CN113642887B - 一种基于dddas的航班运行风险分析与预测方法 - Google Patents
一种基于dddas的航班运行风险分析与预测方法 Download PDFInfo
- Publication number
- CN113642887B CN113642887B CN202110924379.5A CN202110924379A CN113642887B CN 113642887 B CN113642887 B CN 113642887B CN 202110924379 A CN202110924379 A CN 202110924379A CN 113642887 B CN113642887 B CN 113642887B
- Authority
- CN
- China
- Prior art keywords
- state
- flight
- observation
- particle
- value
- 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 36
- 238000012502 risk assessment Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 60
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000010006 flight Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 10
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 5
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于DDDAS的航班运行风险分析与预测方法,方法步骤:1、数据采集与处理;2、建立状态空间模型;3、数据同化;最后完成所有航班运行风险预测值的计算。采用DDDAS对航班运行风险进行分析预测,与传统仿真***相比,DDDAS***的应用程序建模能力、效率和精度获得了提高,计算建模与动态数据输入相补充和扩展,可以在运行时动态地集成到计算中。同时,在执行应用程序过程中对测量过程进行控制和指导,可以有效提高测量的精度和效率。本发明提出的基于DDDAS的航班运行风险分析与预测方法对于航空公司提前规避风险,更加高效安全的运行,产生更高的经济效益具有一定的实际参考意义。
Description
技术领域
本发明涉及航班运行风险分析与预测,特别涉及一种基于DDDAS的航班运行风险分析与预测方法。
背景技术
航班运行是一个连续动态的过程,航班运行风险随天气、设备等影响因素的变化而不断改变,面对此类复杂***,构建科学的分析与预测方法是提高航班运行安全水平的必要措施。目前,国内外关于航班运行风险的预测研究主要采用的是传统仿真***,然而传统仿真***中的数据输入和模型的参数不是随着时间变化的,与实时的真实***估计有较大差距。针对简单的***,传统仿真***能满足一定的需求,但对于航班运行这类复杂***,则不能做到精确的评估预测,而且其误差将不断积累。
DDDAS(动态数据驱动应用程序***)的核心是模拟***能在运行时能够动态的接收各空间和时间的数据,将仿真数据和实际测量数据相结合,再调整改进模型,达到提高模型分析预测能力的目的,使仿真模拟***动态预测的结果越来越贴近真实***。DDDAS可以有效地解决传统仿真***模型不能动态的追踪真实***的实际变化规律、仅向仿真模型输入历史数据不能有效的反应随时间变化的***的运行状态等缺点。目前DDDAS在国内外民航领域应用较少,主要用于航空公司延误时间预测,在航班运行风险预测研究中暂无应用。
数据同化:对于航班运行***,模型估计和设备观测是获取航班运行风险数据的两种主要方法。模型估计的优势在于其能描述被估计对象的变化规律;而观测的优点则在于其能得到被预测内容在某时刻的“真实值”。但是,由于模型估计和观测都具有很大的不准确性,在航班运行***中,现有的模型还并不完善,不能在任何时刻准确描述航班运行状态,对于航班风险值的预测不够精确,计算过程和建模***还需调整改进;就设备的观测而言,只依靠设备的观测数据也无法完整连续地表示航班运行风险的真实状态,原因如下:设备观测得到的都是实时值,而航班运行过程是连续不断的;设备观测值和航班运行过程中与风险相关变量的关系是暗含的,无法直接通过观测得知;设备自身具有一定的局限性,导致部分与航班运行风险相关的信息无法被观测到;设备观测值存在一定误差。数据同化是在过程模型的动态框架内,通过数据同化算法不断融合时空上离散分布的不同来源和不同分辨率的直接或间接观测信息来自动调整模型轨迹,以改善动态模型状态的估计精度,提高模型预测能力。
发明内容
为解决现有技术的不足,本发明提供一种基于DDDAS的航班运行风险分析与预测方法。对于航空公司来说,目前还没有建立能够对航班运行风险值进行预测的***,经研究发现DDDAS***适用于航班运行风险预测。
本发明采取的技术方案是:一种基于DDDAS的航班运行风险分析与预测方法,其特征在于,包括以下步骤:
第一步:数据采集与处理
(1)、从航班各个监测设备中,按时间顺序连续采集若干天的航班运行风险观测数据,每日的航班运行风险观测数据包括机组情况、飞机故障情况、机场情况、天气情况、空域情况、航班进离港计划。
(2)、将采集的若干天航班运行风险观测数据根据评分标准简化为航班运行风险观测值αt,t为自然数,表示离散日期。
第二步:建立状态空间模型
(1)、将若干天的航班运行风险观测值αt输入软件中的状态模型程序中,建立状态空间模型的观测方程和状态方程。
①、观测方程用来描述状态变量与观测变量两者之间的相互关系,即模型***内部状态变化引起的外部输入变化情况,由软件生成的观测方程公式为:
y=SV1+[var=R]------------------(1)
式(1)中,y表示观测变量;SV1表示状态变量;var=R表示观测方程的误差项。
②、状态方程用来描述***的状态与状态之间的转换关系,即模型***内部的状态变化情况,由软件生成的状态方程公式为:
SV1=SV1(-1)+[var=Q]---------------(2)
式(2)中,SV1(-1)表示上一日的状态变量;var=Q表示状态方程的误差项。
(2)、将预测前一天,即第t-1天的航班运行风险观测值αt-1代入状态空间模型的状态方程式(2)中,计算出预测当日航班运行风险的先验估计值,记作βt,计算公式为:
式(3)中,randn为服从均值为0,标准差为1的正态分布的随机数。
第三步:数据同化
(1)、采用粒子滤波算法对航班运行风险观测值αt和先验估计值βt进行融合;在***运行的过程中,将输入到***中的航班运行风险观测值αt不断用于对模型***状态的先验估计值βt进行更新估计,最后得到航班运行风险预测值γt,并把航班运行风险预测值γt作为预测下一天的预测过程的先验估计值βt+1,具体步骤如下:
①、初始化粒子
首先随机生成N个权值相同的粒子,使N个权值相同的粒子均服从均值为先验估计值βt、方差为R的正态分布,同时设每个粒子的初始值为xi(i=1,2…N)。
②、重要性采样
根据状态空间模型的状态方程式(2),计算每一个粒子的预测值yi(i=1,2…N),计算公式为:
式(4)中,randn为服从均值为0,标准差为1的正态分布的随机数。
③、粒子权值更新
已知当前时刻的航班运行风险观测值为αt,重新计算每个粒子的权重,与航班运行风险观测值αt相似度高的粒子被赋予较大的权重,而与航班运行风险观测值αt相似度低的粒子被赋予较小的权重,粒子相似度计算公式为:
设粒子更新后的权重为wi,权重归一化公式为:
根据公式(6)重新计算每个粒子的权重wi。
④、粒子重采样
对粒子进行复制,权值越大则复制的次数越多,权值越小则复制的次数越少,权值过小的粒子直接被舍弃;经过重采样之后的粒子权重重新被均等地设置为1/N,重采样后的粒子权重记作w’i。
⑤、状态预测
将重采样后的粒子集x’i代入状态空间模型的状态方程式(2)中,计算得到每个粒子的预测值y’i(i=1,2…N),计算公式为:
航班运行风险预测值γ计算公式为:
根据公式(8)即可计算得到第t天的航班运行风险预测值γt。
(2)将计算得到的航班运行风险预测值γt作为下一天预测过程的先验估计值βt+1:
βt+1=γt--------------(9)
重复第三步数据同化,直至完成未来若干日航班运行风险预测值的计算。
本发明所产生的有益效果是:采用DDDAS对航班运行风险进行分析预测,与传统仿真***相比,DDDAS***的应用程序建模能力、效率和精度获得了提高,计算建模与动态数据输入相补充和扩展,可以在运行时动态地集成到计算中。同时,在执行应用程序过程中对测量过程进行控制和指导,可以有效提高测量的精度和效率。本发明提出的基于DDDAS的航班运行风险分析与预测方法对于航空公司提前规避风险,更加高效安全的运行,产生更高的经济效益具有一定的实际参考意义。
附图说明
图1为本发明基于DDDAS的航班运行风险分析与预测方法流程图;
图2为本发明预测值计算子流程图。
具体实施方式
以下结合附图和实施例对本发明作进一步说明。
参照图1:
第一步:数据采集与处理
(1)本实施例从航班各个监测设备中,按时间顺序连续采集185日的航班运行风险观测数据,每日的航班运行风险观测数据包括机组情况、飞机故障情况、机场情况、天气情况、空域情况、航班进离港计划。
(2)将采集的185日航班运行风险观测数据根据评分标准(如表1),转化为航班运行风险观测值αt(t=1,2…185),如表2~表4所示。以采集的185日中前178日的航班运行风险观测值作为实验数据,预测后7日(179~185日)航班运行风险预测值。
表1航空公司航班运行风险相关的影响因素及其评分标准
表2航空公司185日航班运行风险评价
表3航空公司前178日航班运行风险观测值αt
表4航空公司后7日航班运行风险观测值αt
日期 | 179 | 180 | 181 | 182 | 183 | 184 | 185 |
αt | 8 | 9 | 7 | 6 | 6.5 | 7 | 8 |
第二步:建立状态空间模型
(1)将178日的航班运行风险观测值数据输入Eviews软件中的状态模型程序中,建立状态空间模型的观测方程和状态方程,输出结果如表5所示。
表5局部水平模型输出结果
coefficient | std.Error | z-Statistic | Prob | |
C(1) | -1.107633 | 0.518583 | -2.125883 | 0.0327 |
C(2) | 0.351081 | 0.205374 | 1.709466 | 0.0874 |
Final State | Root MSE | z-Statistic | Prob | |
SV1 | 8.837689 | 1.302735 | 6.78395 | 0 |
①观测方程:用来描述状态变量与观测变量两者之间的相互关系,即模型***内部状态变化引起的外部输入变化情况。由Eviews软件自动生成的观测方程公式为:
y=SV1+[var=R]---------------(1)
式(1)中,y表示观测变量;SV1代表局部水平状态变量;var=R表示观测方程的误差项,R=e-1.107633。
②状态方程:用来描述***的状态与状态之间的转换关系,即***内部的状态变化情况。由Eviews软件自动生成的状态方程公式为:
SV1=SV1(-1)+[var=Q]---------------(2)
式(2)中,SV1(-1)表示上一日的状态变量;var=Q表示状态方程的误差项,Q=e0.351081。
(2)将第178日航班运行风险观测值α178=8.5代入状态空间模型的状态方程式(2)中,计算出第179日航班运行风险的先验估计值,记作β179,计算公式为:
式(3)中,randn为服从均值为0,标准差为1的正态分布的随机数;Q=e0.351081,t=179,计算后得到β179=8.856329。
第三步:数据同化:
(1)采用粒子滤波算法对航班运行风险观测值αt和先验估计值βt进行融合,在***运行的过程中,将输入到***中的航班运行风险观测值αt不断用于对模型***状态的先验估计值βt进行更新估计,最后得到航班运行风险预测值γt,并把航班运行风险预测值γt作为预测下一天的预测过程的先验估计值βt+1,如图2所示。
具体步骤如下:
①初始化粒子
随机生成N为100个权值相同的粒子,使其均服从均值为β179=8.856329,方差为R=e-1.107633的正态分布,设每个粒子的初始值为xi(i=1,2…100)。
②重要性采样
根据状态空间模型的状态方程式(2),计算每一个粒子的预测值yi(i=1,2…100),计算公式为:
式(4)中randn为服从均值为0,标准差为1的正态分布的随机数,Q=e0.351081。
③粒子权值更新
已知第179日的航班运行风险观测值α179=8(如表4),重新计算每个粒子的权重。与观测值相似度高的粒子被赋予较大的权重,而与观测值相似度低的粒子被赋予较小的权重,将α179代入粒子相似度公式后的计算公式为:
式(5)中R=e-1.107633,t=179;
设粒子更新后的权重为wi,权重归一化公式为:
根据公式重新计算每个粒子的权重wi。
④粒子重采样
对粒子进行复制,权值wi越大则复制的次数越多,权值越小则复制的次数越少,权值过小的粒子直接被舍弃。将重采样后的粒子权重记作w’i,经过重采样之后的粒子权重w’i重新被均等地设置为1/100(100为粒子数)。
⑤状态预测
将重采样后的粒子集x’i代入状态空间模型的状态方程,即公式(2),计算得到每个粒子的预测值y’i(i=1,2…100):
式(7)中Q=e0.351081;
航班运行风险预测值γ计算公式为:
根据公式(8)可计算得到第179天的航班运行风险预测值γ179=8.1081。
(2)将该预测值γ179作为下一个预测过程的先验估计值β180:
β180=γ179---------------(9)
重复步骤三,直至完成未来7天(179-185天)航班运行风险预测值的计算,预测结果如表6所示。
表6第179-185日航班运行风险预测结果
日期 | 真实值 | 预测值 | 误差 |
179 | 8 | 8.1081 | 1.35% |
180 | 9 | 8.7890 | 2.34% |
181 | 7 | 6.4438 | 7.95% |
182 | 6 | 5.9534 | 0.78% |
183 | 6.5 | 6.6447 | 2.23% |
184 | 7 | 8.1426 | 16.32% |
185 | 8 | 8.2530 | 3.16% |
平均精确度 | 95.12443% |
经重复实验,一周之内预测结果的平均误差在4%-6%之间,由此证明本发明的基于DDDAS的航班运行风险分析与预测方法有效。
Claims (1)
1.一种基于DDDAS的航班运行风险分析与预测方法,其特征在于,包括以下步骤:
第一步:数据采集与处理
(1)、从航班各个监测设备中,按时间顺序连续采集若干天的航班运行风险观测数据,每日的航班运行风险观测数据包括机组情况、飞机故障情况、机场情况、天气情况、空域情况、航班进离港计划;
(2)、将采集的若干天航班运行风险观测数据根据评分标准简化为航班运行风险观测值αt,t为自然数,表示离散日期;
第二步:建立状态空间模型
(1)、将若干天的航班运行风险观测值αt输入软件中的状态模型程序中,建立状态空间模型的观测方程和状态方程;
①、观测方程用来描述状态变量与观测变量两者之间的相互关系,即模型***内部状态变化引起的外部输入变化情况,由软件生成的观测方程公式为:
y=SV1+[var=R]------------------(1)
式(1)中,y表示观测变量;SV1表示状态变量;var=R表示观测方程的误差项;
②、状态方程用来描述***的状态与状态之间的转换关系,即模型***内部的状态变化情况,由软件生成的状态方程公式为:
SV1=SV1(-1)+[var=Q]---------------(2)
式(2)中,SV1(-1)表示上一日的状态变量;var=Q表示状态方程的误差项;
(2)、将预测前一天,即第t-1天的航班运行风险观测值αt-1代入状态空间模型的状态方程式(2)中,计算出预测当日航班运行风险的先验估计值,记作βt,计算公式为:
式(3)中,randn为服从均值为0,标准差为1的正态分布的随机数;
第三步:数据同化
(1)、采用粒子滤波算法对航班运行风险观测值αt和先验估计值βt进行融合,在***运行的过程中,将输入到***中的航班运行风险观测值αt不断用于对模型***状态的先验估计值βt进行更新估计,最后得到航班运行风险预测值γt,并把航班运行风险预测值γt作为预测下一天的预测过程的先验估计值βt+1,具体步骤如下:
①、初始化粒子
首先随机生成N个权值相同的粒子,使N个权值相同的粒子均服从均值为先验估计值βt、方差为R的正态分布,同时设每个粒子的初始值为xi(i=1,2…N);
②、重要性采样
根据状态空间模型的状态方程式(2),计算每一个粒子的预测值yi(i=1,2…N),计算公式为:
式(4)中,randn为服从均值为0,标准差为1的正态分布的随机数;
③、粒子权值更新
已知当前时刻的航班运行风险观测值为αt,重新计算每个粒子的权重,与航班运行风险观测值αt相似度高的粒子被赋予较大的权重,而与航班运行风险观测值αt相似度低的粒子被赋予较小的权重,粒子相似度计算公式为:
设粒子更新后的权重为wi,权重归一化公式为:
根据公式(6)重新计算每个粒子的权重wi;
④、粒子重采样
对粒子进行复制,权值越大则复制的次数越多,权值越小则复制的次数越少,权值过小的粒子直接被舍弃;经过重采样之后的粒子权重重新被均等地设置为1/N,重采样后的粒子权重记作w’i;
⑤、状态预测
将重采样后的粒子集x’i代入状态空间模型的状态方程式(2)中,计算得到每个粒子的预测值y’i(i=1,2…N),计算公式为:
航班运行风险预测值γ计算公式为:
根据公式(8)即可计算得到第t天的航班运行风险预测值γt;
(2)将计算得到的航班运行风险预测值γt作为下一天预测过程的先验估计值βt+1:
βt+1=γt--------------(9)
重复第三步数据同化,直至完成未来若干日航班运行风险预测值的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110924379.5A CN113642887B (zh) | 2021-08-12 | 2021-08-12 | 一种基于dddas的航班运行风险分析与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110924379.5A CN113642887B (zh) | 2021-08-12 | 2021-08-12 | 一种基于dddas的航班运行风险分析与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642887A CN113642887A (zh) | 2021-11-12 |
CN113642887B true CN113642887B (zh) | 2024-04-26 |
Family
ID=78421125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110924379.5A Active CN113642887B (zh) | 2021-08-12 | 2021-08-12 | 一种基于dddas的航班运行风险分析与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642887B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049024A (zh) * | 2021-11-18 | 2022-02-15 | 中国民航大学 | 一种机场停机位推出控制与评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106451761A (zh) * | 2016-07-21 | 2017-02-22 | 国网浙江省电力公司电力科学研究院 | 一种基于动态数据驱动的大面积停电自动监测分析*** |
JP2018116511A (ja) * | 2017-01-18 | 2018-07-26 | 日本放送協会 | 状態推定器、及びプログラム |
CN109242243A (zh) * | 2018-07-27 | 2019-01-18 | 南京航空航天大学 | 一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法 |
CN111780766A (zh) * | 2020-07-07 | 2020-10-16 | 中国民航大学 | 融合动态风险图和改进a*算法的动态改航规划方法 |
US10814883B1 (en) * | 2018-10-18 | 2020-10-27 | Northrop Grumman Systems Corporation | Prognostics for improved maintenance of vehicles |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9564055B2 (en) * | 2015-06-15 | 2017-02-07 | WxOps, Inc. | Prediction and warning of transported turbulence in long-haul aircraft operations |
-
2021
- 2021-08-12 CN CN202110924379.5A patent/CN113642887B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106451761A (zh) * | 2016-07-21 | 2017-02-22 | 国网浙江省电力公司电力科学研究院 | 一种基于动态数据驱动的大面积停电自动监测分析*** |
JP2018116511A (ja) * | 2017-01-18 | 2018-07-26 | 日本放送協会 | 状態推定器、及びプログラム |
CN109242243A (zh) * | 2018-07-27 | 2019-01-18 | 南京航空航天大学 | 一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法 |
US10814883B1 (en) * | 2018-10-18 | 2020-10-27 | Northrop Grumman Systems Corporation | Prognostics for improved maintenance of vehicles |
CN111780766A (zh) * | 2020-07-07 | 2020-10-16 | 中国民航大学 | 融合动态风险图和改进a*算法的动态改航规划方法 |
Non-Patent Citations (1)
Title |
---|
基于粗糙集和支持向量机的航班运行风险预测;王岩韬等;中国安全科学学报;第27卷(第9期);158-163 * |
Also Published As
Publication number | Publication date |
---|---|
CN113642887A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN108983788B (zh) | 基于大数据挖掘的无人驾驶环卫车智能控制***及方法 | |
CN113642887B (zh) | 一种基于dddas的航班运行风险分析与预测方法 | |
CN111881574B (zh) | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 | |
WO2020199875A1 (zh) | 一种风廓线数据预测方法 | |
CN109299208B (zh) | 一种台风灾害下输电杆塔智能可视化风险评估方法 | |
CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
CN110570693A (zh) | 一种基于可靠性的航班运行时间预测方法 | |
DE112018000125T5 (de) | Quantifizieren einer kombinierten Auswirkung untereinander abhängiger unsicherer Ressourcen in einem elektrischen Stromnetz | |
CN106403166A (zh) | 一种冷负荷预测控制方法及装置 | |
CN109599866B (zh) | 一种预测辅助的电力***状态估计方法 | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
CN102889988B (zh) | 一种滚珠丝杠副精度预测方法 | |
CN113485305A (zh) | 一种飞机外勤故障诊断***与方法 | |
CN114564487A (zh) | 预报预测相结合的气象栅格数据更新方法 | |
CN115062856A (zh) | 基于电网私有云的新能源厂站中期出力预测方法和*** | |
CN116107283B (zh) | 一种基于人机交互的ai生产管理*** | |
CN103955764B (zh) | 一种对医疗影像检查量预测的混合优化方法 | |
CN117294019A (zh) | 一种基于物联网的绿色建筑能耗监测方法及*** | |
CN112365053A (zh) | 负荷区域内分布式光伏发电总功率的预测方法、***与计算机可读介质 | |
CN114860808B (zh) | 基于大数据的配电网设备异常事件关联分析方法 | |
CN114548739A (zh) | 一种变电站防汛风险组合评估方法 | |
CN113313317B (zh) | 一种基于inla算法的共享单车使用需求预测方法及预测*** | |
CN114298131A (zh) | 一种基于水电设备状态指标特征值进行状态监测的方法 | |
CN115310366A (zh) | 一种基于随机优化模型评估机场公布容量的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |