CN112289077A - 预测飞行改航管理 - Google Patents
预测飞行改航管理 Download PDFInfo
- Publication number
- CN112289077A CN112289077A CN202010699243.4A CN202010699243A CN112289077A CN 112289077 A CN112289077 A CN 112289077A CN 202010699243 A CN202010699243 A CN 202010699243A CN 112289077 A CN112289077 A CN 112289077A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- flight
- airport
- data
- airports
- 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
- 230000004044 response Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 42
- 238000012423 maintenance Methods 0.000 claims description 16
- 230000010006 flight Effects 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000005055 memory storage Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 14
- 238000000605 extraction Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 239000000446 fuel Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000001934 delay Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000009049 secondary transport Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0017—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information
- G08G5/0026—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information located on the ground
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0095—Aspects of air-traffic control not provided for in the other subgroups of this main group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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]
- G08G5/0004—Transmission of traffic-related information to or from an aircraft
- G08G5/0008—Transmission of traffic-related information to or from an aircraft with other aircraft
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0004—Transmission of traffic-related information to or from an aircraft
- G08G5/0013—Transmission of traffic-related information to or from an aircraft with a ground station
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0017—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information
- G08G5/0021—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information located in the aircraft
-
- 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
- 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]
- G08G5/0073—Surveillance aids
- G08G5/0091—Surveillance aids for monitoring atmospheric conditions
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
- G08G5/0082—Surveillance aids for monitoring traffic from a ground station
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Emergency Management (AREA)
- Educational Administration (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
Abstract
本公开涉及预测飞行改航管理。本公开通过以下方式提供预测飞行改航管理:接收空中交通控制区域的天气数据;接收在空中交通控制区域中行进的多个飞机的飞行追踪数据;基于飞行追踪数据确定空中交通控制区域中的多个机场的容量率;并且响应于从预测改航事件的预测模型接收改航触发:基于天气数据、飞行追踪数据和容量率,从多个飞机中确定要从空中交通控制区域中的原始目的地改航到新目的地的飞机的子集。
Description
技术领域
本公开的方面涉及飞行管理。更具体地,本公开涉及使用实时数据来预测和管理偏离原始飞行计划的飞行的人工智能***。
背景技术
改航是指影响飞行的目的地(即飞机实际降落的地点和时间)的飞行计划的改变。例如,当机场A正在经历恶劣天气、正在经历跑道拥堵等时,或者当飞机燃料不足时、当出现技术困难时、当飞机上的人员正在经历医疗问题时,最初去往机场A的飞机可能改航到机场B。无论事件影响多个飞机(例如,在机场或沿着飞行走廊的改航事件)还是单个飞机,改航的飞机、其乘客、货物和机组人员需要由新目的地接收和处理,这可能影响去往该机场的其他机场(最初或由于改航),这可能导致进一步的延误或二次改航。常规地,飞机调度员因此已经求助于指示没有经历任何问题的飞机进入等待模式(例如,绕原始目的地机场飞行),直到影响该目的地机场的改航事件结束,以便减少改航的数量。不幸的是,这种常规实践在更大的空中交通***中产生了额外的复杂性,并且导致负面的乘客体验、飞机磨损增加、机组人员疲劳增加和其他问题。
发明内容
在一个方面,本公开可以提供一种用于预测飞行改航管理的方法,该方法包括:接收空中交通控制区域的天气数据;接收在空中交通控制区域中行进的多个飞机的飞行追踪数据;基于飞行追踪数据确定空中交通控制区域中的多个机场的容量率;并且响应于从预测改航事件的预测模型接收改航触发:基于天气数据、飞行追踪数据和容量率,从多个飞机中确定要从空中交通控制区域中的原始目的地改航到新目的地的飞机的子集。
在一个方面,结合上面或下面的任何示例方法,该方法还包括:向空中交通控制区域的飞行调度员发送指示子集和子集中的每个飞机的对应候选新目的地的警报;并且响应于接收到对子集的给定飞机的给定候选新目的地的选择,更新多个机场的容量率并且从子集移除给定飞机。
在一个方面,结合上面或下面的任何示例方法,空中交通控制区域包括全局飞行操作。
在一个方面,结合上面或下面的任何示例方法,从中选择新目的地的多个机场包括满足运营商要求的多个机场的指定子集,该运营商要求包括以下各项中的一个或多个:接近当前飞行路线;提供的维修服务;提供的医疗服务;以及由给定飞机运营商提供的供选飞行。
在一个方面,结合上面或下面的任何示例方法,基于以下条件从多个机场中选择新目的地:在每个新目的地的子集的给定飞机的预测到达时间的预测天气状况;以及在给定飞机的相关联的预测到达时间的每个新目的地的预测容量率。
在一个方面,结合上面或下面的任何示例方法,基于飞行追踪数据确定空中交通控制区域中的多个机场的容量率还包括:获得多个机场的操作参数,包括存在于给定机场的有效跑道的数量、有效航站楼的数量以及机库泊位的数量;观察预定时间段内的飞行追踪数据以确定:与有效跑道的数量相比,在子集的特定飞机到给定机场的估计到达时间(ETA)时使用的有效跑道的数量;与有效航站楼的数量相比,在ETA时使用的有效航站楼的数量;以及与机库泊位的数量相比,在ETA时使用的机库泊位的数量。
在一个方面,结合上面或下面的任何示例方法,飞行追踪数据包括:原始飞行路径,其包括原始起点和原始目的地;与原始飞行路径的偏差信息;以及多个飞机中的相关联的飞机的当前位置信息。
在一个方面,结合上面或下面的任何示例方法,子集的每个飞机被迭代地分配所选择的候选新目的地,其中,当子集的飞机被分配到所选择的候选新目的地时,更新推荐给子集的每个飞机的候选新目的地。
在一个方面,结合上面或下面的任何示例方法,飞行追踪数据是自动相关监视广播(ADS-B)数据。
在一个方面,本公开可以提供一种***,一种用于预测飞行改航管理的***,包括:处理器;以及包括指令的存储器存储装置,该指令在由处理器执行时提供:改航预测模块,被配置为基于天气数据和多个飞机的飞行追踪数据来确定改航到新的目的地机场的多个飞机中的每个飞机的改航可能性;干扰预测模块,被配置为基于天气数据、飞行追踪数据、机场操作条件和改航可能性来确定多个机场中的每个机场通过将多个飞机中的飞机改航到单个机场而被干扰的干扰可能性;以及推荐模块,被配置为针对多个飞机中的每个飞机输出具有最低干扰可能性的预定数量的候选机场。
在一个方面,结合上面或下面的任何示例***,指令在由处理器执行时还提供:估计到达时间(ETA)预测模块,被配置为基于天气数据和飞行追踪数据来确定改航由改航预测模块识别的每个候选新目的地的每个飞机的ETA。
在一个方面,结合上面或下面的任何示例***,改航预测模块包括:改航检测模型,被训练为基于天气数据、飞行追踪数据和机场操作条件来预测给定飞机何时将从原始目的地改航;以及新目的地预测模型,被训练为基于飞行追踪数据和机场操作条件来识别给定飞机将改航到的候选机场。
在一个方面,结合上面或下面的任何示例***,推荐模块向与给定改航的飞机相关联的飞行调度员发送识别预定数量的候选机场的警报,并且还被配置为从飞行调度员接收对给定候选机场的选择;并且响应于接收到该选择,基于该选择更新机场操作条件。
在一个方面,结合上面或下面的任何示例***,推荐模块包括在数量上对应于预定数量的候选机场的多个可选选择模型,其中,每个可选选择模型是机器学习模型,其被训练为使用与多个可选选择模型的其他可选选择模型不同的优先级来识别具有最低干扰可能性的一个候选机场。
在一个方面,本公开可以提供包含用于预测飞行改航管理的指令的计算机可读存储装置,其中,当该指令由处理器执行时,使处理器能够执行包括以下的操作:接收飞行控制区域的天气数据;接收在飞行控制区域中行进的多个飞机的飞行追踪数据;响应于接收到影响第一机场的改航触发:基于天气数据、飞行追踪数据和第一机场的容量率,从多个飞机中识别最初去往第一机场的第一飞机将被改航;响应于基于飞行追踪数据确定飞行控制区域中的第二机场的预测容量率满足容量阈值,将第一飞机从第一机场改航到第二机场;更新飞行追踪数据以指示第一飞机从第一机场改航到第二机场;并且基于更新后的飞行追踪数据更新第二机场的容量率。
在一个方面,结合上面或下面的任何示例计算机可读存储装置,响应于预测模型基于天气数据和飞行追踪数据预测影响第一机场的改航事件,从预测模型接收改航触发。
在一个方面中,结合上面或下面的任何示例计算机可读存储装置,响应于第一飞机上手动报告的机械或医疗问题,从飞机运营商接收改航触发。
在一个方面,结合上面或下面的任何示例计算机可读存储装置,第二机场选自飞行控制区域中满足运营商要求的机场的子集,该运营商要求包括以下各项中的一个或多个:接近当前飞行路线;提供的维修服务;提供的医疗服务;以及由给定飞机运营商提供的供选飞行。
在一个方面,结合上面或下面的任何示例计算机可读存储装置,基于以下条件选择第二机场:在第一飞机在第二机场的预测到达时间在第二机场的预测天气状况;以及在第一飞机的预测到达时间第二机场对由第一飞机消耗的资源的预测容量率。
在一个方面,结合上面或下面的任何示例计算机可读存储装置,确定第二机场的预测容量率还包括:观察预定时间段内的飞行追踪数据以确定:与有效跑道的数量相比,在第一飞机到第二机场的估计到达时间(ETA)时使用的有效跑道的数量;与有效登机口的数量相比,在ETA时使用的有效登机口的数量;以及与机库泊位的数量相比,在ETA时使用的机库泊位的数量。
附图说明
为了可以详细地理解上述特征的方式,可以通过参考示例方面来进行上面简要概括的更具体的描述,其中一些示例方面在附图中示出。
图1示出了根据本公开的方面的改航预测环境。
图2示出了根据本公开的方面的改航预测模块的详细示图。
图3示出了根据本公开的方面的估计到达时间预测模块的详细示图。
图4示出了根据本公开的方面的干扰预测模块的详细示图。
图5示出了根据本公开的方面的推荐模块的详细示图。
图6是根据本公开的方面的用于预测飞行改航管理的方法的流程图。
图7示出了根据本公开的方面的可以用于提供预测飞行改航管理的计算***的示例计算组件。
具体实施方式
本公开涉及用于预测飞行追踪和管理的***和方法,使用实时的飞行追踪数据(例如,ADS-B(自动相关监视广播)数据)、机场操作数据和天气数据来预测和管理从初始目的地到新目的地的飞行改航。根据历史飞行改航数据训练的人工智能(AI)模型被提供有来自飞行追踪和应答器***(诸如ADS-B***)、天气追踪***(例如METAR(机场气象报告)、航站楼气象预报(TAF))和运营商(例如航线操作指令、飞机容量、机场容量)的实时数据来预测飞行何时预期需要改航并且主动为该飞行推荐改航目的地。
通过从许多飞行实时收集数据,可以建立对单个机场的相对于那些机场的容量的实时操作的了解,这允许调度员更快地并且以更少的延迟或二次改航以及以更少的地面人员与单个飞机之间的通信来改航飞机。因此,本公开的从业者可以期望减少的机场拥堵、减少的飞机停留/逗留时间以及减少的通信量以实现改航(例如,空中交通控制(ATC)无线电业务)。从业者还可以实现燃料节省、提高的乘客满意度以及减少的顺序干扰(例如,错过转接飞行、改航飞机和机组人员的返航以及乘客二次运输)。
图1示出了根据本公开的方面的改航预测环境100。改航管理***110被设置在计算装置(诸如在本文中关于图7更详细地讨论的计算装置700)上以主动地管理被预测为处于改航风险的飞行。改航管理***110与追踪***120、天气***130和终端用户***140通信,该追踪***120、天气***130和终端用户***140可以包括在与改航管理***110相同的计算装置上和/或彼此上,或者包括在单独的计算装置上。另外,尽管被示出为单个***,但是改航管理***110、追踪***120、天气***130和终端用户***140中的每一个可以表示可以由单个计算装置或由分布式计算环境提供的所指示类型的一个或多个单个***。当由单独的装置提供时,各种***通过无线或有线网络、广播服务和波束服务(例如定向卫星通信和微波点对点通信)中的一个或多个通信地彼此连接。
追踪***120为改航管理***110提供来自飞机控制区域中的各种飞机的飞行追踪数据。在各个方面,追踪数据可以包括ADS-B数据、雷达定位数据、应答器数据以及指示飞机位于何处(包括高度)、飞机的航向以及飞机行进的速度的其他数据。对于ADS-B数据,单个飞机接收卫星定位信息以确定该飞机当前位于何处以及该飞机的当前速度,单个飞机广播该卫星定位信息以供一个或多个追踪***120接收。
在各个方面,追踪***120通过各个地理位置处的各个接收器从飞机控制区域中的所有发送信号的飞机接收飞行追踪数据,然后将该飞行追踪数据整理成单个数据集以观察一个飞机控制中的所有飞机的飞行路径。在各个方面,飞机控制区域是全局的(即,包括用于所有主动发送信号的或被追踪的飞机的追踪数据),但是也可以是局部的(例如,在机场或其他导航特征的确定范围内、在国家的空域内、在地区内等的所有主动/发送信号的飞机)。在一些方面,追踪数据还识别特定的飞机(例如,由航空公司A运行的飞行X)、飞机的类型和飞机的运营商,改航管理***110可以将其与已知的飞机特性(例如,运载X名乘客、需要至少Y m长的跑道、使用通用航空或与航空公司A或C(但不是B)相关联的设施)、飞机的当前(或原始)飞行计划的起点和目的地(以及任何已知的航路点)等相关联。这些飞行追踪数据还可以提供与原始飞行计划的偏差数据;指示飞机偏离航线(包括在与原计划不同的高度飞行)、在日程安排之前或之后、比原计划更快或更慢地飞行或被引导到与原计划不同的目的地的程度。
天气***130接收与飞行控制区域中的各个位置相关的当前天气数据和天气预报数据(统称为天气数据)。在各个方面,天气数据包括METAR(机场气象报告)数据、航站楼气象预报(TAF)数据以及与局部天气有关的其他当前、短期或长期信息集。天气数据可以指示以下各项中的一个或多个:温度;湿度;风速;降水(例如雨、雪、冰雹)的可能性、数量和类型;雷电的可能性;以及可能影响空中模式(例如火山爆发、森林火灾、洪水)的基于地面的条件,仅举几个示例。
终端用户***140表示一个或多个飞行调度员或机组人员(例如,飞行员、副驾驶员、导航员等)的计算***。飞行调度员包括空中交通控制员(ATC)、机场运营商和基于地面的航空运营商,它们控制飞机是否改航以及改航的位置。
终端用户***140可以向改航管理***110指示改航背后的各种要求或原因,以及每个机场处或附近的各种便利设施和设施。例如,给定机场处的固定基地运营商(FBO)可以利用在相关联的机场处可用的条件和服务周期性地更新机场数据库111。在另一示例中,航空公司的飞行控制器可以指示给定飞机由于飞机上的医疗问题或技术问题而需要被改航,使得改航管理***110将推荐改航至具有适当的资源(例如,在所选择的机场处或附近的医疗或维护小组和设施)的机场以解决该问题。改航管理***110进而使用所接收的飞行追踪数据、天气数据、机场数据库111中的机场的知识以及由终端用户***140指示的需要(如果指示)来确定将给定飞机改航到的一个或多个“最佳”机场,该机场在推荐或警报中被提供给终端用户***140以选择作为飞行的新目的地。
为了确定哪些机场对于给定的潜在改航是“最佳”的,改航管理***110使用所接收的数据来调研飞机控制区域中的当前飞行情况的整体情况,诸如通过识别所有飞机位于哪里并且前往哪里,识别每个机场处什么资源保持可用,并且考虑到那些飞机和机场的操作预测飞机和机场如何随时间交互。
改航管理***110包括机场数据库111,该机场数据库111识别在每个机场处什么资源(例如,跑道的数量和长度、登机口/航站楼的数量和类型、维护设施、燃料容量、机库空间、海关站)是可用的,以及什么服务位于每个机场附近(例如,地面运输选项、住宿选项、医疗服务),以及每个机场位于哪里。终端用户可以更新机场数据库111,或者改航管理***110的提供商可以管理机场数据库111,以反映一个或多个机场的最新状况(例如,当打开新跑道时,当关闭航站楼以进行重塑时)。
在一些方面,容量监控器112从机场数据库111接收关于每个机场的信息,并且从追踪***120接收飞行追踪信息,以基于来自随着时间接收到的飞行追踪数据在什么时间什么飞机到达来确定机场的各种度量的容量率,诸如例如,使用的跑道的百分比、飞机占用的登机口的百分比、在机场的维护人员使用率等。容量监控器112提供飞行控制区域中的每个机场的机场操作条件的最新数据集,其指示什么服务和资源名义上可用,以及什么服务对进入的飞机是预期使用的资源或是不可用的资源。
改航预测模块113接收天气数据、飞行追踪数据和(任选地)机场的容量率以确定飞机何时可能改航以及该飞机可能改航到什么机场。估计到达时间(ETA)预测模块114确定被确定为可能被改航到由改航预测模块113识别的每个候选机场的飞机的ETA是什么。例如,当在影响去往机场A的飞机X的机场A处预测到改航时,改航预测模块113将机场B和C识别为飞机X的候选新目的地,并且ETA预测模块114然后可以确定飞机X到机场B和C的ETA。
干扰预测模块115从容量监控器112接收容量率、从ETA预测模块114接收候选机场处的ETA、追踪数据和天气数据,以确定改航将干扰机场处的操作的程度。
例如,如果机场B能够在下一小时处理额外的n个飞机,但是n+m个飞机正被改航到机场B,则机场B将经历干扰和/或可能需要二次改航(例如,飞机X被改航到机场B并且稍后被改航到机场C)。因此,干扰预测模块115将这些预测提供给推荐模块116。
推荐模块116摄取飞机运营商的要求和偏好、当前在飞机控制区域中的所有飞机的已知和预测目的地以及在飞机控制区域中的所有可用机场的预测干扰风险,并且确定哪些机场是被预测将受改航事件影响的集体飞机的“最佳”改航目的地。例如,尽管飞机X和飞机Y两者都可能由于相同的改航事件而从机场A改航到机场B或机场C,但是推荐模块116可以推荐将飞机X改航到机场B并且将飞机Y改航到机场C。当推荐将各个飞机改航到哪些机场时,推荐模块116加权飞机运营商的偏好和对总空中交通网络的干扰(例如,以不压倒给定机场)以响应于改航事件向飞行调度员识别给定飞机将改航到的一个或多个优选机场。推荐模块116还考虑各个飞机的要求,例如,如果飞机X需要足够长的跑道、足够大的通道停车位或其他泊位、海关检查站或机场B缺少的其他资源,则推荐模块116将不推荐将飞机X改航到机场B。
通过预测改航事件而不是等待事件发生,改航管理***110可以从更多数量的机场中选择飞机改将航到的机场,并且更早地改航那些飞机,这有利地使得乘客更早地到达预定目的地,飞行机组人员值班时间更短、机械***上的压力更小、燃料消耗更少等。
通过监控飞行控制区域中的所有飞机和机场,改航管理***110可以在飞行控制区域分散并减轻来自受影响的机场的改航事件(预测的或当前发生的)的影响。例如,当改航事件(例如,雷雨)导致最初去往机场A的飞行被改航时,改航管理***110可以为飞往机场A的各种飞机识别航路上(即,在当前飞行路径的预定距离内)的机场,并且将飞机分散在新目的地中,从而降低对任何单个新目的地以及对飞机上的乘客和机组人员的干扰风险。为了尽可能早地选择新目的地并由此减少对乘客、航空公司和机场的干扰,改航管理***110训练几个人工智能(AI)模型以尽可能早地预测改航事件。
图2示出了根据本公开的方面的改航预测模块113的详细示图。当工作时,改航预测模块113可以接收例如机场数据、天气数据和飞行追踪数据以产生飞行预测数据,该飞行预测数据指示对给定飞行是否将被改航以及该飞行将被改航到哪些机场(如果改航)的预测。在各个方面,诸如当数据馈送被干扰时,改航预测模块113使用可用于实时数据的最新数据。飞行预测数据指示改航可能性超过预定义的可能性阈值,并且给定飞机应当被引导到与最初指示的飞行计划不同的机场着陆。数据清洗/预处理模块240标准化并建立所接收的数据之间的相互关系,以产生标准化格式和时间/位置签名的数据集,使得针对不同或偏移位置和/或时间接收的数据可以彼此比较。因此,可以将与不连续或部分连续的第一地理区域和第二地理区域相关的数据和/或以不同速率和/或不同时间接收的数据组合在一起,以为稍后的分析提供一致性和标准化的数据集。
特征提取模块250识别由AI模型使用的数据集的部分,以识别和预测飞行是否将被改航,以及如果是的话,飞行将被改航到什么改航目的地。对于改航检测模块260,特征提取模块250提取以下各项中的一个或多个:飞机的飞行计划的轨迹形状、到飞机的当前目的地的距离和角度、天气、当前保持在机场的飞行的数量、飞机的起点、飞机的高度、飞机的位置和飞机的航向。对于新目的地预测模型270,特征提取模块250提取以下各项中的一个或多个:飞机的轨迹形状、到原始目的地的距离和角度、天气、当前保持在机场的飞行的数量、飞机的起点、飞机的高度、飞机的位置和飞机的航向。
数据清洗/预处理和特征提取被用于实时数据以及历史机场数据210、历史飞行追踪数据220和历史天气数据230的训练数据。历史飞行追踪数据220提供监督学习集,指示历史数据中的给定飞机是否被改航以及改航到哪个机场。改航预测模块113基于监督学习集,例如通过随机森林方法训练AI模型,该随机森林方法开发和比较几个模型并选择最精确的模型分别用作改航检测模块260和新目的地预测模型270。
当被训练和工作时,改航检测模块260接收所提取的特征以预测飞机是否将在到达原始目的地之前被改航。预测可以作为分类(诸如“改航”或“不改航”)输出,或者作为可能性确定(例如,x%可能改航)输出。在训练期间,改航检测模块260可以为何时生成改航触发(例如,当改航的可能性超过y%时触发)建立可能性阈值,或者可以使用用户定义的可能性阈值。
当被训练和工作时,新目的地预测模型270从特征提取模块250接收所提取的特征并从改航检测模块260接收改航预测,以产生飞行预测数据,该飞行预测数据指示在到达原始目的地之前预测要被改航的所有飞机的一个或多个新目的地。
图3示出了根据本公开的方面的ETA预测模块114的详细示图。当工作时,ETA预测模块114可以接收例如实时机场数据、实时天气数据、实时飞行追踪数据和实时飞行预测数据(来自改航预测模块113),以产生预测的改航飞机到由改航预测模块113识别的候选新目的地的ETA。数据清洗/预处理模块320标准化并建立所接收的数据之间的相互关系,以产生标准化格式和时间/位置签名的数据集,使得针对不同或偏移位置和/或时间接收的数据可以彼此比较。
特征提取模块330识别由AI模型使用的数据集的部分,以识别和预测飞机将花费多长时间到达候选新目的地。对于ETA预测模型340,特征提取模块330提取以下各项中的一个或多个:天气、年/周/日的时间、飞机的位置、到候选新目的地的距离、飞机的速度、飞机的高度、飞机的航向以及沿着路线或在候选新目的地的交通。
数据清洗/预处理和特征提取被用于实时数据以及历史机场数据210、历史飞行追踪数据220、历史天气数据230和历史飞行预测数据310的训练数据。历史飞行追踪数据220提供监督学习集,该监督学习集指示给定飞机实际到达给定历史特征的给定目的地所花费的时间。ETA预测模块114基于监督学习集,例如通过随机森林方法训练ETA预测模型340,该随机森林方法开发和比较几个模型并选择最精确的模型用作ETA预测模型340。
当被训练和工作时,ETA预测模型340接收所提取的特征以预测给定飞机将花费多长时间到达候选新目的地。预测可以作为到达目的地之前的时间测量输出,该测量可以包括到达候选新目的地中的每一个的估计时间中的置信度分数或误差范围。用于飞机到达候选新目的地的预测ETA更新实时飞行预测数据,并且可以被添加到历史飞行预测数据310以用于未来的训练目的。
图4示出了根据本公开的方面的干扰预测模块115的详细示图。当工作时,干扰预测模块115可以接收例如实时机场数据、实时天气数据、实时飞行追踪数据和实时飞行预测数据(包括来自ETA预测模块114的到候选目的地的预测的ETA),以在飞机控制区域中的每个机场处产生预测的干扰率。在一些方面,干扰预测模块115针对每个机场输出几个时间范围(time-bound)干扰预测(例如,在下一个h小时、下一个2h小时内干扰的可能性等)。数据清洗/预处理模块410标准化并建立所接收的数据之间的相互关系,以产生标准化格式和时间/位置签名的数据集,使得针对不同或偏移位置和/或时间接收的数据可以彼此比较。
特征提取模块420识别由AI模型使用的数据集的部分,以识别和预测由于当前可用的实时数据和预测的改航而预期未来在给定机场将导致多少干扰。对于干扰预测模型430,特征提取模块420提取以下各项中的一个或多个:天气、保持在各个机场的飞机、改航(实际的和预测的)、来自预定飞行计划的延迟、沿着航线或在各个机场的交通、各个飞机(到原始和候选改航目的地)的ETA、飞行时刻表和飞机类型(例如,指示大小、乘客数量、货物量、跑道要求、维护/加油/机库要求)。
数据清洗/预处理和特征提取被用于实时数据以及历史机场数据210、历史飞行追踪数据220、历史天气数据230和历史飞行预测数据310的训练数据。历史飞行追踪数据220提供监督学习集,该监督学习集指示在各个机场的实际干扰是否严重以及有多严重,该监督学习集用于调谐干扰预测模型430以基于实时数据来预测即将到来的干扰。干扰预测模块115基于监督学习集,例如通过随机森林方法训练干扰预测模型430,该随机森林方法开发和比较几个模型并选择最精确的模型用作干扰预测模型430。
当被训练和工作时,干扰预测模型430接收所提取的特征以预测给定机场是否将在所指示的时间段内经历干扰,以及该干扰将有多严重。干扰的严重性可以包括干扰的长度(包括开始时间和结束时间)、干扰预测的置信度、受干扰影响的资源等。可以基于资源可用性(如由图1的容量监控器112识别的)和改航的飞机的预测资源消耗来识别受干扰影响的各个资源。
例如,干扰预测模型430可以指示对机场A和B的干扰将在机场A在h小时并且在机场B在2h小时之后被解决。在另一示例中,干扰预测模型430可以指示机场C将从当前时间t0到时间t1没有干扰,并且将经历从时间t1到时间t2影响类型x的跑道的干扰,但是将在类型y的跑道上从时间t0到时间t2没有干扰。在进一步的方面,干扰预测模型430可以彼此独立地预测各种资源的任何预测干扰的干扰可能性和严重性。例如,干扰预测模型430可以预测在机场A能够接收类型X和Y的飞机的跑道将被干扰,但是在机场A能够接收X类型(但不是类型Y)的飞机的跑道将不会在同一时间段被干扰。
图5示出了根据本公开的方面的推荐模块116的详细示图。当工作时,推荐模块116可以接收例如实时机场数据、实时天气数据、实时飞行追踪数据、实时飞行预测数据(包括来自干扰预测模块115的干扰预测)以及终端用户标准,以识别在预测或指示的改航事件(统称为改航触发)的情况下给定飞机将改航到的一个或多个候选机场。在各个方面,终端用户标准指示以下各项中的一个或多个:手动请求的改航(例如,由于飞机上的机械或医疗问题)、对改航目的地的位置的偏好(例如,离当前位置最近的目的地、离原始目的地最近的目的地)、对改航目的地的设施的偏好(例如,在医院的范围内;为航空公司A、B或C提供服务;现有的维护设施的类型;现有的后勤飞行机组人员)等。推荐模块116产生利用飞机的一个或多个推荐的新目的地产生警报,该警报被发送到终端用户***140(例如,所讨论的飞机的飞行计算机、航空公司或ATC的调度员计算机),并且可以选择飞机要改航到的新目的地。数据清洗/预处理模块510标准化并建立所接收的数据之间的相互关系,以产生标准化格式和时间/位置签名的数据集,使得针对不同或偏移位置和/或时间接收的数据可以彼此比较。
特征提取模块520识别由AI模型使用的数据集的部分,以基于当前可用的实时数据和预测的改航来识别用于使飞机改航的“最佳”改航目的地。对于可选选择模型530,特征提取模块520提取以下各项中的一个或多个:天气、保持在各个机场的飞机、改航(实际的和预测的)、来自预定飞行计划的延迟、沿着航线或在各个机场的交通、各个飞机(到原始和候选改航目的地)的ETA、飞行时刻表、飞机类型(例如,指示大小、乘客数量、货物量、跑道要求、维护/加油/机库要求)、各个机场的干扰水平(实际的和预测的)以及在各个机场或附近提供的服务。
数据清洗/预处理和特征提取被用于实时数据以及历史机场数据210、历史飞行追踪数据220、历史天气数据230和历史飞行预测数据310的训练数据。历史飞行追踪数据220提供监督学习集,该监督学习集指示哪些机场被呈现给终端用户用于先前预测的改航以及响应于历史改航哪些候选机场由终端用户选择,该监督学习集用于调谐可选选择模型530以基于实时数据在发送给终端用户的警报中将机场识别为候选改航目的地。推荐模块116基于监督学习集,例如通过随机森林方法训练可选选择模型530,该随机森林方法开发和比较几个模型并选择最精确的模型用作可选选择模型530。
当被训练和工作时,可选选择模型530接收所提取的特征以确定满足终端用户标准(例如,开放/可用于在ETA处着陆,其可以处理指定大小和乘客数量、可用服务和设施的飞机)的飞行的目的地的一组可能的可选机场。可选选择模型530预测在可选机场处的改航飞机的ETA时的每个可选机场处的条件,以确定可以以对机场、飞机以及乘客和/或货物的操作的最小干扰改航到哪些机场。例如,航空公司经常使用的机场(并且在该机场具有相关联的地面机组人员、额外的飞行机组人员等)可产生对航空公司在用该飞机处理稍后的飞行时的较少的干扰。在另一示例中,具有最大自由容量的机场可以候选机场中具有最小干扰(例如,允许飞机更早地着陆并且乘客更早地找到可选运输)接受改航的飞机。在进一步的示例中,最接近原始目的地机场的可选机场可产生对经由地面运输到达最终目的地的乘客或货物的最小干扰。
可选选择模型530加权航空公司干扰、机场干扰和乘客干扰的竞争利益,以将预定义数量的候选机场识别为终端用户的“最佳”可选方案。在一些方面,可选选择模型530的多个实例对如何最小化干扰提供不同的权重,以根据可选选择模型530的每个实例提供对应数量的“最佳”候选机场。例如,可选选择模型530的三个实例通过使用不同的权重分别针对如何优先减少对航空公司、机场和乘客的干扰而提供三个“最佳”候选,该候选在一个警报中被提供给终端用户***140以从中进行选择。
在提供可选选择模型530的多个实例的方面,一个实例的输出可以与来自另一实例的输出相同或不同。例如,优先减少对航空公司的干扰的第一实例和优先减少对乘客的干扰的第二实例两者都可以将机场A识别为“最佳”改航目的地,而优先减少对机场的干扰的第三实例可以将机场B识别为“最佳”改航目的地。
当随着时间的推移接收新的实时数据时,可选选择模型530可以在改航事件呈现时更新推荐的目的地。例如,基于与时间t0相关联的所接收的实时数据在时间t0时的推荐可以指示飞机可以在天气事件之前到达原始目的地,从而导致不生成警报。然而,在稍后的时间t1,基于与时间t1相关联的新数据,可选选择模型530可以确定飞机现在不能在天气事件之前到达原始目的地(例如,由于天气单元(weather cell)移动得比原始预测的更快或飞机移动得比原始预测的更慢),并且因此应当被改航到可选机场A。继续该示例,如果在时间t3,改航到可选机场A的飞机经历与原始改航事件变化相关的另一改航事件(例如,医疗或机械问题)或条件,则可选选择模型530可以基于与时间t3相关联的实时数据将可选机场B识别为机场A的可选方案。
因为改航管理***110具有对整个飞行控制区域(其可以包括全局飞行操作)的情境感知,所以在一些方面,可选选择模型530基于其他飞机的较高优先级为飞机推荐改航目的地以避免对交通网络的干扰。例如,如果飞机X和飞机Y两者都去往机场A,并且雷暴正在接近机场A,这将仅允许飞机X和飞机Y中的一个在天气事件发生之前着陆,则可选选择模型530选择飞机X和飞机Y中的一个来改航。在一些方面,飞机X可以被安排在飞机Y之前在机场A着陆,但是由于飞机Y运载更多的乘客、对地面设施(例如,海关入境点、较长的跑道)具有更严格的要求、具有更高的优先级的改航类型(例如,低燃料、医疗或维护问题)、具有在机场A等待的替换机组人员、具有在机场A要接的乘客等,飞机X被改航。
在另一示例中,当飞机X和Y两者都可以改航到机场A或机场B时,改航管理***110选择导致对飞机X和Y的乘客、机组人员和航空公司的总干扰最低的改航目的地,而不是基于单个干扰潜在性来选择目的地。通过考虑总干扰而不是逐飞机或逐机场地考虑干扰,改航管理***110可以避免将太多的飞机改航到所选择的改航目的地,并且由此减轻在改航目的地处二次改航或增加延迟的风险。
例如,考虑一种情形,其中:将飞机X或Y改航到机场A将导致比将飞机X或Y改航到机场B对相应乘客、机组人员和航空公司的干扰更低,但是机场A在给定的时间窗口中仅可以接受飞机X或Y中的一个。在这种情形下,改航管理***110推荐将飞机X改航到机场B并且将飞机Y改航到机场A,这使得比如果飞机X和Y两者都改航到机场A(或者如果飞机X改航到机场A并且飞机Y改航到机场B)对各方的总干扰更低。
因此,改航管理***110提供对空中交通网络的整体管理方法,而不是逐机场或逐飞机的管理。尽管本文提供的示例总体上涉及一个或两个飞机和一个或两个机场,但是改航管理***110可以追踪任何数量的飞机和机场在其中工作的飞行控制区域。
图6是根据本公开的方面的用于预测飞行改航管理的方法600的流程图。
方法600从框610开始,在框610中,改航管理***(诸如可以参考图1至图5描述的)接收空中交通控制区域的天气数据。在框620处,改航管理***接收在空中交通控制区域中行进的飞机的飞行追踪数据。尽管以一个顺序示出和讨论,但是在其他方面,框610和框620可以基本上同时并行地执行,或者在框610之前与框620一起执行。改航管理***可以在收集数据时实时(或接近实时)接收天气和飞行追踪数据,或者可以以周期性间隔接收天气和飞行追踪数据(例如,针对s秒、m分钟或h小时的时间窗口收集和整理并且以对应的频率接收数据)。
在一些方面,飞行追踪数据包括指定飞机的位置数据(例如,纬度、经度、高度、速度、航向)的ADS-B数据,该ADS-B数据可以由为飞行追踪数据中指示的每个单个飞机指定原始飞行路径(例如,原始起点、航点和目的地)和与原始飞行路径的偏差信息的飞行数据。
在各个方面,空中交通控制区域因此包括全局飞行操作以及飞行追踪数据和天气数据,但是在其他方面可以被定位到给定机场周围的联盟、国家、地区或区域。
在框630处,改航管理***基于飞行追踪数据来确定空中交通控制区域中的机场的容量率。改航管理***从飞行追踪数据观察哪些飞机到达哪些机场,并确定那些飞机如何影响每个机场指示的基准容量。
例如,改航管理***获得机场的操作参数,包括存在于给定机场的有效跑道的数量、有效航站楼的数量以及机库泊位的数量,并且观察预定时间段(例如,最后d天、最后w个工作日、最后e个周末、最后h个假日)内的飞行追踪数据以确定:与有效跑道的数量相比,在特定飞机到给定机场的ETA时使用的有效跑道的数量;与有效航站楼的数量相比,在ETA时使用的有效航站楼的数量;以及与机库泊位的数量相比,在ETA时使用的机库泊位的数量。改航管理***还可以从机场接收容量率数据(例如,固定基础运营商可以指示x条跑道在峰值容量时可用,或者y条跑道在给定时间窗口中可用)。改航管理***可以追踪空中交通控制区域中的几个机场的几个容量率,包括但不限于:跑道可用性、航站楼/登机口可用性、机库/维护设施可用性、加油可用性、酒店可用性、地面运输可用性、维护机组人员可用性、空中机组人员可用性、医疗设施/机组人员可用性和海关官员可用性。
在框640处,改航管理***识别要改航的飞机。在一些方面,改航管理***基于手动接收的改航事件(诸如例如当飞行机组人员指示飞机上已经发生了医疗问题并且飞机需要比原始计划更早地着陆时)来识别飞机。在其他方面,改航管理***预测飞机将受到改航事件(例如,在原始目的地处发展的天气事件、比原始目的地处的预期操作慢、延迟飞行级联以影响在原始目的地处的进入飞行)的影响,并且生成识别飞机和该飞机的候选新改航目的地的改航触发。改航触发由预测改航事件的一个或多个AI模型(例如,关于图2讨论的改航检测模块260和新目的地预测模型270)生成,改航管理***使用该改航触发作为向各个飞行调度员和空中机组人员推荐新目的地的基础。
在一些方面,改航管理***响应于改航事件识别要被改航的所有飞机,并且基于哪些机场满足运营商要求共同识别那些飞机可以被改航到的新目的地,运营商要求包括例如:提供的维修服务、提供的医疗服务,以及由给定飞机运营商提供的可选飞行。在其他方面,改航管理***将要被改航的多个飞机划分为优先的子集。例如,当飞机X和Y由于天气事件被改航,但是飞机Z由于医疗或维修事件被改航时,由于分配给影响飞机Z的改航事件的更高优先级,改航管理***可以在分析飞机X和Y的改航候选者之前,识别要飞机Z将改航到的机场。一旦已经为飞机Z分配了新目的地,则在方法600的后续迭代中,则该示例中的飞机X和Y可以被改航。因此,当接收到额外的天气和飞行追踪数据并且当在新分配的目的地处为那些改航的飞机考虑较早改航的飞机时,改航管理***可以迭代地将飞机分配到新目的地。
在框650处,改航管理***识别对空中交通网络产生最小干扰的候选改航目的地。改航管理***使用一个或多个AI模型以基于在候选机场的飞机的预测到达时间时的预测天气状况和在给定飞机的预测到达时间时的候选机场的预测容量率来识别哪些机场可以接收改航的飞机以及接收该飞机对给定机场的影响。改航管理***分析将几个飞机改航到几个候选机场的影响,以基于当前可用数据来识别导致空中交通网络上的最低总干扰的分配。通过更早地预测改航事件,并且将受改航事件影响的飞机分散到几个机场,改航管理***可以减少改航事件对飞机控制区域中的空中交通网络的影响。在各个方面,改航管理***通过向空中交通控制区域的飞行调度员发送指示哪些飞机被推荐改航到哪些新目的地机场的警报来识别要将飞机改航到的推荐机场。在一些实施方式中,改航管理***通过向受影响飞机上的飞行机组人员发送识别飞机的推荐新目的地机场的警报,来识别要将飞机改航到的推荐机场。
在框660处,响应于接收到针对改航飞机的给定候选新目的地机场的选择,改航管理***更新机场的容量率,使得要被改航但尚未选择新目的地的任何飞机以及由于未来改航事件而改航的任何飞机可以基于关于资源可用性的最新信息被改航到机场。然后,方法600可以使用新的容量率再次迭代以识别要被改航的飞机的新候选目的地。方法600还可以在接收到新的天气数据(每个框610)或接收到新的飞行追踪数据(每个框620)时再次迭代。
图7示出了如本公开中所述的可以用于提供预测飞行改航管理的计算装置700或其他处理***的示例计算组件。
计算装置700包括处理器710、存储器720和接口730。处理器710和存储器720提供计算功能以运行AI模块以处理实时数据并输出改航警报。
处理器710可以是能够执行本文所述功能的任何计算机处理器,其基于从用户接收的输入和从接口730接收的数据来执行命令。
接口730将计算设备700连接到外部装置,诸如例如外部存储器装置、外部计算装置、电源、无线发送器等,并且可以包括各种连接端口(例如,通用串行总线(USB)、火线、以太网、同轴插孔)和布线。接口730用于接收实时数据并输出改航推荐。
存储器720是通常包括各种处理器可执行指令的存储器存储装置,当所述指令由处理器710执行时,使处理器执行与本文讨论的预测飞行改航管理有关的各种功能。尽管可选实现可以具有不同的功能和/或功能的组合,但是处理器可执行指令通常可以被描述或组织为存储器720中的各种“应用程序”或“模块”。存储器720还通常包括存储由各种应用程序或模块使用或输出的信息的数据结构。在本公开中,存储器720至少包括用于操作***740和一个或多个应用程序750的指令。存储器720可以是一个或多个存储器装置,诸如例如随机存取存储器(RAM)、只读存储器(ROM)、闪存或包括处理器710可以执行的指令的任何其他类型的易失性或非易失性存储介质。
当计算装置700提供改航管理***110的功能时,存储器720包括处理器可执行指令以提供改航管理***110的应用程序(以及包括在其中的各种AI模型和模块)并提供本公开中描述的功能。在一些方面,存储器720包括用于在训练AI模型的历史飞行预测数据310、历史机场数据210、历史飞行追踪数据220和历史天气数据230的数据库,但是在其他方面,数据库从计算装置700外部维护并且经由接口730访问。
在本公开中,参考各个方面。然而,应当理解,本公开不限于所描述的具体方面。相反,无论是否与不同方面相关,预期以下特征和元件的任何组合以实现和实践本文提供的教导。另外,当以“A和B中的至少一个”的形式描述各方面的元件时,应当理解,分别预期排他地包括元件A、排他地包括元件B以及分别包括元件A和B的各方面。此外,尽管一些方面可以实现优于其他可能的解决方案和/或优于现有技术的优点,但是特定优点是否由给定方面实现并不限制本公开。因此,本文公开的方面、特征、方面和优点仅是说明性的,并且除非在权利要求中明确叙述,否则不被认为是所附权利要求的元件或限制。同样地,对“本发明”的引用不应被解释为本文公开的任何发明主题的概括,并且除非在权利要求中明确叙述,否则不应被认为是所附权利要求的元件或限制。
如本领域技术人员将理解的,本文描述的方面可以实施为***、方法或计算机程序产品。因此,各方面可以采取以下形式:完全硬件方面、完全软件方面(包括固件、驻留软件、微代码等)或组合软件和硬件方面的方面,这些方面在本文中通常都可以被称为“电路”、“模块”或“***”。此外,本文描述的各方面可以采取体现在一个或多个计算机可读存储介质中的计算机程序产品的形式,该一个或多个计算机可读存储介质具有在其上体现的计算机可读程序代码。
可以使用任何适当的介质(包括但不限于无线、有线、光纤电缆、RF(射频)等或前述的任何适当组合)来发送包含在计算机可读存储介质上的程序代码。
用于执行针对本公开的方面的操作的计算机程序代码可以用一种或多种编程语言的任意组合来编写,该编程语言包括诸如Java、Smalltalk、C++等的面向对象编程语言和诸如“C”编程语言或类似编程语言的常规过程编程语言。程序代码可以完全在用户的计算机上执行、部分在用户的计算机上执行、作为独立软件包执行、部分在用户的计算机上执行并且部分在远程计算机上执行,或者完全在远程计算机或服务器上执行。在后一种情形下,远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机,或者可以(例如,通过使用因特网服务提供商的因特网)与外部计算机进行连接。
本文参考根据本公开的方面的方法、设备(***)和计算机程序产品的流程图图示和/或框图来描述本公开的各方面。应当理解,流程图图示和/或框图的每个框以及流程图图示和/或框图中的框的组合可以由计算机程序指令实现。这些计算机程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器以产生机器,使得经由计算机或其他可编程数据处理设备的处理器执行的指令创建用于实现流程图图示和/或框图的框中指定的功能/动作的手段。
这些计算机程序指令还可以存储在计算机可读介质中,该计算机可读介质可以指导计算机、其他可编程数据处理设备或其他装置以特定方式工作,使得存储在计算机可读介质中的指令产生包括实现流程图图示和/或框图的框中指定的功能/动作的指令的制品。
计算机程序指令还可以被加载到计算机、其他可编程数据处理设备或其他装置上,以使在计算机、其他可编程设备或其他装置上执行一系列操作步骤以产生计算机实现的过程,使得在计算机、其他可编程数据处理设备或其他装置上执行的指令提供用于实现流程图图示和/或框图的框中指定的功能/动作的过程。
附图中的流程图图示和框图示出了根据本公开的各方面的***、方法和计算机程序产品的可能实现的体系结构、功能和操作。就这一点而言,流程图图示或框图中的每个框可以表示代码的模块、段或部分,其包括用于实现指定逻辑功能的一个或多个可执行指令。还应当注意,在一些可选实现中,框中所述的功能可以不按附图中所述的顺序发生。例如,实际上,根据所涉及的功能,连续示出的两个框可以基本上并发地执行,或者这些框有时可以以相反的顺序或无序地执行。还应注意,框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行指定功能或动作的基于专用硬件的***或者专用硬件和计算机指令的组合来实现。
此外,本公开包括根据以下项的实施方式:
项1.一种方法,包括:
接收(610)空中交通控制区域的天气数据;
接收(620)在空中交通控制区域中行进的多个飞机的飞行追踪数据;
基于飞行追踪数据确定(630)空中交通控制区域中的多个机场的容量率;并且
响应于从预测改航事件的预测模型接收改航触发:
基于天气数据、飞行追踪数据和容量率,从多个飞机中识别(640、650)要从空中交通控制区域中的原始目的地改航到新目的地的飞机的子集。
项2.根据项1的方法,还包括:
向空中交通控制区域的飞行调度员发送指示子集和子集中的每个飞机的对应候选新目的地的警报;并且
响应于接收到对子集的给定飞机的给定候选新目的地的选择,更新(660)多个机场的容量率并且从子集移除给定飞机。
项3.根据项1或2的方法,其中,空中交通控制区域包括全局飞行操作。
项4.根据项1至3中任一项的方法,其中,从中选择新目的地的多个机场包括满足运营商要求的多个机场的指定子集,该指定子集包括以下各项中的一个或多个:
接近当前飞行路线;
提供的维修服务;
提供的医疗服务;以及
由给定飞机运营商提供的供选飞行。
项5.根据项1至4中任一项的方法,其中,基于以下条件从多个机场中选择新目的地:
在每个新目的地的子集中的给定飞机的预测到达时间的预测天气状况;以及
在给定飞机的相关联的预测到达时间的每个新目的地的预测容量率。
项6.根据项1至5中任一项的方法,其中,基于飞行追踪数据确定空中交通控制区域中的多个机场的容量率还包括:
获得多个机场的操作参数,包括存在于给定机场的有效跑道的数量、有效航站楼的数量以及机库泊位的数量;
观察预定时间段内的飞行追踪数据以确定:
与有效跑道的数量相比,在子集的特定飞机到给定机场的估计到
达时间(ETA)时使用的有效跑道的数量;
与有效航站楼的数量相比,在ETA时使用的有效航站楼的数量;
以及
与机库泊位的数量相比,在ETA时使用的机库泊位的数量。
项7.根据项1至6中任一项的方法,其中,飞行追踪数据包括:
原始飞行路径,期包括原始起点和原始目的地;
与原始飞行路径的偏差信息;以及
多个飞机中的相关联的飞机的当前位置信息。
项8.根据项1至7中任一项的方法,其中,子集的每个飞机被迭代地分配所选择的候选新目的地,
其中,当子集的飞机被分配到所选择的候选新目的地时,更新推荐给子集的每个飞机的候选新目的地。
项9.根据项1至8中任一项的方法,其中,飞行追踪数据是自动相关监视广播(ADS-B)数据。
项10:一种***,包括:
处理器(710);以及
包括指令的存储器存储装置(720),该指令在由处理器执行时提供:
改航预测模块(113),被配置为基于天气数据和多个飞机的飞行追踪数据来确定改航到新目的地机场的多个飞机中的每个飞机的改
航可能性;
干扰预测模块(115),被配置为基于天气数据、飞行追踪数据、机场操作条件和改航可能性来确定多个机场中的每个机场通过将多个飞机中的飞机改航到单个机场而被干扰的干扰可能性;以及
推荐模块(116),被配置为针对多个飞机中的每个飞机输出具有最低干扰可能性的预定数量的候选机场。
项11:根据项10的***,其中,指令在由处理器执行时还提供:
估计到达时间(ETA)预测模块(114),被配置为基于天气数据和飞行追踪数据来确定改航到由改航预测模块识别的每个候选新目的地的每个飞机的ETA。
项12.根据项10或11的***,其中,改航预测模块包括:
改航检测模型(260),被训练为基于天气数据、飞行追踪数据和机场操作条件来预测给定飞机何时将从原始目的地改航;以及
新目的地预测模型(270),被训练为基于飞行追踪数据和机场操作条件来识别给定飞机将改航到的候选机场。
项13.根据项10至12中任一项的***,其中,推荐模块向与给定改航的飞机相关联的飞行调度员发送识别预定数量的候选机场的警报,并且还被配置为从飞行调度员接收对给定候选机场的选择;并且
响应于接收到该选择,基于该选择更新机场操作条件。
项14.根据项10至13中任一项的***,其中,推荐模块包括在数量上对应于预定数量的候选机场的多个可选选择模型(530),并且
其中,每个可选选择模型是机器学习模型,其被训练为使用与多个可选选择模型中的其他可选选择模型不同的优先级来识别具有最低干扰可能性的一个候选机场。
项15.一种包括指令的计算机可读存储装置,该指令在由处理***的处理器执行时,使处理***执行包括以下的操作:
接收(610)飞行控制区域的天气数据;
接收在飞行控制区域中行进的多个飞机的飞行追踪数据(620);
响应于接收到影响第一机场的改航触发:
基于天气数据、飞行追踪数据和第一机场的容量率,从多个飞机中识别(640)最初去往第一机场的第一飞机将被改航;
响应于基于飞行追踪数据确定飞行控制区域中的第二机场的预测容量率满足容量阈值,将第一飞机从第一机场改航到第二机场;
更新飞行追踪数据以指示第一飞机从第一机场改航到第二机场;并且
基于更新后的飞行追踪数据更新第二机场的容量率(660)。
项16.根据项15的计算机可读存储装置,其中,响应于预测模型基于天气数据和飞行追踪数据预测影响第一机场的改航事件,从预测模型接收改航触发。
项17.根据项15或16的计算机可读存储装置,其中,响应于手动报告的第一飞机上的机械或医疗问题,从飞机运营商接收改航触发。
项18.根据项15至17中任一项的计算机可读存储装置,其中,第二机场选自飞行控制区域中满足运营商要求的机场的子集,该运营商要求包括以下各项中的一个或多个:
接近当前飞行路线;
提供的维修服务;
提供的医疗服务;以及
由给定飞机运营商提供的供选飞行。
项19.根据项15至18中任一项的计算机可读存储装置,其中,基于以下条件选择第二机场:
在第一飞机在第二机场的预测到达时间时在第二机场的预测天气状况;以及
在第一飞机的预测到达时间时第二机场对由第一飞机消耗的资源的预测容量率。
项20.根据项15至19中任一项的计算机可读存储装置,其中,确定第二机场的预测容量率还包括:
观察预定时间段内的飞行追踪数据以确定:
与有效跑道的数量相比,在第一飞机到第二机场的估计到达时间(ETA)时使用的有效跑道的数量;
与有效登机口的数量相比,在ETA时使用的有效登机口的数量;以及
与机库泊位的数量相比,在ETA时使用的机库泊位的数量。
尽管前述内容针对本公开的方面,但是可以在不脱离本公开的基本范围的情况下设计本公开的其他和进一步的方面,并且本公开的范围由所附权利要求书确定。
Claims (10)
1.一种方法,包括:
接收(610)空中交通控制区域的天气数据;
接收(620)在所述空中交通控制区域中行进的多个飞机的飞行追踪数据;
基于所述飞行追踪数据确定(630)所述空中交通控制区域中的多个机场的容量率;并且
响应于从预测改航事件的预测模型接收改航触发:
基于所述天气数据、所述飞行追踪数据和所述容量率,从所述多个飞机中识别(640、650)要从所述空中交通控制区域中的原始目的地改航到新目的地的飞机的子集。
2.根据权利要求1所述的方法,还包括:
向所述空中交通控制区域的飞行调度员发送指示所述子集和所述子集中的每个飞机的对应候选新目的地的警报;并且
响应于接收到对所述子集的给定飞机的给定候选新目的地的选择,更新(660)所述多个机场的所述容量率并且从所述子集移除所述给定飞机。
3.根据权利要求1所述的方法,其中,所述空中交通控制区域包括全局飞行操作。
4.根据权利要求1至3所述的方法,其中,从中选择所述新目的地的所述多个机场包括满足运营商要求的所述多个机场的指定子集,所述运营商要求包括以下各项中的一个或多个:
接近当前飞行路线;
提供的维修服务;
提供的医疗服务;以及
由给定飞机运营商提供的供选飞行。
5.根据权利要求1至3所述的方法,其中,基于以下条件从所述多个机场中选择所述新目的地:
在每个所述新目的地的所述子集的给定飞机的预测到达时间的预测天气状况;以及
在所述给定飞机的相关联的预测到达时间的每个所述新目的地的预测容量率。
6.根据权利要求1至3所述的方法,其中,基于所述飞行追踪数据确定所述空中交通控制区域中的所述多个机场的所述容量率还包括:
获得所述多个机场的操作参数,所述操作参数包括存在于给定机场的有效跑道的数量、有效航站楼的数量以及机库泊位的数量;
观察预定时间段内的所述飞行追踪数据以确定:
与所述有效跑道的数量相比,在所述子集的特定飞机到所述给定机场的估计到达时间(ETA)时使用的有效跑道的数量;
与所述有效航站楼的数量相比,在所述估计到达时间时使用的有效航站楼的数量;以及
与所述机库泊位的数量相比,在所述估计到达时间时使用的机库泊位的数量。
7.根据权利要求1至3所述的方法,其中,所述飞行追踪数据包括:
原始飞行路径,其包括原始起点和原始目的地;
与所述原始飞行路径的偏差信息;以及
所述多个飞机中的相关联的飞机的当前位置信息。
8.根据权利要求1至3所述的方法,其中,所述子集的每个飞机被迭代地分配所选择的候选新目的地,
其中,当所述子集的所述飞机被分配到所选择的候选新目的地时,更新推荐给所述子集的每个飞机的所述候选新目的地。
9.根据权利要求1至3所述的方法,其中,所述飞行追踪数据是自动相关监视广播(ADS-B)数据。
10.一种***,包括:
处理器(710);以及
包括指令的存储器存储装置(720),所述指令在由所述处理器执行时提供:
改航预测模块(113),被配置为基于天气数据和多个飞机的飞行追踪数据来确定改航到新目的地机场的多个飞机中的每个飞机的改航可能性;
干扰预测模块(115),被配置为基于所述天气数据、所述飞行追踪数据、机场操作条件和所述改航可能性来确定多个机场中的每个机场通过将所述多个飞机中的飞机改航到单个机场而被干扰的干扰可能性;以及
推荐模块(116),被配置为针对所述多个飞机中的每个飞机输出具有最低干扰可能性的预定数量的候选机场。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/518,092 | 2019-07-22 | ||
US16/518,092 US11645927B2 (en) | 2019-07-22 | 2019-07-22 | Predictive flight diversion management |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112289077A true CN112289077A (zh) | 2021-01-29 |
CN112289077B CN112289077B (zh) | 2024-06-21 |
Family
ID=71728590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010699243.4A Active CN112289077B (zh) | 2019-07-22 | 2020-07-20 | 预测飞行改航管理 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11645927B2 (zh) |
EP (1) | EP3770883A1 (zh) |
CN (1) | CN112289077B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920784A (zh) * | 2021-09-10 | 2022-01-11 | 华为技术有限公司 | 一种通信方法、装置及存储介质 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7044910B1 (ja) * | 2021-01-21 | 2022-03-30 | Kddi株式会社 | 飛行管理装置及び飛行管理方法 |
US12033522B2 (en) * | 2021-04-09 | 2024-07-09 | The Boeing Company | Controlling aerial vehicles to travel along air corridors based on trained air corridor models |
CN113570910B (zh) * | 2021-06-30 | 2022-09-27 | 北京百度网讯科技有限公司 | 空中交通流量管理方法、装置和电子设备 |
CN113240212B (zh) * | 2021-07-09 | 2021-09-28 | 中航信移动科技有限公司 | 生成航班飞行轨迹的数据处理方法、电子设备和介质 |
CN113593306B (zh) * | 2021-08-13 | 2022-05-24 | 中国民航大学 | 基于安全性的散点状雷暴危险天气下改航方法 |
EP4199559A1 (en) * | 2021-12-16 | 2023-06-21 | Amadeus S.A.S. | Computerized disruption handling in an environment |
US20230267840A1 (en) * | 2022-02-24 | 2023-08-24 | The Boeing Company | Dynamic selection of an aeronautical data provider |
CN114724414B (zh) * | 2022-03-14 | 2023-06-09 | 中国科学院地理科学与资源研究所 | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
US20240021087A1 (en) * | 2022-07-12 | 2024-01-18 | The Boeing Company | Holding detection and diversion information |
EP4372719A1 (en) * | 2022-11-16 | 2024-05-22 | The Boeing Company | Detection and reporting of aircraft diversion events |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5398186A (en) * | 1991-12-17 | 1995-03-14 | The Boeing Company | Alternate destination predictor for aircraft |
US20120218127A1 (en) * | 2012-05-10 | 2012-08-30 | Christopher Finley Kroen | Terminal Intelligent Monitoring System |
US20130179059A1 (en) * | 2012-01-05 | 2013-07-11 | Willard Kyle Otto | Systems and methods for use in identifying at least one alternate airport |
US20140343765A1 (en) * | 2012-12-28 | 2014-11-20 | Sean Patrick Suiter | Flight Assistant with Automatic Configuration and Landing Site Selection |
US9076327B1 (en) * | 2001-09-07 | 2015-07-07 | Rade Michael Baiada | Method and system to predict airport capacity, landing direction, landing runway and runways available |
US9171473B1 (en) * | 2011-12-06 | 2015-10-27 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Method and system for dynamic automated corrections to weather avoidance routes for aircraft in en route airspace |
US9310222B1 (en) * | 2014-06-16 | 2016-04-12 | Sean Patrick Suiter | Flight assistant with automatic configuration and landing site selection method and apparatus |
US20160335567A1 (en) * | 2015-05-15 | 2016-11-17 | Taleris Global Llp | Method for rescheduling flights affected by a disruption and an airline operations control system and controller |
CN106251706A (zh) * | 2015-06-08 | 2016-12-21 | 波音公司 | 基于扇区几何数据确定另选飞行航路的***和方法 |
US20180102056A1 (en) * | 2016-10-12 | 2018-04-12 | Passur Aerospace, Inc. | Device, System, and Method for Managing Regional Diversion |
US20180144643A1 (en) * | 2016-11-21 | 2018-05-24 | Honeywell International Inc. | Flight plan segmentation for en route diversion destinations |
CN108694861A (zh) * | 2017-03-31 | 2018-10-23 | 波音公司 | 飞机飞行路径等待航线***和方法 |
US20180322793A1 (en) * | 2017-05-03 | 2018-11-08 | Honeywell International Inc. | System & method for determining diversion airports for landing in adverse conditions |
US20190057327A1 (en) * | 2017-08-18 | 2019-02-21 | General Electric Company | Cumulative model for scheduling and resource allocation for airline operations |
US20190204101A1 (en) * | 2017-12-29 | 2019-07-04 | Hornblower Group, Inc. | Systems and methods to prepare for and to respond to a transit disruption |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10997865B2 (en) | 2017-11-16 | 2021-05-04 | The Boeing Company | Airport congestion determination for effecting air navigation planning |
-
2019
- 2019-07-22 US US16/518,092 patent/US11645927B2/en active Active
-
2020
- 2020-07-20 EP EP20186650.6A patent/EP3770883A1/en active Pending
- 2020-07-20 CN CN202010699243.4A patent/CN112289077B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5398186A (en) * | 1991-12-17 | 1995-03-14 | The Boeing Company | Alternate destination predictor for aircraft |
US9076327B1 (en) * | 2001-09-07 | 2015-07-07 | Rade Michael Baiada | Method and system to predict airport capacity, landing direction, landing runway and runways available |
US9171473B1 (en) * | 2011-12-06 | 2015-10-27 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Method and system for dynamic automated corrections to weather avoidance routes for aircraft in en route airspace |
US20130179059A1 (en) * | 2012-01-05 | 2013-07-11 | Willard Kyle Otto | Systems and methods for use in identifying at least one alternate airport |
US20120218127A1 (en) * | 2012-05-10 | 2012-08-30 | Christopher Finley Kroen | Terminal Intelligent Monitoring System |
US20140343765A1 (en) * | 2012-12-28 | 2014-11-20 | Sean Patrick Suiter | Flight Assistant with Automatic Configuration and Landing Site Selection |
US9310222B1 (en) * | 2014-06-16 | 2016-04-12 | Sean Patrick Suiter | Flight assistant with automatic configuration and landing site selection method and apparatus |
US20160335567A1 (en) * | 2015-05-15 | 2016-11-17 | Taleris Global Llp | Method for rescheduling flights affected by a disruption and an airline operations control system and controller |
CN106251706A (zh) * | 2015-06-08 | 2016-12-21 | 波音公司 | 基于扇区几何数据确定另选飞行航路的***和方法 |
US20180102056A1 (en) * | 2016-10-12 | 2018-04-12 | Passur Aerospace, Inc. | Device, System, and Method for Managing Regional Diversion |
US20180144643A1 (en) * | 2016-11-21 | 2018-05-24 | Honeywell International Inc. | Flight plan segmentation for en route diversion destinations |
CN108694861A (zh) * | 2017-03-31 | 2018-10-23 | 波音公司 | 飞机飞行路径等待航线***和方法 |
US20180322793A1 (en) * | 2017-05-03 | 2018-11-08 | Honeywell International Inc. | System & method for determining diversion airports for landing in adverse conditions |
US20190057327A1 (en) * | 2017-08-18 | 2019-02-21 | General Electric Company | Cumulative model for scheduling and resource allocation for airline operations |
US20190204101A1 (en) * | 2017-12-29 | 2019-07-04 | Hornblower Group, Inc. | Systems and methods to prepare for and to respond to a transit disruption |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920784A (zh) * | 2021-09-10 | 2022-01-11 | 华为技术有限公司 | 一种通信方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20210027640A1 (en) | 2021-01-28 |
CN112289077B (zh) | 2024-06-21 |
US11645927B2 (en) | 2023-05-09 |
EP3770883A1 (en) | 2021-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112289077B (zh) | 预测飞行改航管理 | |
US11935419B2 (en) | Holding pattern detection and management | |
EP3467734A1 (en) | System and method for flight delay prediction | |
US9076327B1 (en) | Method and system to predict airport capacity, landing direction, landing runway and runways available | |
US10678265B2 (en) | Revised speed advisory for an aircraft during flight based on holding time | |
US8606491B2 (en) | Methods and systems for managing air traffic | |
US9177480B2 (en) | Schedule management system and method for managing air traffic | |
US10909858B2 (en) | Aircraft flight management systems and methods | |
CA2877339C (en) | Schedule management system and method for managing air traffic | |
US20080243319A1 (en) | Method for updating meteorological information for an aircraft | |
US10607496B2 (en) | System and method to assist pilots in determining aircraft phase transition time based on monitored clearance information | |
McNally et al. | Dynamic weather routes: a weather avoidance system for near-term trajectory-based operations | |
Srivastava | Improving departure taxi time predictions using ASDE-X surveillance data | |
CN109598373A (zh) | 一种基于ads-b数据的用于预测航班到达时间的预处理方法 | |
US10497269B2 (en) | Integrated management for airport terminal airspace | |
CN105469184A (zh) | 经由统计分析的工作轮挡时间控制 | |
US9870712B1 (en) | Time and spatial based flight selection system and method | |
US10339816B2 (en) | Automatic aircraft monitoring and operator preferred rerouting system and method | |
US20210327290A1 (en) | Informed de-icing | |
US20230386346A1 (en) | Aircraft flight management systems and methods | |
CN107544536B (zh) | 用于基于性能的到达以及排序和间距的方法和*** | |
Jung et al. | Develpment of the Surface Management System Integrated with CTAS Arrival Tool | |
US20240253810A1 (en) | Holding pattern detection and management | |
EP4407586A1 (en) | Holding pattern detection and management | |
US20230230490A1 (en) | System and method for better determining path parameters of aircrafts |
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 |