地揭示了航空网络的时变特征和异质性；本发明构建的时序性机场延误波及ATSIS模型，充分考虑感染滞后、非均匀传染概率和饱和恢复率，更好地反映了延误波及作用的时空分布特点；本发明建立的机场延误概率微分方程，能够有效针对机场个体未来某时刻的延误概率进行预测；本发明设计的延误概率预测值求解算法流程，基于历史数据确定耦合参数，充分利用航空运输的周期性特征，能够更有效地预测未来某时刻的机场状态。
根据基于个体的平均场方法，t时刻，机场节点i受到的延误波及效应等于与之相连的各个延误节点对其波及作用的总和；每个与i相连的延误节点j对其的波及作用，等于节点i在t时刻处于易感状态S的概率与节点j若干时间(长度为τ)之前的延误概率以及两点之间传染概率β的乘积；机场节点i状态由I转变为S的恢复作用，体现为该时刻其处于感染状态的概率与恢复概率的乘积。已经恢复的机场仍可能以一定概率再次产生原发性延误或被相连的延误节点感染。
t时刻，机场节点i延误感染概率的变化量，等于该时刻受到的传播作用的延误概率增加量，加上该时刻机场节点原发性延误概率的变化量，再减去该时刻由于恢复作用的延误概率减少量。
本发明从延误的形成与传播角度，构建基于单个机场延误概率变化的微分方程，为预测机场延误提供一种更准确的模型和方法基础。
本发明所述的一种基于时序网络传播动力学微分方程的机场延误波及分析及预测方法，解决了现有技术无法针对中观角度的机场个体对延误传播效应进行分析，未全面考虑航空网络异质性和延误传播时滞效应，不能充分反映延误传播的时空分布特征的技术问题。本发明提出的航空时序边权网络构建方法，更好地揭示了航空网络的时变特征和异质性；本发明构建的时序性机场延误波及ATSIS模型，充分考虑感染滞后、非均匀传染概率和饱和恢复率，更好地反映了延误波及作用的时空分布特点；本发明建立的机场延误概率微分方程，能够有效针对机场个体未来某时刻的延误概率进行预测；本发明设计的延误概率预测值求解算法流程，基于历史数据确定耦合参数，充分利用航空运输的周期性特征，能够更有效地预测未来某时刻的机场状态。
一种基于时序网络传播动力学方程的机场延误预测***，所述***包括：
第一获取模块：用于获取航空时序边权网络的边连接矩阵序列和点特征向量序列；
计算模块：用于根据所述边连接矩阵序列、点特征向量序列和机场延误感染概率变化的动力学方程计算得到机场延误概率预测值。
一种基于时序网络传播动力学方程的机场延误预测***，所述***包括处理器和存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述所述方法的步骤。
计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (3)

1.一种基于时序网络传播动力学方程的机场延误预测方法，其特征在于，所述方法包括：
获取航空时序边权网络的边连接矩阵序列和点特征向量序列；
根据所述边连接矩阵序列、点特征向量序列和机场延误感染概率变化的动力学方程计算得到机场延误概率预测值；
所述边连接矩阵序列包括标准路长矩阵序列和航班流量矩阵序列；所述点特征向量序列包括原发延误概率向量序列和最少过站时间平均值向量序列；
所述机场延误概率预测值的计算方法包括：
获取滞后时长耦合参数、传递概率耦合参数和恢复概率耦合参数；
根据所述标准路长矩阵序列和滞后时长耦合参数计算得到延误传播滞后时长；
根据所述标准路长矩阵序列、航班流量矩阵序列和传递概率耦合参数计算得到传递概率；
根据所述最少过站时间平均值向量序列和恢复概率耦合参数计算得到恢复概率；
根据所述延误传播滞后时长、传递概率、恢复概率和机场延误感染概率变化的动力学方程计算得到机场延误概率预测值；
所述延误传播滞后时长的计算方法包括：
其中，τij(t)为t时刻延误感染机场节点j向易感机场节点i的延误传播滞后时长，lij(t)为t时刻机场节点i和机场节点j之间的标准路长，σ为滞后时长耦合参数；
所述传递概率的计算方法包括：
其中，βij(t)为t时刻延误感染机场节点j向易感机场节点i的传递概率，wij(t)为t时刻机场节点i和机场节点j之间的航班流量，lij(t)为t时刻机场节点i和机场节点j之间的标准路长，k为传递概率耦合参数；
所述恢复概率的计算方法包括：
其中，μi(t)为t时刻延误感染机场节点i的恢复率，mi(t)为t时刻机场节点i各种机型最少过站时间平均值，λ为恢复概率耦合参数；
所述机场延误感染概率变化的动力学方程包括：
其中，hij(t)表示t时刻机场节点i,j间的边，pi(t)为t时刻机场节点i发生原发性延误的概率，为t时刻机场节点i的延误感染概率。
2.根据权利要求1所述的一种基于时序网络传播动力学方程的机场延误预测方法，其特征在于，所述标准路长矩阵序列包括：
L(t)＝[lij(t)]，i，j∈A；
其中，L(t)为机场间的标准路长矩阵，Rij(t)为t时刻机场节点i和机场节点j之间的航线长度，N为机场节点个数，A为机场节点集合；
所述航班流量矩阵序列包括：
W(t)＝[wij(t)]，i，j∈A；
其中，W(t)为t时刻机场节点间航班流量矩阵；
所述原发延误概率向量序列包括：
PI(t)＝{pii(t)}，i∈A，
其中，PI(t)为t时刻机场节点发生原发性延误的概率向量；
所述最少过站时间平均值向量序列包括：
M(t)＝{mi(t)}，i∈A，
其中，M(t)为t时刻各种机型最少过站时间平均值向量。
3.根据权利要求1所述的一种基于时序网络传播动力学方程的机场延误预测方法，其特征在于，所述航空时序边权网络包括：
G(t)＝(A(t)，Φ(t)，H(t))，
其中，G(t)为航空时序边权网络，A(t)为t时刻机场节点集合，Φ(t)为t时刻机场节点状态集合，H(t)为t时刻机场节点间边的集合。
CN201911402177.3A 2019-12-30 2019-12-30 一种基于时序网络传播动力学方程的机场延误预测方法 Active CN111191843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911402177.3A CN111191843B (zh) 2019-12-30 2019-12-30 一种基于时序网络传播动力学方程的机场延误预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911402177.3A CN111191843B (zh) 2019-12-30 2019-12-30 一种基于时序网络传播动力学方程的机场延误预测方法

Publications (2)

Publication Number Publication Date
CN111191843A CN111191843A (zh) 2020-05-22
CN111191843B true CN111191843B (zh) 2023-07-18

Family

ID=70707859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911402177.3A Active CN111191843B (zh) 2019-12-30 2019-12-30 一种基于时序网络传播动力学方程的机场延误预测方法

Country Status (1)

Country Link
CN (1) CN111191843B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112509382B (zh) * 2020-11-13 2021-10-22 南京航空航天大学 一种分析航班延误传播规律的方法
CN112800565B (zh) * 2021-01-12 2023-12-26 北京交通大学 高速铁路网络列车延误传播的预测方法
CN114493053B (zh) * 2022-04-18 2022-07-08 北京航空航天大学 一种基于双阶段回归的航空网络波及效应推断方法
CN116882590B (zh) * 2023-09-04 2023-11-24 中国民用航空飞行学院 基于时序网络模型的航班计划优化方法、***及储存介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108039068B (zh) * 2018-01-05 2021-08-24 南京航空航天大学 一种基于航班延误传播的加权航空网络社团结构划分方法
CN109872074B (zh) * 2019-03-04 2023-01-06 中国民航大学 基于sis的航空网络延误传播模型及建立方法

Also Published As

Publication number Publication date
CN111191843A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN111191843B (zh) 一种基于时序网络传播动力学方程的机场延误预测方法
CN103942623B (zh) 一种基于需求与容量不确定性的机场拥挤风险预测方法
WO2020248228A1 (zh) 一种Hadoop平台计算节点负载预测方法
WO2021082393A1 (zh) 基于大数据深度学习的机场场面可变滑出时间预测方法
CN107230392A (zh) 基于改进aco算法的枢纽机场停机位的优化分配方法
CN116468186B (zh) 一种航班链延误时间预测方法、电子设备及存储介质
Choi et al. Artificial neural network models for airport capacity prediction
CN110210648B (zh) 基于灰色长短期记忆网络的管制空域战略流量预测方法
CN112070355A (zh) 一种机场摆渡车的分配调度方法
CN112633562B (zh) 一种机场停机位智能调度方法
Wu et al. Modeling flight delay propagation in airport and airspace network
CN114781704A (zh) 一种基于过站航班保障流程的航班延误预测方法
CN110659773A (zh) 一种基于深度学习的航班延误预测方法
CN113806857A (zh) 一种基于变分图自编码器的高速列车节能制动方法
CN117827434A (zh) 基于多维资源预测的混合弹性伸缩方法
CN112182059B (zh) 一种航班延误特性的高阶分析方法
CN115731748B (zh) 航班跑道排序方法及存储介质
CN106529835A (zh) 一种终端区日通行能力确定方法及装置
Wang et al. A review of flight delay prediction methods
CN113095543B (zh) 用于机场停机位与滑行道的分配方法及***
CN111090793B (zh) 一种基于平均延误时间序列的机场日延误特征分类方法
Dhanawade et al. Analyzing factors influencing flight delay prediction
CN113139344A (zh) 一种面向多重失效模式的民用飞机运行风险评估方法
CN102158357B (zh) 水平分解的单类闭合分叉汇集排队网络性能的分析方法
CN113393136B (zh) 空中交通管制***延误传播特性发现方法、***及设备

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
GR01 Patent grant
GR01 Patent grant