CN114118578A - 一种基于空中轨迹和大数据预测航班到达时间的计算方法 - Google Patents
一种基于空中轨迹和大数据预测航班到达时间的计算方法 Download PDFInfo
- Publication number
- CN114118578A CN114118578A CN202111424205.9A CN202111424205A CN114118578A CN 114118578 A CN114118578 A CN 114118578A CN 202111424205 A CN202111424205 A CN 202111424205A CN 114118578 A CN114118578 A CN 114118578A
- Authority
- CN
- China
- Prior art keywords
- flight
- time
- data
- landing
- calculation
- 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.)
- Pending
Links
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于空中轨迹和大数据预测航班到达时间的计算方法,包括落地跑道预测计算、落地时间预测计算、上轮档时间预测计算。本发明采用全因素下仿真度最高的航班历史大数据作为匹配预测样本,与真实运行有着较高的吻合度,对计算所需的数据源要求不高,技术实现难度不大,即使在数据条件不高的中小型机场,也能快速实现产品转化,具有较强的复制推广性,通过对航空器空中运行轨迹进行阶段性建模和状态识别,以大数据统计分析为主要技术手段,建立一种机场所属飞行管制区内航班落地时间和上轮挡时间的预测机制与算法,为机场地面保障***提供精确参考,可有效减少机场地面保障资源的虚耗等待或延迟到位,有效提升了地面保障资源的利用率。
Description
技术领域
本发明涉及航空管理应用方法技术领域,特别是一种基于空中轨迹和大数据预测航班到达时间的计算方法。
背景技术
民航航班落地时间和上轮档时间是机场运行中非常重要的运行参考数据。实际应用中,在进港航班未到达指定停机位前,机场所有地面保障人员和设备都会参考航班预计落地时间做提前准备工作;在进港航班上轮档后,围机作业人员和设备方可靠近航空器实施地面保障工作。
目前,民航机场运行的地面保障工作中,由于缺少精准的预测方法,通常参照航班预计落地时间作为参考,要求地面保障人员和设备在航班预计落地时间前5-10分钟到位指定位置等待保障。上述方式存在以下缺点,其一:传统航班预计落地时间计算方法,通常采用从起飞机场到落地机场的全航程历史平均飞行时间,或依靠计算机飞行计划***正向逐航段推理计算;受飞行性能、航空气象、飞行程序、空管调配等因素影响,容易出现较大偏差。其二:航空器从实际落地到泊机完成之间存在一段航空器地面滑行时间;受航班落地跑道的方向、泊机位置、地面滑行路径以及地面滑行中发生的避让等待等因素影响,会造成预计落地时间与航空器上轮档时间之间存在较大差异。其三:绝大多数机场地面保障人员和设备开展工作的起始点,通常为航空器上轮挡时间,并非航班预计落地时间;参考传统的预计落地时间,容易造成机场地面保障资源的虚耗等待或延迟到位。
发明内容
为了克服现有民航机场运行的地面保障活动中,由于缺少精准的预测方法,容易造成机场地面保障资源的虚耗等待或延迟到位的弊端,本发明提供了在相关步骤共同作用下,能快速实现产品转化,具有较强的复制推广性,能为机场地面保障***提供精确参考,可有效减少机场地面保障资源的虚耗等待或延迟到位,有效提升了地面保障资源的利用率,尤其适用于航班临近落地应急调配时精准决策的一种基于空中轨迹和大数据预测航班到达时间的计算方法。
本发明解决其技术问题所采用的技术方案是:
一种基于空中轨迹和大数据预测航班到达时间的计算方法,其特征在于包括落地跑道预测计算、落地时间预测计算、上轮档时间预测计算;所述落地跑道预测计算包括如下步骤,建立航线-跑道对应规则表、获得连续多个实际落地航班的数据样本、设定当前同类航线集合预计落地跑道、将***分配的落地跑道替换预计落地跑道;所述落地时间预测计算包括如下步骤,记录飞行管制区边界中与机场日常进港航班有关航路点坐标、记录终端区边界中与机场日常进港航班有关航路点坐标、形成起始进近定位点集合、获取航空器实时位置数据、判定航空器飞越的航路点、筛选符合条件最近发生的连续多个历史航班数据样本、记录多个历史飞越航路点到实际落地之间的时间间隔、获得航段平均飞行时间、获得航班预计落地时间;所述上轮档时间预测计算包括如下步骤,筛选符合条件的最近发生连续多个历史航班数据样本、计算筛选出的多个历史航班数据样本的实际落地到实际上轮挡之间的时间间隔、计算获得平均地面滑行时间、计算获得航班预计上轮挡时间。
进一步地,所述落地跑道预测计算中,建立的规则表是“多对多”映射关系;获得的数据样本是基于航班历史数据中筛查同属一类航线集合内的数据;设定的预计落地跑道数据来源于三个数据样本;替换预计落地跑道的数据来源于航班已有***分配的落地跑道数据。
进一步地,所述落地时间预测计算中,飞行管制区边界中与机场日常进港航班航路点坐标包括经度及纬度;终端区边界中与机场日常进港航班航路点坐标包括经度及纬度;定位点集合数据来源于飞行程序和航图;获取的实时位置数据包括经度及纬度。
进一步地,所述落地时间预测计算中,判定航空器飞越航路点的数据来源于航空器实时位置与飞行管制区边界进港航路点集合数据、终端区边界进港航路点集合数据、起始进近定位点集合数据。
进一步地,所述落地时间预测计算中,筛选的历史航班数据样本,需要满足条件一:样本航班曾经飞越识别到的航路点,条件二:样本航班实际落地跑道与目标航班预计落地跑道相同;记录的时间间隔按照从小到大排序;平均飞行时间是通过时间间隔样本求平均得到的;落地时间是用航空器飞越航路点时间,累加航段平均飞行时间得到的。
进一步地,所述上轮档时间预测计算中,筛选的条件一:样本航班与预测航班进港停机位相同,条件二:样本航班实际落地跑道与目标航班预计落地跑道相同;计算筛选出的时间间隔按照从小到大排序;平均地面滑行时间来源于排序后多个时间间隔数据样本;航班预计上轮挡时间来源于累加航段平均飞行时间和平均地面滑行时间数据样本。
本发明有益效果是:本发明以机场所属飞行管制区内的飞行程序作为主要建模参考,采用全因素下仿真度最高的航班历史大数据作为匹配预测样本,与真实运行有着较高的吻合度。算法体系设计结构简单,对计算所需的数据源要求不高,技术实现难度不大,即使在数据条件不高的中小型机场,也能快速实现产品转化,具有较强的复制推广性。通过对航空器空中运行轨迹进行阶段性建模和状态识别,以大数据统计分析为主要技术手段,建立一种机场所属飞行管制区内航班落地时间和上轮挡时间的预测机制与算法,为机场地面保障***提供精确参考,可有效减少机场地面保障资源的虚耗等待或延迟到位,有效提升了地面保障资源的利用率,尤其适用于航班临近落地应急调配时的精准决策。基于上述,本发明具有好的应用前景。
附图说明
以下结合附图和实施例将本发明做进一步说明。
图1是本发明整体架构框图示意。
图2是本发明航线-跑道对应规则表示意图。
图3是本发明起始进近定位点集合示意图。
图4是本发明航空器飞越航路点时间示意图。
图5是本发明获得航段平均飞行时间示意图。
具体实施方式
图1中所示,一种基于空中轨迹和大数据预测航班到达时间的计算方法,包括落地跑道预测计算、落地时间预测计算、上轮档时间预测计算(上述计算过程,均为飞行管制区的基于PC机管理***应用单元[本实施例创新点]、协同飞行程序内应用软件实现的)。
图1中所示,落地跑道预测包括如下。第一步:根据机场跑道运行规则,建立《航线-跑道对应规则表》,通常为“多对多”映射关系,示意如图2;示例2中说明:示例共分为两类航线集合,分别对应若干使用跑道。第二步:在航班历史数据中筛查同属一类航线集合内,最近发生的连续三个实际落地航班的数据样本;需要说明的是,若筛查到连续三个实际落地航班的数据样本,起飞机场分别为:ZGGG、ZPPP、ZWWW,落地机场为本场,三个航班属于同一类航线集合。第三步:三个数据样本中,发生概率最高的落地跑道,设定为当前同类航线集合预计落地跑道;若三个数据样本的跑道都不相同,设定最近的数据样本跑道为当前同类航线集合预计的落地跑道(通常不会发生);需要说明的是,若三个航班的实际落地跑道,分别为35L,35R,35R,则当前同类航班集合预计落地跑道为35R;若三个航班的实际落地跑道,分别为35L,35R,17R,最近航班落地跑道为17R,则当前同类航班集合预计落地跑道为17R。第四步:若航班已有***分配的落地跑道数据,以***分配的落地跑道替换预计落地跑道。
图1中所示,落地时间预测计算主要是根据飞行程序和航空器运动轨迹,识别航空器飞越关键航路点的时间,根据航班历史大数据筛选取样与预测航班最接近的数据样本,按照时间分布和置信区间对样本数据做进一步筛选,计算航段平均飞行时间,飞越航路点时间累加航段平均飞行时间获得预计落地时间。计算过程如下:第一步:根据飞行程序和航图,查找飞行管制区边界中与机场日常进港航班有关的所有航路点集合,记录航路点坐标(经度、纬度),形成《飞行管制区边界进港航路点集合》。第二步:根据飞行程序和航图,查找终端区边界中与机场日常进港航班有关的所有航路点集合,记录航路点坐标(经度、纬度),形成《终端区边界进港航路点集合》。第三步:根据飞行程序和航图,查找与机场日常进港航班有关的所有起始进近定位点,记录航路点坐标,形成《起始进近定位点集合》,示例图如图3,图3中说明:A1至A17为飞行管制区边界进港航路点集合;B1至B6为终端区边界进港航路点集合;C1-C4为起始进近定位点集合。第四步:通过空管二次雷达、空管4D轨迹、ADS-B***、ACARS等***(其中之一即可),获取航空器实时位置数据(经度、纬度)。第五步:当航空器实时位置与《飞行管制区边界进港航路点集合》、《终端区边界进港航路点集合》、《起始进近定位点集合》中任意航路点之间的水平距离第一次出现小于某设定阈值时(三个集合设定不同阈值),判定航空器飞越该航路点,即航空器实时位置的触发时间为航空器飞越航路点时间,并进入第下一步计算,否则忽略,示例图如图4。第六步:筛选符合以下两个条件,最近发生的连续30个历史航班数据样本;条件一:样本航班曾经飞越识别到的航路点;条件二:样本航班实际落地跑道与目标航班预计落地跑道相同。第七步:计算筛选出的30个历史航班数据样本的实际航段飞行时间,即从飞越航路点到实际落地之间的时间间隔,按照从小到大排序。第八步:将排序后30个时间间隔数据样本的左右两侧10%的数据剔除,对中间段(80%数据样本)的时间间隔样本求平均,获得航段平均飞行时间,示例图如图5。第九步:用航空器飞越航路点时间,累加航段平均飞行时间,获得航班预计落地时间。
图1中所示,上轮档时间预测计算主要根据航班历史大数据筛选取样与预测航班最接近的数据样本,按照时间分布和置信区间对样本数据做进一步筛选,计算平均地面滑行时间,累加航段平均飞行时间和平均地面滑行时间获得预计上轮挡时间。计算过程如下:第一步:筛选符合以下两个条件,最近发生的连续30个历史航班数据样本,条件一:样本航班与预测航班进港停机位相同;条件二:样本航班实际落地跑道与目标航班预计落地跑道相同。第二步:计算筛选出的30个历史航班数据样本的实际地面滑行时间,即从实际落地到实际上轮挡之间的时间间隔,按照从小到大排序。第三步:将排序后30个时间间隔数据样本的左右两侧10%的数据剔除,对中间段(80%数据样本)的时间间隔样本求平均,获得平均地面滑行时间。第四步:用航空器飞越航路点时间,累加航段平均飞行时间和平均地面滑行时间,获得航班预计上轮挡时间。
图1所示,本发明旨在通过对航空器空中运行轨迹进行阶段性建模和状态识别,以大数据统计分析为主要技术手段,建立一种机场所属飞行管制区内航班落地时间和上轮挡时间的预测机制与算法,为机场地面保障***提供精确参考。本发明算法设计,以机场所属飞行管制区内的飞行程序作为主要建模参考,采用全因素下仿真度最高的航班历史大数据作为匹配预测样本,与真实运行有着较高的吻合度。算法体系设计结构简单,对计算所需的数据源要求不高,技术实现难度不大,即使在数据条件不高的中小型机场,也能快速实现产品转化,具有较强的复制推广性。本算法应用后,通过落地跑道预测计算、落地时间预测计算、上轮档时间预测计算等获得的数据,能直观有效得到航空器的进港信息数据,航班到达指定停机位前,机场所有地面保障人员和设备依据航班预计落地时间合理做提前准备工作,可有效减少机场地面保障资源的虚耗等待或延迟到位,有效提升地面保障资源的利用率,尤其适用于航班临近落地应急调配时的精准决策。
图1所示,本发明采用的专业数据解释如下。飞行管制区边界:本申请中,飞行管制区边界指民航空中交通管制地区级单位所辖空域的水平边界;终端区边界:本申请中,终端区边界指民航空中交通管理单位对距离机场一定距离范围(150公里左右)内的航空器实施管制指挥的飞行活动区域水平边界。起始进近定位点:本申请中,起始进近定位点指航空器实施落地前进近程序的起始点。上轮档时间:是指航空器完成落地滑行后,到达停机位并停稳的时间。
以上显示和描述了本发明的基本原理和主要特征及本发明的优点,对于本领域技术人员而言,显然本本发明限于上述示范性实施例的细节,而且在不背离本本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于空中轨迹和大数据预测航班到达时间的计算方法,其特征在于包括落地跑道预测计算、落地时间预测计算、上轮档时间预测计算;所述落地跑道预测计算包括如下步骤,建立航线-跑道对应规则表、获得连续多个实际落地航班的数据样本、设定当前同类航线集合预计落地跑道、将***分配的落地跑道替换预计落地跑道;所述落地时间预测计算包括如下步骤,记录飞行管制区边界中与机场日常进港航班有关航路点坐标、记录终端区边界中与机场日常进港航班有关航路点坐标、形成起始进近定位点集合、获取航空器实时位置数据、判定航空器飞越的航路点、筛选符合条件最近发生的连续多个历史航班数据样本、记录多个历史飞越航路点到实际落地之间的时间间隔、获得航段平均飞行时间、获得航班预计落地时间;所述上轮档时间预测计算包括如下步骤,筛选符合条件的最近发生连续多个历史航班数据样本、计算筛选出的多个历史航班数据样本的实际落地到实际上轮挡之间的时间间隔、计算获得平均地面滑行时间、计算获得航班预计上轮挡时间。
2.根据权利要求1所述的一种基于空中轨迹和大数据预测航班到达时间的计算方法,其特征在于,落地跑道预测计算中,建立的规则表是“多对多”映射关系;获得的数据样本是基于航班历史数据中筛查同属一类航线集合内的数据;设定的预计落地跑道数据来源于三个数据样本;替换预计落地跑道的数据来源于航班已有***分配的落地跑道数据。
3.根据权利要求1所述的一种基于空中轨迹和大数据预测航班到达时间的计算方法,其特征在于,落地时间预测计算中,飞行管制区边界中与机场日常进港航班航路点坐标包括经度及纬度;终端区边界中与机场日常进港航班航路点坐标包括经度及纬度;定位点集合数据来源于飞行程序和航图;获取的实时位置数据包括经度及纬度。
4.根据权利要求1所述的一种基于空中轨迹和大数据预测航班到达时间的计算方法,其特征在于,落地时间预测计算中,判定航空器飞越航路点的数据来源于航空器实时位置与飞行管制区边界进港航路点集合数据、终端区边界进港航路点集合数据、起始进近定位点集合数据。
5.根据权利要求1所述的一种基于空中轨迹和大数据预测航班到达时间的计算方法,其特征在于,落地时间预测计算中,筛选的历史航班数据样本,需要满足条件一:样本航班曾经飞越识别到的航路点,条件二:样本航班实际落地跑道与目标航班预计落地跑道相同;记录的时间间隔按照从小到大排序;平均飞行时间是通过时间间隔样本求平均得到的;落地时间是用航空器飞越航路点时间,累加航段平均飞行时间得到的。
6.根据权利要求1所述的一种基于空中轨迹和大数据预测航班到达时间的计算方法,其特征在于,上轮档时间预测计算中,筛选的条件一:样本航班与预测航班进港停机位相同,条件二:样本航班实际落地跑道与目标航班预计落地跑道相同;计算筛选出的时间间隔按照从小到大排序;平均地面滑行时间来源于排序后多个时间间隔数据样本;航班预计上轮挡时间来源于累加航段平均飞行时间和平均地面滑行时间数据样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424205.9A CN114118578A (zh) | 2021-11-26 | 2021-11-26 | 一种基于空中轨迹和大数据预测航班到达时间的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424205.9A CN114118578A (zh) | 2021-11-26 | 2021-11-26 | 一种基于空中轨迹和大数据预测航班到达时间的计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118578A true CN114118578A (zh) | 2022-03-01 |
Family
ID=80370395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111424205.9A Pending CN114118578A (zh) | 2021-11-26 | 2021-11-26 | 一种基于空中轨迹和大数据预测航班到达时间的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118578A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681413A (zh) * | 2023-08-03 | 2023-09-01 | 中航信移动科技有限公司 | 一种航班到达时间确定方法、电子设备及存储介质 |
-
2021
- 2021-11-26 CN CN202111424205.9A patent/CN114118578A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681413A (zh) * | 2023-08-03 | 2023-09-01 | 中航信移动科技有限公司 | 一种航班到达时间确定方法、电子设备及存储介质 |
CN116681413B (zh) * | 2023-08-03 | 2023-10-27 | 中航信移动科技有限公司 | 一种航班到达时间确定方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930770B (zh) | 一种基于管制意图和飞机性能模型的四维航迹预测方法 | |
US9558670B1 (en) | Method and system for air traffic rerouting for airspace constraint resolution | |
US10818192B2 (en) | Conflict alerting method based on control voice | |
CN109493644B (zh) | 一种基于历史航迹数据挖掘的四维航迹推测方法 | |
US9171473B1 (en) | Method and system for dynamic automated corrections to weather avoidance routes for aircraft in en route airspace | |
Davis et al. | The final approach spacing tool | |
US10043401B2 (en) | Methods and apparatus for detecting airport terminal area congestion | |
CN109215399B (zh) | 一种终端区智能化流控策略生成方法 | |
US11094206B2 (en) | Vertical flightpath optimization | |
US11688291B2 (en) | Cockpit display systems and methods for displaying taxiing route on airport moving map | |
CN111508280B (zh) | 一种基于4d航迹的移动时隙航空管制方法 | |
CN110349444B (zh) | 基于大数据的空中交通流量管理方法 | |
Schultz et al. | A-CDM Lite: Situation awareness and decision-making for small airports based on ADS-B data | |
CN111062644A (zh) | 一种基于高精导航定位的机场地勤车辆管控***和方法 | |
US20210125512A1 (en) | Aircraft parking stand assignment prediction | |
CN111581780A (zh) | 复杂空域场景下机场群空域仿真建模与验证方法及装置 | |
Guclu et al. | Analysis of aircraft ground traffic flow and gate utilisation using a hybrid dynamic gate and taxiway assignment algorithm | |
US20170358218A1 (en) | Runway optimization system and method | |
CN114118578A (zh) | 一种基于空中轨迹和大数据预测航班到达时间的计算方法 | |
CN109145415B (zh) | 一种空中交通流时距分布分析方法 | |
Lui et al. | Data-driven approach for aircraft arrival flow investigation at terminal maneuvering area | |
Mitkas et al. | Activity Identification using ADS-B data at General Aviation Airports | |
CN111652428B (zh) | 一种基于历史数据的航班预达时刻估算方法及*** | |
Denery et al. | Challenges of air traffic management research-Analysis, simulation, and field test | |
WO2019192615A1 (zh) | 基于大数据的空中交通流量管理方法及*** |
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 |