CN111401601B - 一种面向延误传播的航班起降时间预测方法 - Google Patents
一种面向延误传播的航班起降时间预测方法 Download PDFInfo
- Publication number
- CN111401601B CN111401601B CN201911333709.2A CN201911333709A CN111401601B CN 111401601 B CN111401601 B CN 111401601B CN 201911333709 A CN201911333709 A CN 201911333709A CN 111401601 B CN111401601 B CN 111401601B
- Authority
- CN
- China
- Prior art keywords
- flight
- delay
- aircraft
- station
- prediction
- 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 abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 47
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 abstract description 3
- 238000004140 cleaning Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 230000010485 coping Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 4
- 230000010006 flight Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- VYMDGNCVAMGZFE-UHFFFAOYSA-N phenylbutazonum Chemical compound O=C1C(CCCC)C(=O)N(C=2C=CC=CC=2)N1C1=CC=CC=C1 VYMDGNCVAMGZFE-UHFFFAOYSA-N 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向延误传播的航班起降时间预测方法,以历史航班技术为基础,利用数据清洗和关联转化处理,分别建立原始历史航班运行数据集和航空器连续航段历史运行数据集,建立刻画延误传播的特征关键参量集;在此基础上,以任意选定的机场对为研究对象,从建立的各类数据集合中提取与该机场对相关的全部信息,运用深度学习算法,建立基于人工神经网络的航班延误预测模型,通过学习航空器在多航段运行中的延误传播特征,实现各航班在选定机场的起降时间预测。本发明以延误传播为主要关切,深度学习了复杂不确定的传播动力,并将其内化于航班起降时间预测。为各方进行航班运行保障提供关键时间参考,从提升整体***应对航班延误的治理能力。
Description
技术领域
本发明涉及空中交通管理与规划,特别涉及一种面向延误传播的航班起降时间预测方法。
背景技术
随着民航事业快速发展,航空需求呈现出高速发展的趋势,其引发机场网络空中交通拥堵以及航班延误现象日益严重。目前,我国机场网络的发展现状存在失衡的状况,尤其是在天气影响与交通管制等因素影响下,大面积航班延误的情况会在机场网络中传播开来,使得整个机场网络处在十分低效的运行模式中。空中交通流量管理、区域和机场协同决策是缓解大面积延误,提升航班流运行效率的重要手段,其关键在于对航空器在未来一段时间内运行状态预测的准确性。在此背景下,提出一种面向延误传播的航班起降时间预测方法,为制定机场网络拥堵缓解策略提供关键决策参数。
目前,在航班延误预测技术研究中,运用相关算法对航班延误模型进行构建与优化研究较为丰富,但是目前所运用的大多数研究方法,主要集中于历史数据的简单统计和相关性分析,或是采用机器学习构建从延误到延误的时序预测模型,尚未考虑延误在机场网络中的复杂不确定传播规律,及其对特定飞行航段延误的影响,难以对航班延误进行准确的分析与预测,难以为各利益相关方提供航班延误保障与疏解的决策支撑。
发明内容
发明目的:为了解决对航班延误进行准确的分析与预测,提出了一种准确优越的方法,从而实现更有效地进行航班延误传播分析与预测。
技术方案:本发明提出一种面向延误传播的航班起降时间预测方法,包括以下步骤:
(1)基于历史航班运行数据,提出航班延误特征参数的建模方法,建模方法的具体流程如下:
(1.1)建立原始历史航班运行数据集;
(1.2)建立航空器连续航段历史运行数据集;
(1.3)延误传播特征关键参量建模;
(2)选择任意机场对,利用深度学习算法,建立了基于人工神经网络的航班延误预测模型,学习航空器在多航段运行过程中的延误传播特征,具体流程如下:
(2.1)构建预测输入输出数据集;
(2.2)根据确定的输入输出参数,并按照比例随机划分总数据集,构建训练与测试数据集,完成航班延误预测模型的构建;
(2.3)基于人工神经网络的航班延误预测模型调优;
进一步地,步骤(1.1)中所述建立历史航班运行数据集包括采集全国航班历史运行数据,提取航班号、注册号、机型、起降机场、预计起飞时间、预计落地时间、实际起飞时间、实际降落时间。
进一步地,步骤(1.2)中建立历史运行数据集基于原始历史航班运行数据集,通过注册号提取每架航空器每日的连续飞行航段,将以航班号为索引的原始历史航班运行数据集整合成以航空器为索引的连续航段运行数据。
进一步地,步骤(1.3)中延误传播特征关键参量建模基于航空器连续航段历史运行数据集,分别针对每架航空器建立表征延误传播特征的关键参量,包括:Ai(i=0,1,2,…)为连续航段的第i站机场,为航空器在第i站机场的计划起飞时间、/>为航空器在第i站机场的实际起飞时间,/>为航空器在第i站机场的计划落地时间、/>为航空器在第i站机场的实际落地时间、/>为航空器在第i站机场至第i+1站机场的计划飞行时间、/>为航空器在第i站机场至第i+1站机场的实际飞行时间,为航空器在第i站机场的计划周转时间、/>为航空器在第i站机场的实际周转时间、/>为航空器在第i站机场的起飞延误、/>为航空器在第i站机场的落地延误。
进一步地,步骤(2.1)中数据集依据步骤(1.3)中建立的关键参量,构建用于航班延误预测模型训练与预测的数据集。同样,记连续航段中Ai(i=0,1,2,…)为第i站机场,并定义前站为Ai,本站为Ai+1、后站为Ai+2,其中,预测对象为本站机场Ai+1。输入参数包括:按最小过站时间要求所划分航空器类别ACT、前序起飞延误前序落地延误/>前序预计飞行时间TTi,i+1、前序实际飞行时间/>本站预计周转时间DTi+1、本段预计飞行时间TTi+1,i+2、本站是否为起始站Ai+1_O、后站是否为终点站Ai+2_F、本站起飞月份Mouth、本站起飞周段Week、本站起飞时段Hour与本站起飞分段Minute。输出参数包括:本站起飞延误下站落地延误/>
进一步地,步骤(2.2)中模型构建步骤如下:
S1:基于Tensorflow的环境下在Python平台中导入Keras工具包,选取models模块中的Sequential与layers模块中的Dense与Dropout功能;
S2:分别导入已整合成输入输出参数格式的训练集与测试集,完成训练模型与测试模型的数据导入;
S3:调用models中Sequential功能,构建人工神经网络。调用layers模块中的Dense与Dropout功能,构建输入层以及第一层隐藏层。设置相应的神经元数、网络权重与初始化神经元激活功能模型参数,并加入训练数据集的输入参数数据;
S4:构建后序隐藏层,调用layers模块中的Dense与Dropout功能,设置合适的隐藏层数,针对每层隐藏层,设置相应的神经元数、网络权重、初始化神经元激活功能与丢弃比例模型参数;
S5:构建输出层。调用layers模块中的Dense与Dropout功能,设置网络权重与初始化神经元激活功能等模型参数,并加入训练数据集的输出参数数据;
S6:按要求配置训练模型。调用compile功能,设置优化算法、目标函数与训练和测试的模型评估标准参数;
S7:对训练模型进行训练。调用fit功能,加入训练数据集的输入与输出参数数据,设置训练模型中的训练批量大小与遍历次数模型参数;
S8:输出预测模型的预测数据集误差值和评估标准值。调用evaluate功能,加入预测数据集的输入与输出参数数据,设置训练模型中的训练批量大小模型参数;
S9:输出预测模型的预测数据集预测结果。调用predict功能,加入测试数据集的输入参数数据,设置训练模型中的训练批量大小,输出相应的预测结果;
S10:建模和预测结束。
进一步地,步骤(2.3)中若训练集的训练效果不满意,或预测集的预测结果误差较大,调整(2.2)构建模型中的相应参数。适当调整训练集与预测集的批量大小、遍历次数、丢弃比例、隐藏层数与神经元数目。
有益效果:本发明与现有技术相比,其显著优点是:(1)实现从延误传播层面对航班延误的可靠预测,为旅客、机场、航空公司和空中交通管理部门提供航班起降时间参考,为制定高效的运行保障措施和延误缓解方案提供依据;(2)有助于制定缓解大范围航班延误的区内、跨区协调措施,减低航班延误的传播效应,为航班运行的安全高效提供有力支持,有利于我国航空运输网络***的健康稳定发展。
附图说明
图1本发明所述的面向延误传播的航班起降时间预测方法总体流程图;
图2人工神经网络航班延误预测模型构建流程图;
图3起飞延误预测值与真实值散点图分析图;
图4落地延误预测值与真实值散点图分析图;
图5起飞和落地延误预测精度分布图分析图。
具体实施方式:
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
本发明的具体实施方案如图1,主要包括如下步骤:
步骤1、原始历史航班运行数据预处理。收集2017年3月至2018年3月的全国历史航班运行数据,以上海虹桥至北京首都飞行航段为例,筛选与上述两机场相关的全部航班信息,包括:航班号、注册号、机型、起降机场、预计起飞时间、预计落地时间、实际起飞时间、实际降落时间等。针对数据集中存在的缺失数据,进行数据填补与清洗处理,补充完善历史航班运行数据集。首先考虑缺失数据的航班项是否存在计划航班临时取消、改航等特殊情况原因导致相关数据并未能进行统计的情况,如不是特殊情况,以航空器注册号等条件进行相似航班搜索,对缺失数据进行填补。如未能搜索到相似航班,对单条数据缺失量大于10%的航班数据项予以删除丢弃,对单条数据缺失量少于10%的航班数据采用样本插补的方法,即采用现有数据集的均值,根据其对应的数据类别对缺失项进行填补,实现对历史航班运行数据集的完善补充,完成所需的数据预处理。
步骤2、构建航空器连续航段历史运行数据集。基于原始历史运行航班数据预处理结果,以航空器作为研究对象,通过航空器注册号进行搜索,将原始历史航班运行数据集转化为以注册号为索引的连续航段历史运行数据集,刻画航空器从其他机场飞到虹桥、再从虹桥飞往北京落地过程中的历史延误传播情况。
步骤3、延误传播特征关键参量建模。基于步骤2中建立的航空器连续航段历史运行数据集,分别针对每架航空器建立表征延误传播特征的关键参量。其中,基本参数包括:Ai(i=0,1,2,…)为连续航段的第i站机场,为航空器在第i站机场的预计起飞时间、/>为航空器在第i站机场的实际起飞时间,/>为航空器在第i站机场的预计落地时间、/>为航空器在第i站机场的实际落地时间、/> 为航空器在第i站机场至第i+1站机场的预计飞行时间、/> 为航空器在第i站机场至第i+1站机场的实际飞行时间,/> 为航空器在第i站机场的预计周转时间、/>为航空器在第i站机场的实际周转时间、/>为航空器在第i站机场的起飞延误、为航空器在第i站机场的落地延误。
步骤4、预测输入输出数据集构建。依据步骤四中建立的关键参量,构建用于航班延误预测模型训练与预测的数据集。记连续航段中Ai(i=0,1,2,…)为第i站机场,即前站为Ai,本站为Ai+1、后站为Ai+2。此实例中,本站机场Ai+1为虹桥机场,后站为Ai+2为首都机场。预测所需的输入参数可以包括:按最小过站时间要求所划分航空器类别ACT、前序起飞延误前序落地延误/>前序预计飞行时间TTi,i+1、前序实际飞行时间/>本站预计周转时间DTi+1、本段预计飞行时间TTi+1,i+2、本站是否为起始站Ai+1_O、后站是否为终点站Ai+2_F、本站起飞月份Mouth、本站起飞周段Week、本站起飞时段Hour与本站起飞分段Minute。输出参数可以包括:本站(虹桥)起飞延误/>下一站(首都)的落地延误/>
步骤5、根据步骤4确定的输入输出参数,并按照9:1比例随机划分构建训练与测试数据集;在Tensorflow的环境下,采用Python平台通过高级API中的Keras模块,建立基于人工神经网络的深度学习框架,对批量大小、遍历次数、丢弃比例与隐藏层神经元数等的参数信息进行设置与调节,完成航班延误预测模型的构建。
模型构建过程如图2所示,具体步骤如下:
S1:基于Tensorflow的环境下在Python平台中导入Keras工具包,选取models模块中的Sequential与layers模块中的Dense与Dropout功能等;
S2:分别导入已整合成输入输出参数格式的训练集与测试集,完成训练模型与测试模型的数据导入;
S3:调用models中Sequential功能,构建人工神经网络。调用layers模块中的Dense与Dropout功能,构建输入层以及第一层隐藏层。设置相应的神经元数、网络权重与初始化神经元激活功能等模型参数,并加入训练数据集的输入参数数据;
S4:构建后序隐藏层。调用layers模块中的Dense与Dropout功能,设置合适的隐藏层数,针对每层隐藏层,设置相应的神经元数、网络权重、初始化神经元激活功能与丢弃比例等模型参数;
S5:构建输出层。调用layers模块中的Dense与Dropout功能,设置网络权重与初始化神经元激活功能等模型参数,并加入训练数据集的输出参数数据;
S6:按要求配置训练模型。调用compile功能,设置优化算法、目标函数与训练和测试的模型评估标准等参数;
S7:对训练模型进行训练。调用fit功能,加入训练数据集的输入与输出参数数据,设置训练模型中的训练批量大小与遍历次数等模型参数;
S8:输出预测模型的预测数据集误差值和评估标准值。调用evaluate功能,加入预测数据集的输入与输出参数数据,设置训练模型中的训练批量大小等模型参数;
S9:输出预测模型的预测数据集预测结果。调用predict功能,加入测试数据集的输入参数数据,设置训练模型中的训练批量大小,输出相应的预测结果;
S10:建模和预测结束。
步骤6、基于人工神经网络的航班延误预测模型调优。若训练集的训练效果不满意,或预测集的预测结果误差较大,调整模型中相应参数并重复进行训练与测试。适当调整训练集与预测集的批量大小、遍历次数、丢弃比例、隐藏层数与神经元数目等参数数值,可以实现提升训练模型的训练效果,提高预测模型的预测精度的目标。本示例中的延误预测精度如图3-5所示。
Claims (5)
1.一种面向延误传播的航班起降时间预测方法,其特征在于,步骤包括:
(1)基于历史航班运行数据,提出航班延误特征参数的建模方法,建模方法的具体流程如下:
(1.1)建立原始历史航班运行数据集;
(1.2)建立航空器连续航段历史运行数据集;
(1.3)延误传播特征关键参量建模;基于航空器连续航段历史运行数据集,分别针对每架航空器建立表征延误传播特征的关键参量,包括:Ai(i=0,1,2,…)为连续航段的第i站机场,为航空器在第i站机场的计划起飞时间、/>为航空器在第i站机场的实际起飞时间,/>为航空器在第i站机场的计划落地时间、/>为航空器在第i站机场的实际落地时间、为航空器在第i站机场至第i+1站机场的计划飞行时间、为航空器在第i站机场至第i+1站机场的实际飞行时间,/>为航空器在第i站机场的计划周转时间、/>为航空器在第i站机场的实际周转时间、/>为航空器在第i站机场的起飞延误、/>为航空器在第i站机场的落地延误;
(2)选择任意机场对,利用深度学习算法,建立基于人工神经网络的航班延误预测模型,学习航空器在多航段运行过程中的延误传播特征,具体流程如下:
(2.1)构建预测输入输出数据集;
(2.2)根据确定的输入输出参数,并按照比例随机划分总数据集,构建训练与测试数据集,完成航班延误预测模型的构建;模型构建步骤如下:
S1:基于Tensorflow的环境下在Python平台中导入Keras工具包,选取models模块中的Sequential与layers模块中的Dense与Dropout功能;
S2:分别导入已整合成输入输出参数格式的训练集与测试集,完成训练模型与测试模型的数据导入;
S3:调用models中Sequential功能,构建人工神经网络,调用layers模块中的Dense与Dropout功能,构建输入层以及第一层隐藏层,设置相应的神经元数、网络权重与初始化神经元激活功能模型参数,并加入训练数据集的输入参数数据;
S4:构建后序隐藏层;调用layers模块中的Dense与Dropout功能,设置合适的隐藏层数,针对每层隐藏层,设置相应的神经元数、网络权重、初始化神经元激活功能与丢弃比例模型参数;
S5:构建输出层;调用layers模块中的Dense与Dropout功能,设置网络权重与初始化神经元激活功能等模型参数,并加入训练数据集的输出参数数据;
S6:按要求配置训练模型;调用compile功能,设置优化算法、目标函数与训练和测试的模型评估标准参数;
S7:对训练模型进行训练;调用fit功能,加入训练数据集的输入与输出参数数据,设置训练模型中的训练批量大小与遍历次数模型参数;
S8:输出预测模型的预测数据集误差值和评估标准值;调用evaluate功能,加入预测数据集的输入与输出参数数据,设置训练模型中的训练批量大小模型参数;
S9:输出预测模型的预测数据集预测结果;调用predict功能,加入测试数据集的输入参数数据,设置训练模型中的训练批量大小,输出相应的预测结果;
S10:建模和预测结束;
(2.3)基于人工神经网络的航班延误预测模型调优;
2.根据权利要求1所述的一种面向延误传播的航班起降时间预测方法,其特征在于,步骤(1.1)中所述建立原始历史航班运行数据集包括采集航班历史运行数据,提取航班号、注册号、机型、起降机场、预计起飞时间、预计落地时间、实际起飞时间、实际降落时间。
3.根据权利要求1所述的一种面向延误传播的航班起降时间预测方法,其特征在于,步骤(1.2)中建立历史运行数据集基于原始历史航班运行数据集,通过注册号提取每架航空器每日的连续飞行航段,将以航班号为索引的原始历史航班运行数据集整合成以航空器为索引的连续航段运行数据。
4.根据权利要求1所述的一种面向延误传播的航班起降时间预测方法,其特征在于,步骤(2.1)中数据集依据步骤(1.3)中建立的关键参量,构建用于航班延误预测模型训练与预测的数据集,同样,记连续航段中Ai(i=0,1,2,…)为第i站机场,并定义前站为Ai,本站为Ai+1、后站为Ai+2,其中,预测对象为本站机场Ai+1,输入参数包括:按最小过站时间要求所划分航空器类别ACT、前序起飞延误前序落地延误/>前序预计飞行时间TTi,i+1、前序实际飞行时间/>本站预计周转时间DTi+1、本段预计飞行时间TTi+1,i+2、本站是否为起始站Ai+1_O、后站是否为终点站Ai+2_F、本站起飞月份Mouth、本站起飞周段Week、本站起飞时段Hour与本站起飞分段Minute,输出参数包括:本站起飞延误/>下站落地延误/>
5.根据权利要求1所述的一种面向延误传播的航班起降时间预测方法,其特征在于,步骤(2.3)中若训练集的训练效果不满意,或预测集的预测结果误差大,调整(2.2)构建模型中的相应参数,调整训练集与预测集的批量大小、遍历次数、丢弃比例、隐藏层数与神经元数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333709.2A CN111401601B (zh) | 2019-12-23 | 2019-12-23 | 一种面向延误传播的航班起降时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333709.2A CN111401601B (zh) | 2019-12-23 | 2019-12-23 | 一种面向延误传播的航班起降时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401601A CN111401601A (zh) | 2020-07-10 |
CN111401601B true CN111401601B (zh) | 2023-06-09 |
Family
ID=71413148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911333709.2A Active CN111401601B (zh) | 2019-12-23 | 2019-12-23 | 一种面向延误传播的航班起降时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401601B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257748A (zh) * | 2020-09-18 | 2021-01-22 | 南京航空航天大学 | 一种基于dbscan聚类算法的受限空域单元识别方法 |
CN112270445B (zh) * | 2020-11-02 | 2022-11-25 | 中国民航大学 | 基于统计分析和分类预测的航班延误波及综合评估方法 |
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 |
CN112687128B (zh) * | 2020-11-27 | 2022-06-03 | 民航成都信息技术有限公司 | 航迹预估到达时刻的预测方法、装置及自动预测*** |
CN112381336A (zh) * | 2020-12-11 | 2021-02-19 | 中国民航科学技术研究院 | 一种航班延误时长预测方法及*** |
CN112418730A (zh) * | 2020-12-11 | 2021-02-26 | 中国民航科学技术研究院 | 一种运输***的响应指标预估模型的构建方法 |
CN112529416A (zh) * | 2020-12-11 | 2021-03-19 | 中国民航科学技术研究院 | 一种运输***的运行效率预估模型的构建方法 |
CN112836905B (zh) * | 2021-04-22 | 2021-08-03 | 中航信移动科技有限公司 | 航班事件发生时间预测方法、装置、设备及存储介质 |
EP4239951A1 (en) * | 2022-03-01 | 2023-09-06 | Tata Consultancy Services Limited | Method and system for service authentication in an airport management network |
CN114781704A (zh) * | 2022-04-08 | 2022-07-22 | 南京航空航天大学 | 一种基于过站航班保障流程的航班延误预测方法 |
CN116910465B (zh) * | 2023-05-31 | 2024-06-11 | 南京航空航天大学 | 基于机器学习的空中交通流量管理延误分布预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448445A (zh) * | 2018-09-05 | 2019-03-08 | 南京航空航天大学 | 基于长短期记忆神经网络的航班延误分级预警方法 |
CN109492334A (zh) * | 2018-12-11 | 2019-03-19 | 青岛心中有数科技有限公司 | 航班延误的模型建立方法、预测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180012499A1 (en) * | 2016-07-07 | 2018-01-11 | Passur Aerospace, Inc. | System and Method for Predicting Aircraft Taxi Time |
AU2018241119A1 (en) * | 2017-10-06 | 2019-05-02 | Tata Consultancy Services Limited | System and method for flight delay prediction |
-
2019
- 2019-12-23 CN CN201911333709.2A patent/CN111401601B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448445A (zh) * | 2018-09-05 | 2019-03-08 | 南京航空航天大学 | 基于长短期记忆神经网络的航班延误分级预警方法 |
CN109492334A (zh) * | 2018-12-11 | 2019-03-19 | 青岛心中有数科技有限公司 | 航班延误的模型建立方法、预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
周洁敏,戴美泽,卢朝阳,周凯.基于弹性神经网络的航班延误时间预测.航空计算技术.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111401601A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401601B (zh) | 一种面向延误传播的航班起降时间预测方法 | |
CN109584638B (zh) | 一种面向区域网络的先期航班时刻协同优化方法 | |
CN107086935B (zh) | 基于wifi ap的人流量分布预测方法 | |
CN104751681B (zh) | 一种基于统计学习模型的停机位分配方法 | |
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 | |
CN104156594B (zh) | 一种基于贝叶斯网的航班过站时间动态估计方法 | |
Okwir et al. | Managing turnaround performance through collaborative decision making | |
Khanmohammadi et al. | A systems approach for scheduling aircraft landings in JFK airport | |
CN105023068A (zh) | 一种基于规则挖掘的航班进离场协同调度方法 | |
CN109840610A (zh) | 不正常航班飞机路径与旅客行程自动恢复***及方法 | |
CN113706931B (zh) | 空域的流控策略推荐方法、装置、电子设备及存储介质 | |
CN110852497A (zh) | 基于大数据深度学习的场面可变滑出时间预测*** | |
CN111415049A (zh) | 一种基于神经网络及聚类的停电敏感性分析方法 | |
CN109544000A (zh) | 面向航班正常性的航空公司排班计划优化方法和*** | |
Marcos et al. | A machine learning approach to air traffic route choice modelling | |
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 | |
Żak et al. | Assessment of airside aerodrome infrastructure by SAW method with weights from Shannon's interval entropy | |
CN110533220A (zh) | 一种数据驱动的机场离港延误分布挖掘方法 | |
CN107679647B (zh) | 一种机场客流量的时空分布预测装置 | |
CN110909946B (zh) | 一种基于公路换乘的航班计划优化方法 | |
CN116109212B (zh) | 一种机场运行效率评价指标设计及监测方法 | |
CN110766230A (zh) | 一种机场到港旅客各陆测交通方式流量预测方法及*** | |
Hu et al. | Research on Flight Delay Prediction Based on Random Forest | |
Montlaur et al. | Domain-driven multiple-criteria decision-making for flight crew decision support tool |
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 |