CN114254840B - 一种数据处理方法、电子设备及存储介质 - Google Patents
一种数据处理方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114254840B CN114254840B CN202210197296.5A CN202210197296A CN114254840B CN 114254840 B CN114254840 B CN 114254840B CN 202210197296 A CN202210197296 A CN 202210197296A CN 114254840 B CN114254840 B CN 114254840B
- Authority
- CN
- China
- Prior art keywords
- event
- preset
- time
- events
- preset event
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种数据处理方法、电子设备及存储介质,所述方法包括:从每一所述第二服务器获取当前日期内每一预设事件对应事件信息,向所述第三服务器发出天气数据获取请求,以从所述第三服务器获取每一所述源位置在每一对应的第一时间的第一天气数据,以及每一所述目的位置在每一对应的第二时间的第二天气数据;确定每一源位置a1对应的dat;生成每一预设事件对应的事件向量Tg=(d,a1,a2,dat,W1,W2,q);将所有预设事件对应的事件向量输入执行时间预测模型,得到每一预设事件的预测执行时间t4,并将f(t1,t4)大于第一时间阈值且q=0的预设事件确定为待处理事件。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种数据处理方法、电子设备及存储介质。
背景技术
随着航班的数量增加,航班延误和取消等情况发生的频率日益提高。现有的起飞时间计算方法中,都是大多是通过通用的机械模型使用历史的航班数据对模型进行训练。而在使用模型时,输入需要计算航班的相关信息进行计算。但是这种方式得到的计算结果,只是根据历史信息中的规律单一的分析计算一个目标的起飞时间,无法充分考虑到其他同一时间段的及积压的航班对其的影响。
发明内容
有鉴于此,本发明提供一种数据处理方法、电子设备及存储介质,至少部分解决现有技术中存在的问题。
根据本申请的一个方面,提供一种数据处理方法,应用于第一服务器,所述第一服务器与多个第二服务器和至少一个第三服务器之间具有通讯连接;
所述方法包括:
从每一所述第二服务器获取当前日期内每一预设事件对应事件信息,所述事件信息包括源位置a1、目的位置a2、第一时间t1、第二时间t2和执行标志q;其中,a1与t1具有对应关系,a2与t2具有对应关系,q表征对应的预设事件的执行状态,q=0表征对应预设事件当前未执行;
向所述第三服务器发出天气数据获取请求,以从所述第三服务器获取每一所述源位置在每一对应的第一时间的第一天气数据,以及每一所述目的位置在每一对应的第二时间的第二天气数据;
确定每一源位置a1对应的dat;dat=(Ndt1+Ndt2)/Nt,Ndt1为a1对应的预设事件中,t1和t0处于同一时间窗口内且f(t1,t3)大于第一时间阈值的预设事件的数量,Ndt2为a1对应的预设事件中,t1和t0处于同一时间窗口内且f(t1,t0)大于第一时间阈值,同时q=0的预设事件的数量,t0为当前时间,t3为对应预设事件的实际执行时间,f()为预设的存储在配置文件中的处理函数;Nt为a1对应的预设事件中,t1和t0处于同一时间窗口内的预设事件的数量;
生成每一预设事件对应的事件向量Tg=(d,a1,a2,dat,W1,W2,q);其中,d为预设事件对应的时间ID,d根据t1得到,W1为根据第一天气数据得到a1对应的天气信息,W2为根据第二天气数据得到a2对应的天气信息;
将所有预设事件对应的事件向量输入执行时间预测模型,得到每一预设事件的预测执行时间t4,并将f(t1,t4)大于第一时间阈值且q=0的预设事件确定为待处理事件。
根据本申请的一个方面,提供一种电子设备,包括处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行上述任一项所述方法的步骤。
根据本申请的一个方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行上述任一项所述方法的步骤。
本申请提供的数据处理方法,能够自动从多个具有通讯连接关系的第二服务器获取当前日期内能够获取到的所有预设事件对应的事件信息,并从第三服务器获取每一预设事件对应的地点的当前日期的天气信息。同时,还会获取当前时刻每一源位置a1对应的dat,dat能够表征对应的a1当前的预设事件的执行情况。根据得到的数据生成每一预设事件对应的事件向量后,同时将所有事件向量一起输入执行时间预测模型中,使得执行时间预测模型能够综合当前日期内能获取到的所有预设事件的当前情况进行执行时间预测,使得执行时间预测结果更加精准。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本实施例提供的一种数据处理方法的流程图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合;并且,基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
请参考图1,根据本申请的一个方面,提供一种数据处理方法,应用于第一服务器,所述第一服务器与多个第二服务器和至少一个第三服务器之间具有通讯连接。其中,第二服务器可以为航空公司或机场对应的服务器,其内存储有其负责的所有航班(预设事件)的事件信息。事件信息信息可以包括计划起飞时间(t1)、起飞机场(a1)、计划到达时间(t2)、到达机场(a2)、事件编号等。优选的,本实施例中,为保证数据的准确性更高,第二服务器为机场所对应的服务器。第三服务器可以为气象中心或其他可以提供天气信息的机构对应的服务器。
所述方法包括:
步骤S100,从每一所述第二服务器获取当前日期内每一预设事件对应事件信息,所述事件信息包括源位置a1、目的位置a2、第一时间t1、第二时间t2和执行标志q;其中,a1与t1具有对应关系,a2与t2具有对应关系,q表征对应的预设事件的执行状态,q=0表征对应预设事件当前未执行,q=1表征对应预设事件当前正在执行中,q=2表征对应预设事件执行完成,q=3表征对应预设事件被标记为取消执行。
其中,第二服务器为第一服务器能够连接到的所有能够提供预设事件的事件信息的服务器,以使得后续处理中所采用的数据更加全面和细致。由于不同的第二服务器提供的事件信息的数据格式和数据内容可能存在不同。故而在事件信息获取后,可以先根据不同第二服务器的数据特征,建立数据清洗和数据格式转换函数,以使得第一服务器能够对接收到的事件信息进行数据清洗和格式转换,以除去重复信息和非必要信息,以及使得事件信息内的数据以统一的格式进行存储。
步骤S200,向所述第三服务器发出天气数据获取请求,以从所述第三服务器获取每一所述源位置在每一对应的第一时间的第一天气数据,以及每一所述目的位置在每一对应的第二时间的第二天气数据。
步骤S300,确定每一源位置a1对应的dat;dat=(Ndt1+Ndt2)/Nt,Ndt1为a1对应的预设事件中,t1和t0处于同一时间窗口内且f(t1,t3)大于第一时间阈值的预设事件的数量,Ndt2为a1对应的预设事件中,t1和t0处于同一时间窗口内且f(t1,t0)大于第一时间阈值,同时q=0的预设事件的数量,t0为当前时间,t3为对应预设事件的实际执行时间,f()为预设的存储在配置文件中的处理函数;Nt为a1对应的预设事件中,t1和t0处于同一时间窗口内的预设事件的数量;
其中,dat表征了第一时间处于当前时间所在时间窗口中的预设事件内,延误时间超过第一时间阈值的情况,其直接影响该事件窗口内的预设事件的实际执行时间,例如dat的实际值越大表征a1存在外界因素导致整体的事件执行延误率提升,且该外界因素持续时间较长也会对后续的预设时间执行造成影响。具体的,Ndt1表征已经执行的预设事件但延误时间超过第一时间阈值的预设事件数量,Ndt2表征当前未执行的预设事件且延误时间已经超过第一时间阈值的预设事件数量。当前时间所在时间窗口可以定义为t0对应的整点时刻的时间区间,如t0为9:25时,其所在时间窗口为[9:00,9:59]。f()的计算方法为第二变量(如f(t1,t0)中的t0)减第一变量(如f(t1,t0)中的t1)。第一时间阈值可以为10min到60min,优选的,本实施例中第一时间阈值为30min。
步骤S400,生成每一预设事件对应的事件向量Tg=(d,a1,a2,dat,W1,W2,q);其中,d为预设事件对应的时间ID,d根据t1得到,W1为根据第一天气数据得到a1对应的天气信息,W2为根据第二天气数据得到a2对应的天气信息。
步骤S500,将所有预设事件对应的事件向量输入执行时间预测模型,得到每一预设事件的预测执行时间t4,并将f(t1,t4)大于第一时间阈值且q=0的预设事件确定为待处理事件。
具体的,d=(d1,d2,d3,d4,d5),d1为对应预设事件的t1对应的季度参数,表征t1对应日期在当年的哪个季度;d2为对应预设事件的t1对应的日期参数,表征t1对应日期在当月的哪天;d3为对应预设事件的t1对应的星期参数,表征t1对应日期在当周的周几;d4为对应预设事件的t1对应的时刻参数,表征出发时刻对应日期在当天的几点;d5为当前时间到对应预设事件的t1的时间间隔参数(单位为分钟),表征当前时间到t1还有多久。
W1=(w11,w21,w31,w41),w11为a1在预设事件的t1对应的天气类型参数;w21为a1在预设事件的t1对应的风力参数;w31为a1在预设事件的t1对应的能见度参数;w41为预设事件的t1对应的天气综合参数,其中w41=j(w11,w21,w31),j()为预设的存储在配置文件中的处理函数。具体的,w11,w21,w31可以通过设置在a1的天气传感器、压力传感器和湿度传感器等传感器进行实时采集,以使得获得的数据更加准确。
W2=(w12,w22,w32,w42),w12为a2在预设事件的t2对应的天气类型参数;w22为a2在预设事件的t2对应的风力参数;w32为a2在预设事件的t2对应的能见度参数;w42为a2在预设事件的t2对应的天气综合参数,其中w42=j(w21,w22,w32)。
具体的,w11和w12的取值范围为1到7,每一数值能够对应一种天气类型,例如1代表晴、2代表阴等。W21和w22的取值范围为0到2,代表对应位置的风力等级。W31和w32的取值范围为0到2,代表对应位置的能见度等级,能见度等级越高标识视线越差。W41和w42的取值范围为0到2,其数值的大小取决于地点的天气类型、风力等级和能见度等级等,具体可以通过处理函数j()对相应的数据进行处理得到,例如w41=j(w11,w21,w31),优选的,j()可以是加权累加处理函数,为不同的参数赋予不同的权重后进行累加。
本实施例提供的数据处理方法,能够自动从多个具有通讯连接关系的第二服务器获取当前日期内能够获取到的所有预设事件对应的事件信息,并从第三服务器获取每一预设事件对应的地点的当前日期的天气信息。同时,还会获取当前时刻每一源位置a1对应的dat,dat能够表征对应的a1当前的预设事件的执行情况。根据得到的数据生成每一预设事件对应的事件向量后,同时将所有事件向量一起输入执行时间预测模型中,使得执行时间预测模型能够综合当前日期内能获取到的所有预设事件的当前情况进行执行时间预测,同时,进行执行时间预测时,能够充分考虑到同一时间窗口内的其他预设事件的情况以及t1对应的天气情况,使得执行时间预测结果更加精准。
在本申请的一种示例性实施例中,所述方法还包括:
确定每一源位置a1对应的sat;sat=Nst/Nt,其中,Nst为f(t1,t0)大于第二时间阈值且q=0的预设事件的数量。其中第二时间阈值的值为0min-5min。优选的,本实施例中,第二时间阈值的值为0min。
确定每一源位置a1对应的cat;cat=Nct/Nt,Nct为t1和t0处于同一时间窗口内且q=3的预设事件的数量,q=3表征对应预设事件被标记为取消执行。
所述生成每一预设事件对应的事件向量Tg=(d,a1,a2,dat,sat,W1,W2,q),包括:
生成每一预设事件对应的事件向量Tg=(d,a1,a2,dat,sat,catW1,W2,q)。
其中,sat能够表征当前时间下a1所积压的本该已经执行但还当前未执行的预设事件的情况,由于预设事件的执行需要按序进行执行,且同一时间能够开始执行的预设事件数量有限,故而若sat的实际值较大,会抢占后续应该执行的预设事件所需要的执行资源,导致影响后续预设事件的正常执行。
cat能够表征本应在当前时间对应的时间窗口中开始执行的预设执行的预设事件被取消执行的情况。预设事件的执行关联到多种因素,若预设事件被取消执行是会产生大量额外成本的,故而若cat的实际值较大,则表征对应的a1存在对预设时间的执行有较大影响的外界因素,且后续的预设事件被取消执行的概率也就大大提升。
本实施例中,事件向量Tg包含了对预设事件的执行可能产生影响的多方面的参数,能够全面立体的表征预设事件对应的情况。经实验测算,通过该事件向量以及多向量之间的联系和影响进行执行实际的预测,其预测结果的误差能够减小到5%-3%,大大提高了计算的精准性。
执行时间预测模型可以通过历史的预设事件对应的事件信息作为样本进行模型训练。
具体的,本实施例中,使用LightGBM算法对全时间节点进行分别预测,其在面对海量数据时也可以使得训练过程变快,达到更快的训练速度及更高的效率。具体模型构建步骤如下:
步骤一、构建15棵回归决策树、每棵决策树包括128个叶子节点、学习率为0.001、评估方式为mae的LightGBM模型h;
步骤二、数据处理模块处理后的每个航班标记后的航班固定信息集合x={d1,d2,d3,d4,d5,a1,a2,dat,cat,sat,w11,w21,w31,w41,w12,w22,w32,w42,q,y}作为LightGBM模型的输入数据集,模型预测值y与预测目标(预设事件)对应(预测目标可以是实际开始执行时间),模型训练以最小化下述MAE为目标函数得到最优的lightGBM模型。
其中,X表示模型训练的数据集,m表示数据集有m条数据,h是训练的模型,xi是第i条数据,yi是第i条数据的真实目标时刻,h(xi)表示模型预测第i条数据得到的预测目标时刻,|h(xi)-yi|表示第i条数据预测值与真实值的差距。
通过将预设事件的事件信息集合输入到执行时间预测模型,可以根据执行时间预测模型确定每一预设事件的预测执行时间,当预测执行时间和计划执行时间差值过大时,会将该航班确定为目标航班(按原计划执行会长时间延误或取消的航班)。
在本申请的一种示例性实施例中,所述方法还包括:
根据每一所述待处理事件对应的t1确定每一所述待处理事件对应的目标窗口;
根据每一所述目标窗口确定对应的待处理事件的至少一个关联事件;所述关联事件对应的t1处于所述目标窗口内;
将所有所述待处理事件及其对应的关联事件对应的事件向量输入事件处理模型,得到目标事件及目标事件对应的替换事件信息;所述目标事件为所有所述待处理事件及其对应的关联事件中的至少一件;
将所述目标事件对应的替换事件信息,发送至所述目标事件对应的第二服务器,以使所述第二服务器根据所述替换事件信息修改所述目标事件的事件信息。
待处理事件即为确定为不会在t1准时执行的预设事件,此时需要对其进行调整,以尽可能保证其在t1能够正常执行。但由于预设事件的执行和其相近时间内要执行的预设事件是会有相互影响的。故而本实施例中,会将t1处于目标窗口内的预设事件确定为关联事件。并将所有待处理事件和关联事件的事件向量同时输入事件处理模型,使得事件处理模型能够综合判断所有有关的预设事件之间的关系,并确定出优选的解决方法。故而,本实施例中,确定出的目标事件并不一定是对应的待处理事件,也可以是若干关联事件中的一个或多个。使得对待处理事件的处理更加合理化,避免直接对待处理事件进行调整导致对更多的预设事件产生影响。
具体的,事件处理模型在执行时间预测模型***到不正常航班时,计算不正常航班发生时刻的航班正常率,在不正常航班发生前启动时空网络,进行主动式恢复。
本实施例中对时空网络的目标函数及限制条件进行了创新。时空网络有以下步骤:
步骤一、获取不正常航班恢复时刻。根据预测模块获取不正常航班所属的时间节点tu,将时间tu减去两小时作为航班恢复的时刻(执行修正后航班固定信息的时刻)。
步骤二、构建该时刻可用的飞机、构建目标函数、构建限制条件,建立时空网络。本实施例中结合最大化正常航班数量、减少延误时间和减少取消费用来构建多目标函数,实现多目标优化,其目标函数具体可以为:
其中,i,j为时空网络中的节点索引,k为预设事件索引,p为飞行器索引,F为预设事件集,P为飞行器集,S(k,p)表示预设事件k占用飞行器p的开始节点集,H(k,i,p)表示预设事件k从i节点开始占用飞行器p的结束占用节点集,xi,j k,p表示预设事件k是否从i节点占用飞行器p到j节点,ni,j k,p表示如果预设事件k从i节点占用飞行器p到j节点则预设事件k放行正常,di,j k,p表示预设事件k从i节点占用飞行器p到j节点的延误时间,ck表示取消执行预设事件k的损失数额,α为第一影响参数,β为第二影响参数,γ为第三影响参数。
同时,本实施例中结合预设事件的执行管制条件、预设事件和预设事件对应飞行器的关系来构建限制条件,使得恢复行动更加现实。
具体的,所述目标函数的限制条件包括:
条件1:
条件2:
条件3:
其中,条件1和条件2是执行管制条件;条件1中,k是一个预设事件索引,m是一个位置索引,Nm表示位置m(可以为源位置或目的位置)的预设事件数量,Xmk表示m位置的预设事件k是否开始执行,s是一个导航节点索引,Is mk表示位置m的预设事件k是否需要经过导航节点s,Xmk*Is mk表示位置m的预设事件k是否真实经过导航节点s,as表示导航节点s限制通过的预设事件个数,条件1整体表示通过导航节点s的预设事件数量必须小于as;条件2中,Xmk表示位置m的预设事件k是否开始执行,bm表示位置m可以使用的飞行器,条件2中整体表示位置m的真实执行预设事件的飞行器数量必须小于bm;条件3中,Nm(t-1)表示位置m在第t-1天留下的飞行器数量,Nmt表示位置m在第t天需要使用的飞行器数量,条件3整体表示位置m的飞行器数量必须等于第二天位置m需要的飞行器数量。
在本申请的一种示例性实施例中,所述方法还包括:
获取每一q=1的预设事件对应的飞行轨迹数据;q=1表征对应预设事件当前正在执行中;
根据飞行轨迹数据,确定每一预设事件对应的盘旋圈数参数;盘旋圈数参数大于0时,表征预设事件对应的飞行器没能在a2按原计划实现降落。
所述将所有预设事件对应的事件向量输入执行时间预测模型,包括:
将所有预设事件对应的事件向量和盘旋圈数参数输入执行时间预测模型。
在每一机场,如果当前时刻有飞行器正在盘旋,可以说明该目的位置出现了飞行器拥堵的情况,而这一情况往往会导致后续的预设事件出现延误等问题,故而本实施例中,会通过ADS-B***获取每一预设事件对应的飞行器的实际航行数据(即飞行轨迹数据),并根据飞行轨迹数据确定每一预设事件当前时刻对应的盘旋圈数参数。而执行时间预测模型能够根据盘旋圈数座位重要的参数特征,从而确定出每一预设事件的预测执行时间,使得预测结果更加准确。
具体的,盘旋圈数参数的确定方法可以为:
使用从ADS-B***获取到的ADS-B数据及复变函数积分方法识别盘旋圈数,具体有以下步骤:
步骤一、确定候选中心点z0={z01,z02,...,z0n},n表示确定的候选中心点个数。沿着具体时间段内的飞行器轨迹曲线搜索,每隔固定的间隔,都在曲线上该点的左上角取一个点,即当前曲线上的点的经度减去一个小偏移值,纬度加上一个小的偏移值,作为中心点的候选点,最终确定一个或者多个可能在封闭的盘旋轨迹曲线内部的候选中心点,并且用复数表示这些点的经纬度坐标,其中经度为实部,纬度为虚部;最终确定多个可能在封闭的盘旋轨迹曲线内部的候选中心点;
步骤二、计算z0中的每一个候选中心点与曲线上所有点的复变函数积分绝对值,绝对值可以不区分正向盘旋和反向盘旋,直接计算出盘旋圈数:
该式由柯西积分公式推导而出,z为飞机飞行曲线上的任意一点,z0为候选中心点。整体积分公式表示对于一个中心点z01,若该积分值若大于等于1,则表示该中心点在封闭曲线内,封闭曲线说明该航班进行了盘旋。
由于一般情况下可供使用的预设事件经纬度轨迹均通过ADS-B数据获取得到,为多个离散的经纬度点,并非一个真正的连续曲线,对轨迹曲线ADS-B数据中每两个相邻点之间进行线性插值,切分为n个点,然后求相邻两个切分点的距离总和。例如:某航班一定时间内的轨迹为n个经纬度点z1,z2,...,zn,从定义入手求解积分,将曲线每两个相邻点连接成直线,然后将该直线切分为k个点,因此对于每两个点都被切分成k个点,共有n个经纬度点,z0是一个候选中心点。则积分公式变为:
步骤三、对于每一个候选中心点,计算所有候选中心点对应的曲线积分绝对值,对于每一个候选中心点,若积分绝对值大于等于1的候选中心点个数为0,则尚未发生盘旋现象;若积分绝对值大于等于1则表示该候选中心点在封闭区域内,封闭区域表示发生盘旋。
在本申请的一种示例性实施例中,本方法还包括,从第二服务器获取所有源位置和目标位置的位置相关数据,包括流量管控数据,位置容量限制,过站保障资源(牵引车、平台车、摆渡车、加油车、清路车、清水车、污水车、舱食车、悬梯车、传送带车)。根据获取到的位置相关数据得到位置相关数据集合。
所述将所有预设事件对应的事件向量输入执行时间预测模型,包括:
将所有预设事件对应的事件向量和位置相关数据集合输入执行时间预测模型。
位置相关数据能够表征各个源位置和目的位置内的各类资源的分配情况,而源位置和目的位置内资源的分配情况也是导致预设事件无法正常执行的重要因素之一,故而本实施例中,通过将所有事件向量和位置相关数据集合一起输入执行时间预测模型,使得执行时间预测模型的预测结果能够更加准确。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
根据本发明的这种实施方式的电子设备。电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:上述至少一个处理器、上述至少一个储存器、连接不同***组件(包括储存器和处理器)的总线。
其中,所述储存器存储有程序代码,所述程序代码可以被所述处理器执行,使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
储存器可以包括易失性储存器形式的可读介质,例如随机存取储存器(RAM)和/或高速缓存储存器,还可以进一步包括只读储存器(ROM)。
储存器还可以包括具有一组(至少一个)程序模块的程序/实用工具,这样的程序模块包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线可以为表示几类总线结构中的一种或多种,包括储存器总线或者储存器控制器、***总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备交互的设备通信,和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器通过总线与电子设备的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种数据处理方法,其特征在于,应用于第一服务器,所述第一服务器与多个第二服务器和至少一个第三服务器之间具有通讯连接;
所述方法包括:
从每一所述第二服务器获取当前日期内每一预设事件对应事件信息,所述事件信息包括源位置a1、目的位置a2、第一时间t1、第二时间t2和执行标志q;其中,a1与t1具有对应关系,a2与t2具有对应关系,q表征对应的预设事件的执行状态,q=0表征对应预设事件当前未执行;
向所述第三服务器发出天气数据获取请求,以从所述第三服务器获取每一所述源位置在每一对应的第一时间的第一天气数据,以及每一所述目的位置在每一对应的第二时间的第二天气数据;
确定每一源位置a1对应的dat;dat=(Ndt1+Ndt2)/Nt,Ndt1为a1对应的预设事件中,t1和t0处于同一时间窗口内且f(t1,t3)大于第一时间阈值的预设事件的数量,Ndt2为a1对应的预设事件中,t1和t0处于同一时间窗口内且f(t1,t0)大于第一时间阈值,同时q=0的预设事件的数量,t0为当前时间,t3为对应预设事件的实际执行时间,f()为预设的存储在配置文件中的处理函数;Nt为a1对应的预设事件中,t1和t0处于同一时间窗口内的预设事件的数量;dat表征第一时间处于当前时间所在时间窗口中的预设事件内,延误时间超过第一时间阈值的情况;第一时间阈值为30min;
生成每一预设事件对应的事件向量Tg=(d,a1,a2,dat,W1,W2,q);其中,d为预设事件对应的时间ID,d根据t1得到,W1为根据第一天气数据得到a1对应的天气信息,W2为根据第二天气数据得到a2对应的天气信息;
将所有预设事件对应的事件向量输入执行时间预测模型,得到每一预设事件的预测执行时间t4,并将f(t1,t4)大于第一时间阈值且q=0的预设事件确定为待处理事件;
所述预设事件包括航班;
所述执行时间预测模型通过以下方法构建:
步骤一、构建15棵回归决策树、每棵决策树包括128个叶子节点、学习率为0.001、评估方式为mae的LightGBM模型;
步骤二、数据处理模块处理后的每个航班标记后的航班固定信息集合作为LightGBM模型的输入数据集,模型预测值与预测目标对应,预测目标为预设事件实际开始执行时间,模型训练以最小化MAE为目标函数得到最优的lightGBM模型,所述最优的lightGBM模型为所述执行时间预测模型。
2.根据权利要求1所述的数据处理方法,其特征在于,所述方法还包括:
确定每一源位置a1对应的sat;sat=Nst/Nt,其中,Nst为f(t1,t0)大于第二时间阈值且q=0的预设事件的数量;sat表征当前时间下a1所积压的本该已经执行但还当前未执行的预设事件的情况;第二时间阈值的值为0min;
所述生成每一预设事件对应的事件向量Tg=(d,a1,a2,dat,W1,W2,q),包括:
生成每一预设事件对应的事件向量Tg=(d,a1,a2,dat,sat,W1,W2,q)。
3.根据权利要求2所述的数据处理方法,其特征在于,所述方法还包括:
确定每一源位置a1对应的cat;cat=Nct/Nt,Nct为t1和t0处于同一时间窗口内且q=3的预设事件的数量,q=3表征对应预设事件被标记为取消执行;cat表征本应在当前时间对应的时间窗口中开始执行的预设执行的预设事件被取消执行的情况;
所述生成每一预设事件对应的事件向量Tg=(d,a1,a2,dat,sat,W1,W2,q),包括:
生成每一预设事件对应的事件向量Tg=(d,a1,a2,dat,sat,cat,W1,W2,q)。
4.根据权利要求3所述的数据处理方法,其特征在于,所述方法还包括:
根据每一所述待处理事件对应的t1确定每一所述待处理事件对应的目标窗口;
根据每一所述目标窗口确定对应的待处理事件的至少一个关联事件;所述关联事件对应的t1处于所述目标窗口内;
将所有所述待处理事件及其对应的关联事件对应的事件向量输入事件处理模型,得到目标事件及目标事件对应的替换事件信息;所述目标事件为所有所述待处理事件及其对应的关联事件中的至少一件;
将所述目标事件对应的替换事件信息,发送至所述目标事件对应的第二服务器,以使所述第二服务器根据所述替换事件信息修改所述目标事件的事件信息。
5.根据权利要求4所述的数据处理方法,其特征在于,所述事件处理模型使用的目标函数为:
其中,i,j为时空网络中的节点索引,k为预设事件索引,p为飞行器索引,F为预设事件集,P为飞行器集,S(k,p)表示预设事件k占用飞行器p的开始节点集,H(k,i,p)表示预设事件k从i节点开始占用飞行器p的结束占用节点集,xi,j k,p表示预设事件k是否从i节点占用飞行器p到j节点,ni,j k,p表示如果预设事件k从i节点占用飞行器p到j节点则预设事件k放行正常,di,j k,p表示预设事件k从i节点占用飞行器p到j节点的延误时间,ck表示取消执行预设事件k的损失数额,α为第一影响参数,β为第二影响参数,γ为第三影响参数。
6.根据权利要求3所述的数据处理方法,其特征在于,所述方法还包括:
获取每一q=1的预设事件对应的飞行轨迹数据;q=1表征对应预设事件当前正在执行中;
根据飞行轨迹数据,确定每一预设事件对应的盘旋圈数参数;
所述将所有预设事件对应的事件向量输入执行时间预测模型,包括:
将所有预设事件对应的事件向量和盘旋圈数参数输入执行时间预测模型。
7.一种电子设备,其特征在于,包括处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至6任一项所述方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210197296.5A CN114254840B (zh) | 2022-03-02 | 2022-03-02 | 一种数据处理方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210197296.5A CN114254840B (zh) | 2022-03-02 | 2022-03-02 | 一种数据处理方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114254840A CN114254840A (zh) | 2022-03-29 |
CN114254840B true CN114254840B (zh) | 2022-06-03 |
Family
ID=80797316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210197296.5A Active CN114254840B (zh) | 2022-03-02 | 2022-03-02 | 一种数据处理方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114254840B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114625972B (zh) * | 2022-05-12 | 2022-07-15 | 中航信移动科技有限公司 | 一种信息推送方法、设备及介质 |
CN116128609B (zh) * | 2023-02-10 | 2023-10-27 | 中航信移动科技有限公司 | 基于民航数据的搜索结果展示方法、存储介质及电子设备 |
CN115840763B (zh) * | 2023-02-20 | 2023-05-23 | 中航信移动科技有限公司 | 一种基于多数据库的数据存储方法、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9583020B1 (en) * | 2012-11-30 | 2017-02-28 | Rockwell Collins, Inc. | Simulator system for simulating weather |
CN107818382A (zh) * | 2017-10-27 | 2018-03-20 | 中航信移动科技有限公司 | 航班到达时间预测方法 |
CN112132366A (zh) * | 2020-11-30 | 2020-12-25 | 中航信移动科技有限公司 | 一种航班放行率的预测*** |
CN112232535A (zh) * | 2020-09-18 | 2021-01-15 | 南京航空航天大学 | 一种基于监督学***均延误预测方法 |
CN113657671A (zh) * | 2021-08-18 | 2021-11-16 | 北京航空航天大学 | 一种基于集成学习的航班延误预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409587A (zh) * | 2018-10-09 | 2019-03-01 | 南京航空航天大学 | 一种基于天气数据挖掘的机场进离场交通流量预测方法 |
CN113554198B (zh) * | 2021-09-22 | 2021-12-07 | 中航信移动科技有限公司 | 基于区块链的接送机数据处理*** |
-
2022
- 2022-03-02 CN CN202210197296.5A patent/CN114254840B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9583020B1 (en) * | 2012-11-30 | 2017-02-28 | Rockwell Collins, Inc. | Simulator system for simulating weather |
CN107818382A (zh) * | 2017-10-27 | 2018-03-20 | 中航信移动科技有限公司 | 航班到达时间预测方法 |
CN112232535A (zh) * | 2020-09-18 | 2021-01-15 | 南京航空航天大学 | 一种基于监督学***均延误预测方法 |
CN112132366A (zh) * | 2020-11-30 | 2020-12-25 | 中航信移动科技有限公司 | 一种航班放行率的预测*** |
CN113657671A (zh) * | 2021-08-18 | 2021-11-16 | 北京航空航天大学 | 一种基于集成学习的航班延误预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114254840A (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114254840B (zh) | 一种数据处理方法、电子设备及存储介质 | |
Büker et al. | Stochastic modelling of delay propagation in large networks | |
Rodríguez-Sanz et al. | Assessment of airport arrival congestion and delay: Prediction and reliability | |
EP3958087B1 (en) | Optimizing aircraft control based on noise abatement volumes | |
US10636293B2 (en) | Uncertainty modeling in traffic demand prediction | |
US11024182B2 (en) | System and method to forecast flight delay based on real-time data | |
Hao et al. | New York, New York: Two ways of estimating the delay impact of New York airports | |
US10783288B1 (en) | System and method for predicting aircraft runway capacity | |
JP6034130B2 (ja) | 航空機パラメータを推定するための方法およびシステム | |
CN112308286B (zh) | 航班计划调整方法、装置及计算机可读存储介质 | |
US8527996B2 (en) | Method and system for performing a combination of throttling server, throttling network and throttling a data storage device by employing first, second and third single action tools | |
US20130231852A1 (en) | Methods and systems for determining required interval management performance (rimp) | |
CN111968414B (zh) | 基于大数据和ai的4d轨迹预测方法、装置及电子设备 | |
US9945980B2 (en) | System, method and program product for providing infrastructure centric weather forecasts | |
CN113283630A (zh) | 空气质量预测方法、装置、设备和计算机可读存储介质 | |
Gong et al. | Sequential framework for short-term passenger flow prediction at bus stop | |
CN115239026B (zh) | 停机位分配优化方法、***、设备及介质 | |
CN110471055B (zh) | 飞行物轨迹预测方法、装置、可读存储介质及终端设备 | |
CN114510072B (zh) | 基于进化迁移优化的多无人机路径规划方法、终端及介质 | |
US11674837B2 (en) | Dynamic fuel tankering | |
CN113537563B (zh) | 污染应急管控效果评估方法及装置 | |
US12025768B2 (en) | Generation of weather analytical scenarios translating likely airport capacity impact from probabilistic weather forecast | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
CN115994611A (zh) | 类别预测模型的训练方法、预测方法、设备和存储介质 | |
CN106529835B (zh) | 一种终端区日通行能力确定方法及装置 |
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 |