CN103942623A - 一种基于需求与容量不确定性的机场拥挤风险预测方法 - Google Patents
一种基于需求与容量不确定性的机场拥挤风险预测方法 Download PDFInfo
- Publication number
- CN103942623A CN103942623A CN201410162252.4A CN201410162252A CN103942623A CN 103942623 A CN103942623 A CN 103942623A CN 201410162252 A CN201410162252 A CN 201410162252A CN 103942623 A CN103942623 A CN 103942623A
- Authority
- CN
- China
- Prior art keywords
- airport
- capacity
- arena
- crowded
- theatre
- 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
Abstract
本发明涉及一种基于需求与容量预测的机场拥挤风险预测方法,包括运行在客户端的机场拥挤风险预测子系统,该子系统包括机场需求的不确定性预测模块;机场容量的不确定性预测模块和机场拥挤的不确定性预测模块;利用所述机场需求的不确定性预测模块实现机场需求的不确定性预测,利用所述机场容量的不确定性预测模块实现机场容量的不确定性预测,利用所述机场拥挤的不确定性预测模块实现机场拥挤的不确定性预测的步骤;本发明的优点是,在机场需求与容量预测的基础上,能够快速、有效的实现机场拥挤的风险预测,从而辅助相关人员科学、合理的把握机场交通的拥挤态势,并及时有效地采取拥挤解决措施,保障空中交通的安全、高效运行。
Description
技术领域
本发明涉及空中交通拥挤管理领域,特别涉及一种基于需求与容量预测的机场拥挤风险预测方法,应用本方法实现机场拥挤预测、利于及时有效的采取拥挤管理措施,保障机场交通运输效率和减少航班延误。
背景技术
机场作为空中交通的起点和终点,其拥挤现象严重制约着整个空中交通网络的正常运行,已经成为空中交通系统的主要瓶颈。目前,有关机场拥挤的预测主要是采用确定性的机场拥挤预测方法,此方法是基于航空器的基本运动学方程,对机场的需求进行预测,并假设机场容量为一个定值,通过将需求预测值与容量比较,得到未来时段机场是否拥挤。由于空中交通系统是一个人员-飞机-环境的复杂巨系统,具有高度的不确定性和动态性,确定性的机场拥挤预测方法不符合交通运行的实际,预测效果较差,缺乏实用性。因此,根据空中交通运行的随机性,对机场拥挤进行风险预测,对提到机场拥挤预测的有效性,提高机场交通的运输效率和减少航班延误均具有重要意义。
目前,有的空中交通拥挤管理部门虽然也在采用一些机场需求和容量的不确定性预测方法来预测机场拥挤,其采取的方法包括:机场需求的不确定性预测主要是基于预测时间段内的航班进离场时刻的不确定性来预测机场需求;机场容量的不确定性预测主要是基于聚类的方法分别对进场容量或离场容量进行预测;
这些方法存在两方面问题:(1)机场需求的不确定性预测方法没有考虑到多个时间段交通需求的相互影响;(2)机场容量的不确定预测没有考虑到进场容量和离场容量的相互影响及其相互制约的关系。因此,预测的准确性受到一定影响,进而影响到机场拥挤预测的准确性。
考虑到现有机场拥挤预测的现状,尚缺少一种能够快速、有效、实用的机场拥挤预测方法。
发明内容
鉴于现有技术领域的不足,本发明的目的在于,提供一种新的机场拥挤风险预测方法,该方法基于空中交通运行的不确定性来研究机场拥挤的风险预测,以求能够快速、有效的预测机场拥挤,从而及时有效的采取拥挤解决措施,保障飞行安全和提高运输效率。
本发明是这样实现的,一种基于需求与容量不确定性的机场拥挤风险预测方法,通过计算机系统辅助实现,所述计算机系统主要由客户端/服务器(C/S)模式构成,计算机系统包括空域导航数据库、仿真驱动子系统、机场网络建模子系统、航班计划子系统和显示与交互子系统,其特征在于,计算机系统中还包括一个运行在客户端的机场拥挤风险预测子系统,所述机场拥挤风险预测子系统用作机场拥挤风险预测方法的实现平台;
机场拥挤风险预测子系统包括机场需求的不确定性预测模块;机场容量的不确定性预测模块和机场拥挤的不确定性预测模块;其中:
机场需求的不确定性预测模块是根据多个时段的航班实际到达或离开机场的时刻与计划到达或离开机场的时刻,建立航班到达或离开机场的概率密度函数,进而建立进港或离港交通的概率需求预测模型;
令T为时间间隔,为航空器f i 实际进场的时刻,为航空器f i 预计进场的时刻,为航空器f i 进场的延误时段,则;为航空器f i 实际离场的时刻,为航空器f i 预计离场的时刻,为航空器f i 离场的延误时段,则;x为任意给定的航空器f i 进场的延误时段,y表示任意给定的航空器f i 离场的延误时段;n为“航空器f i 进场”的总次数,n’为“航空器f i 离场”的总次数,n(x)为“”发生的次数,为“”发生的次数,为“”发生的次数;为航空器f i 在时刻t进场的概率;n i 为预计在间隔i到达的航班量;p ij 为预计在i间隔到达的航班实际在j间隔到达的概率;P M [m]为某时间段内机场中有m架航空器进场的概率,M为机场中该时间段内可能存在的进场的航空器总数量;
由伯努利大数定理,建立航班进场和离场延误时间的概率密度模型:
;
假设预计在i间隔到达的航班实际在j间隔到达的概率相同,且服从二项分布,建立j间隔实际交通需求为k的概率密度函数:
(1)
建立第j间隔内实际发生m架航空器进场(离场)的概率需求预测模型:
(2)
机场容量的不确定性预测模块是基于不同时间段的进港和离港容量,建立机场容量样本,然后采用主成分分析与K均值聚类的方法对容量样本进行聚类,得到典型容量样本,建立基于典型容量样本的进港(或离港)交通的概率容量预测模型;
(1)建立机场进离场容量样本;
(2)计算样本空间W={x 1 ,x 2 ,…,x m }的样本协方差矩阵S的特征值λ 1 >=λ 2 >=…>=λ m ,与之对应的m个单位特征向量组成的矩阵为U=(u 1 ,u 2 ,…,u m )∈R m*m ;
(3)根据主成分的累计贡献率是否大于或等于阈值β 0 来确定主成分个数p’,令U p 为由U的p’个列组成的m*p’矩阵,其中,a i ∈R 1*p’,i =1,2,…,p’表示矩阵U p’ 的第i行;
(4)从约减后的样本空间,随机选择k个数据,分别代表k个类的初始中心,令迭代次数l=1,J c (0)=M,M为比较大的正数,J c (0)为误差平方和准则初始值;
(5)对W’中每个数据,计算其与各个类中心的欧几里德距离,然后将它分给距离最短的类;欧几里德距离计算公式如下:
(3)
其中,x i =(x i1 ,x i2 ,…,x in ),x i ∈W’;c k =(c k1 ,c k2 ,…,c kn )表示第k个分类的中心;
(6)采用求平均值的方法重新计算每个类的中心:
(4)
其中,表示第k分类样本集合;m k 表示中的样本数目;
(7)采用误差平方和法确定聚类收敛准则:
(5)
如果∣J c (I)-J c (I-1)∣<ε,ε为指定的较小的正数,则聚类收敛,算法停止;否则l=l+1,重新进行迭代计算,直至达到最大迭代次数为止;
(8)通过统计不同类中所对应样本的个数,将其与总样本数相除,来得到某时间段具有各典型容量样本所对应容量值的概率:
,其中s i 为第i类包含的样本个数; (6)
机场拥挤的不确定性预测模块是基于机场需求的不确定性预测模块的预测结果和机场容量的不确定性预测模块的预测结果,将需求与容量预测值相比较,进而建立机场拥挤的不确定性预测模型;
分别计算进场(或离场)的交通需求小于交通容量的概率之和,分别得到进场(或离场)交通在第j时段发生拥挤的风险:
(7)
然后将进场拥挤风险和离场拥挤风险相比较,选风险值较大者作为机场拥挤风险;
所述机场拥挤风险预测方法,其特征在于,利用所述机场需求的不确定性预测模块实现机场需求的不确定性预测,利用所述机场容量的不确定性预测模块实现机场容量的不确定性预测,利用所述机场拥挤的不确定性预测模块实现机场拥挤的不确定性预测的步骤;
步骤1:在机场网络建模子系统中输入机场网络结构数据、航路航线数据,在航班计划子系统中编制航班计划数据,设置仿真时间,调用仿真驱动子系统,统计各进场航班的预计到达时刻和实际到达时刻,各离场航班的预计离开时刻和实际离开时刻信息;统计每天不同时段的机场进离场容量值;
步骤2:在机场拥挤风险预测子系统的机场需求不确定性预测模块中分别建立三种模型:
基于不同进场或离场航班到达或离开的实际时间以及与其相对应的预计时间,统计该航班的进场或离场延误时间,基于伯努利大数定理,根据公式(1)建立该航班进场或离场到达或离开的延误时间概率密度函数模型;
步骤3:根据预测时间段及其前后各2个相邻时间段的航班数据库表,并判断是否有新添加的或取消的航班信息,其中,相邻时间段是指在一个时间序列中,与所研究时间段相邻的时间段;根据公式(2)基于数据库表中各航班的延误时间概率密度函数建立预测时间段进场或离场交通的概率需求预测模型,计算预测时间段的不同进场或离场交通需求值及其所对应的概率分布p m ,(m=1,2,…,M),表示需求为m时的概率,在机场拥挤风险预测子系统的机场容量不确定性预测模块中,基于容量样本的相似性,采用模糊聚类即主成分分析方法与K-means方法相结合的方法,实现对机场容量的不确定性预测,其中,容量样本是指将每一天的某个时间区间,按照某一时间间隔划分为若干个时间段,每一个时间段对应着一个容量值,这样构成的一条容量时间序列,其具体步骤如下:
a、基于机场进场容量和离场容量建立机场容量样本模型U,该容量样本的前半部分为一天中各时间段进场交通容量的时间序列,后半部分为一天中各时间段离场交通容量的时间序列,从而将进场容量和离场容量相组合构成一个容量样本模型;
b、采用主成分分析方法对机场容量样本进行降维处理,得到降维后的容量样本矩阵U l ;
c、基于K-means方法对U l 进行聚类,并采用误差平方和J c 验证聚类的收敛准则,其中聚类数目可以取不同的值,然后选取聚类效果最好的所对应的聚类数目作为最终的聚类数目K,并得到K个典型容量样本;
d、基于典型容量样本,建立概率容量预测模型,计算预测时间段的典型容量值,及其各自的取值概率q i (i=1,2,…,K);
步骤4:在机场拥挤风险预测子系统的机场拥挤不确定性预测模块中,建立机场拥挤的概率预测模型,计算机场拥挤的风险值,其中,p m 对应的需求大于等于q i 对应的容量;
步骤5:机场拥挤的风险预测结果在显示与交互子系统中显示出来。
本发明的优点是,在机场需求与容量预测的基础上,能够快速、有效的实现机场拥挤的风险预测,从而辅助相关人员科学、合理的把握机场交通的拥挤态势,并及时有效地采取拥挤解决措施,保障空中交通的安全、高效运行。
附图说明
图1,是本发明的机场拥挤风险预测方法流程图;
图2,是本发明的系统总体拓扑结构图。
图2中:1、服务器;2、仿真驱动服务器;3、第一客户端;4、第二客户端;5、第三客户端;6、第四客户端。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实例,对本发明进行进一步详细说明,应当理解,此处所描述的具体实例仅仅用以解释本发明,并不用于限定本发明。
现给出实现机场拥挤风险预测的实例:
假设需要对A机场第j时段的拥挤风险进行预测。通过对机场网络模型中进行多次仿真实验,统计各航班的延误概率密度函数,进而求得A机场第j-2,j-1,j,j+1,j+2时段的概率需求预测模型,其中预计在这5个时段进场航班总数为55,离场航班总数为62:
进场概率需求预测模型:
离场概率需求预测模型:
统计A机场各时段的容量值,建立进离场交通容量样本。采用主成分分析与K均值聚类的方法,对A机场的容量样本进行聚类,得到最佳的聚类个数为5。通过计算得到每类对应第j时段的容量值,并基于公式(6)求得不同容量值对应的概率,如表1所示。
表1 A机场第j时段的进离场容量值及其概率
基于A机场进场(或离场)交通概率需求预测模型以及进场(或离场)容量值及其概率,运用公式(7)分别求得A机场的进场交通拥挤风险值和离场交通拥挤风险值,分别为:63%和78%,因此选较大值,即78%作为A机场总的交通拥挤风险值,此风险值较高,拥挤管理人员应加强对A机场第j时段交通运行状况,尤其是离场交通的监视,以便及时采取拥挤管理措施。
图2为本发明的系统总体拓扑结构图:所述计算机系统主要由客户端/服务器(C/S)模式构成,计算机系统包括:
一个服务器1,服务器1的硬盘中安装空域导航数据库,用于向客户端提供机场网络结构、飞航路航线、限制区、危险区、禁区、障碍物、导航数据服务。
一个仿真驱动服务器2,仿真驱动服务器2的硬盘中安装仿真驱动数据(库),用于向客户端提供飞行动力模型和飞行运动模型数据服务。
第一客户端3,第一客户端3的硬盘中安装机场网络建模子系统,用于建立机场网络结构模型,包括机场、导航台、航路点、障碍物、航路航线、扇区、管制区、限制区、危险区、禁区。
第二客户端4,第二客户端4的硬盘中安装航班计划子系统,用于产生符合一定分布规律的航班计划。
第三客户端5,第三客户端5的硬盘中安装机场拥挤风险预测子系统,用于机场拥挤的风险预测。
第三客户端6,第三客户端6的硬盘中安装显示与交互子系统,用于机场网络建模子系统中生成的机场网络环境,以及机场拥挤风险预测子系统生成的机场拥挤风险的显示与交互。
根据上述说明,结合本领域技术可实现本发明的方案。
Claims (1)
1.一种基于需求与容量不确定性的机场拥挤风险预测方法,通过计算机系统辅助实现,所述计算机系统主要由客户端/服务器(C/S)模式构成,计算机系统包括空域导航数据库、仿真驱动子系统、机场网络建模子系统、航班计划子系统和显示与交互子系统,其特征在于,计算机系统中还包括一个运行在客户端的机场拥挤风险预测子系统,所述机场拥挤风险预测子系统用作机场拥挤风险预测方法的实现平台;
机场拥挤风险预测子系统包括机场需求的不确定性预测模块;机场容量的不确定性预测模块和机场拥挤的不确定性预测模块;其中:
机场需求的不确定性预测模块是根据多个时段的航班实际到达或离开机场的时刻与计划到达或离开机场的时刻,建立航班到达或离开机场的概率密度函数,进而建立进港或离港交通的概率需求预测模型;
令T为时间间隔,为航空器f i 实际进场的时刻,为航空器f i 预计进场的时刻,为航空器f i 进场的延误时段,则;为航空器f i 实际离场的时刻,为航空器f i 预计离场的时刻,为航空器f i 离场的延误时段,则;x为任意给定的航空器f i 进场的延误时段,y表示任意给定的航空器f i 离场的延误时段;n为“航空器f i 进场”的总次数,n’为“航空器f i 离场”的总次数,n(x)为“”发生的次数,为“”发生的次数,为“”发生的次数;为航空器f i 在时刻t进场的概率;n i 为预计在间隔i到达的航班量;p ij 为预计在i间隔到达的航班实际在j间隔到达的概率;P M [m]为某时间段内机场中有m架航空器进场的概率,M为机场中该时间段内可能存在的进场的航空器总数量;
由伯努利大数定理,建立航班进场和离场延误时间的概率密度模型:
;
假设预计在i间隔到达的航班实际在j间隔到达的概率相同,且服从二项分布,建立j间隔实际交通需求为k的概率密度函数:
(1)
建立第j间隔内实际发生m架航空器进场(离场)的概率需求预测模型:
(2)
机场容量的不确定性预测模块是基于不同时间段的进港和离港容量,建立机场容量样本,然后采用主成分分析与K均值聚类的方法对容量样本进行聚类,得到典型容量样本,建立基于典型容量样本的进港(或离港)交通的概率容量预测模型;
(1)建立机场进离场容量样本;
(2)计算样本空间W={x 1 ,x 2 ,…,x m }的样本协方差矩阵S的特征值λ 1 >=λ 2 >=…>=λ m ,与之对应的m个单位特征向量组成的矩阵为U=(u 1 ,u 2 ,…,u m )∈R m*m ;
(3)根据主成分的累计贡献率是否大于或等于阈值β 0 来确定主成分个数p’,令U p 为由U的p’个列组成的m*p’矩阵,其中,a i ∈R 1*p’,i =1,2,…,p’表示矩阵U p’ 的第i行;
(4)从约减后的样本空间,随机选择k个数据,分别代表k个类的初始中心,令迭代次数l=1,J c (0)=M,M为比较大的正数,J c (0)为误差平方和准则初始值;
(5)对W’中每个数据,计算其与各个类中心的欧几里德距离,然后将它分给距离最短的类;欧几里德距离计算公式如下:
(3)
其中,x i =(x i1 ,x i2 ,…,x in ),x i ∈W’;c k =(c k1 ,c k2 ,…,c kn )表示第k个分类的中心;
(6)采用求平均值的方法重新计算每个类的中心:
(4)
其中,表示第k分类样本集合;m k 表示中的样本数目;
(7)采用误差平方和法确定聚类收敛准则:
(5)
如果∣J c (I)-J c (I-1)∣<ε,ε为指定的较小的正数,则聚类收敛,算法停止;否则l=l+1,重新进行迭代计算,直至达到最大迭代次数为止;
(8)通过统计不同类中所对应样本的个数,将其与总样本数相除,来得到某时间段具有各典型容量样本所对应容量值的概率:
,其中s i 为第i类包含的样本个数; (6)
机场拥挤的不确定性预测模块是基于机场需求的不确定性预测模块的预测结果和机场容量的不确定性预测模块的预测结果,将需求与容量预测值相比较,进而建立机场拥挤的不确定性预测模型;
分别计算进场(或离场)的交通需求小于交通容量的概率之和,分别得到进场(或离场)交通在第j时段发生拥挤的风险:
(7)
然后将进场拥挤风险和离场拥挤风险相比较,选风险值较大者作为机场拥挤风险;
所述机场拥挤风险预测方法,其特征在于,利用所述机场需求的不确定性预测模块实现机场需求的不确定性预测,利用所述机场容量的不确定性预测模块实现机场容量的不确定性预测,利用所述机场拥挤的不确定性预测模块实现机场拥挤的不确定性预测的步骤;
步骤1:在机场网络建模子系统中输入机场网络结构数据、航路航线数据,在航班计划子系统中编制航班计划数据,设置仿真时间,调用仿真驱动子系统,统计各进场航班的预计到达时刻和实际到达时刻,各离场航班的预计离开时刻和实际离开时刻信息;统计每天不同时段的机场进离场容量值;
步骤2:在机场拥挤风险预测子系统的机场需求不确定性预测模块中分别建立三种模型:
基于不同进场或离场航班到达或离开的实际时间以及与其相对应的预计时间,统计该航班的进场或离场延误时间,基于伯努利大数定理,根据公式(1)建立该航班进场或离场到达或离开的延误时间概率密度函数模型;
步骤3:根据预测时间段及其前后各2个相邻时间段的航班数据库表,并判断是否有新添加的或取消的航班信息,其中,相邻时间段是指在一个时间序列中,与所研究时间段相邻的时间段;根据公式(2)基于数据库表中各航班的延误时间概率密度函数建立预测时间段进场或离场交通的概率需求预测模型,计算预测时间段的不同进场或离场交通需求值及其所对应的概率分布p m ,(m=1,2,…,M),表示需求为m时的概率,在机场拥挤风险预测子系统的机场容量不确定性预测模块中,基于容量样本的相似性,采用模糊聚类即主成分分析方法与K-means方法相结合的方法,实现对机场容量的不确定性预测,其中,容量样本是指将每一天的某个时间区间,按照某一时间间隔划分为若干个时间段,每一个时间段对应着一个容量值,这样构成的一条容量时间序列,其具体步骤如下:
a、基于机场进场容量和离场容量建立机场容量样本模型U,该容量样本的前半部分为一天中各时间段进场交通容量的时间序列,后半部分为一天中各时间段离场交通容量的时间序列,从而将进场容量和离场容量相组合构成一个容量样本模型;
b、采用主成分分析方法对机场容量样本进行降维处理,得到降维后的容量样本矩阵U l ;
c、基于K-means方法对U l 进行聚类,并采用误差平方和J c 验证聚类的收敛准则,其中聚类数目可以取不同的值,然后选取聚类效果最好的所对应的聚类数目作为最终的聚类数目K,并得到K个典型容量样本;
d、基于典型容量样本,建立概率容量预测模型,计算预测时间段的典型容量值,及其各自的取值概率q i (i=1,2,…,K);
步骤4:在机场拥挤风险预测子系统的机场拥挤不确定性预测模块中,建立机场拥挤的概率预测模型,计算机场拥挤的风险值,其中,p m 对应的需求大于等于q i 对应的容量;
步骤5:机场拥挤的风险预测结果在显示与交互子系统中显示出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410162252.4A CN103942623B (zh) | 2014-04-22 | 2014-04-22 | 一种基于需求与容量不确定性的机场拥挤风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410162252.4A CN103942623B (zh) | 2014-04-22 | 2014-04-22 | 一种基于需求与容量不确定性的机场拥挤风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103942623A true CN103942623A (zh) | 2014-07-23 |
CN103942623B CN103942623B (zh) | 2017-01-18 |
Family
ID=51190285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410162252.4A Active CN103942623B (zh) | 2014-04-22 | 2014-04-22 | 一种基于需求与容量不确定性的机场拥挤风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942623B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023228A (zh) * | 2015-07-08 | 2015-11-04 | 中国民用航空总局第二研究所 | 一种基于航班离港时刻的旅客聚集监测系统和监测方法 |
CN106530841A (zh) * | 2016-12-30 | 2017-03-22 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 机场延误预测方法及装置 |
CN107067823A (zh) * | 2017-02-28 | 2017-08-18 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种近距平行跑道容量的计算方法和装置 |
CN108564136A (zh) * | 2018-05-02 | 2018-09-21 | 北京航空航天大学 | 一种基于模糊推理的空域运行态势评估分类方法 |
CN109448366A (zh) * | 2018-10-18 | 2019-03-08 | 南京航空航天大学 | 一种基于随机森林的空域扇区拥挤程度预测方法 |
CN109544999A (zh) * | 2019-01-14 | 2019-03-29 | 中国民航大学 | 一种基于云模型的空中交通网络可靠性评价方法 |
CN110660274A (zh) * | 2019-09-30 | 2020-01-07 | 中国电子科技集团公司第二十八研究所 | 一种机场容需平衡预测方法 |
CN111090793A (zh) * | 2019-12-10 | 2020-05-01 | 北京航空航天大学 | 一种基于平均延误时间序列的机场日延误特征分类方法 |
CN111724053A (zh) * | 2020-06-16 | 2020-09-29 | 北京航空航天大学 | 一种航空网络风险传播识别方法 |
CN111985685A (zh) * | 2020-07-14 | 2020-11-24 | 中国民用航空总局第二研究所 | 基于大数据分析的航班计划优化方法、装置及电子设备 |
CN113139766A (zh) * | 2020-01-20 | 2021-07-20 | 北京京东振世信息技术有限公司 | 巷道拥堵率的计算方法和装置、储位选择方法和装置 |
CN114187783A (zh) * | 2021-12-06 | 2022-03-15 | 中国民航大学 | 一种用于机场飞行区潜在冲突分析预测的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527087A (zh) * | 2009-04-24 | 2009-09-09 | 中国民航大学 | 航班过台间隔的实现方法 |
EP2492889A2 (en) * | 2011-02-22 | 2012-08-29 | General Electric Company | Methods and systems for managing air traffic |
-
2014
- 2014-04-22 CN CN201410162252.4A patent/CN103942623B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101527087A (zh) * | 2009-04-24 | 2009-09-09 | 中国民航大学 | 航班过台间隔的实现方法 |
EP2492889A2 (en) * | 2011-02-22 | 2012-08-29 | General Electric Company | Methods and systems for managing air traffic |
Non-Patent Citations (2)
Title |
---|
李善梅,徐肖豪,王飞: "《基于需求不确定性的机场拥挤风险预测模型与方法》", 《西南交通大学学报》 * |
田文: "《基于不确定需求预测的概率空域拥挤管理方法研究》", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023228B (zh) * | 2015-07-08 | 2018-06-19 | 中国民用航空总局第二研究所 | 一种基于航班离港时刻的旅客聚集监测系统和监测方法 |
CN105023228A (zh) * | 2015-07-08 | 2015-11-04 | 中国民用航空总局第二研究所 | 一种基于航班离港时刻的旅客聚集监测系统和监测方法 |
CN106530841A (zh) * | 2016-12-30 | 2017-03-22 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 机场延误预测方法及装置 |
CN106530841B (zh) * | 2016-12-30 | 2019-07-05 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 机场延误预测方法及装置 |
CN107067823A (zh) * | 2017-02-28 | 2017-08-18 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种近距平行跑道容量的计算方法和装置 |
CN107067823B (zh) * | 2017-02-28 | 2018-05-25 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种近距平行跑道容量的计算方法和装置 |
CN108564136A (zh) * | 2018-05-02 | 2018-09-21 | 北京航空航天大学 | 一种基于模糊推理的空域运行态势评估分类方法 |
CN108564136B (zh) * | 2018-05-02 | 2019-05-03 | 北京航空航天大学 | 一种基于模糊推理的空域运行态势评估分类方法 |
CN109448366B (zh) * | 2018-10-18 | 2021-09-17 | 南京航空航天大学 | 一种基于随机森林的空域扇区拥挤程度预测方法 |
CN109448366A (zh) * | 2018-10-18 | 2019-03-08 | 南京航空航天大学 | 一种基于随机森林的空域扇区拥挤程度预测方法 |
CN109544999A (zh) * | 2019-01-14 | 2019-03-29 | 中国民航大学 | 一种基于云模型的空中交通网络可靠性评价方法 |
CN110660274A (zh) * | 2019-09-30 | 2020-01-07 | 中国电子科技集团公司第二十八研究所 | 一种机场容需平衡预测方法 |
CN110660274B (zh) * | 2019-09-30 | 2020-09-25 | 中国电子科技集团公司第二十八研究所 | 一种机场容需平衡预测方法 |
CN111090793B (zh) * | 2019-12-10 | 2020-10-30 | 北京航空航天大学 | 一种基于平均延误时间序列的机场日延误特征分类方法 |
CN111090793A (zh) * | 2019-12-10 | 2020-05-01 | 北京航空航天大学 | 一种基于平均延误时间序列的机场日延误特征分类方法 |
CN113139766A (zh) * | 2020-01-20 | 2021-07-20 | 北京京东振世信息技术有限公司 | 巷道拥堵率的计算方法和装置、储位选择方法和装置 |
CN111724053A (zh) * | 2020-06-16 | 2020-09-29 | 北京航空航天大学 | 一种航空网络风险传播识别方法 |
CN111724053B (zh) * | 2020-06-16 | 2022-08-09 | 北京航空航天大学 | 一种航空网络风险传播识别方法 |
CN111985685A (zh) * | 2020-07-14 | 2020-11-24 | 中国民用航空总局第二研究所 | 基于大数据分析的航班计划优化方法、装置及电子设备 |
CN114187783A (zh) * | 2021-12-06 | 2022-03-15 | 中国民航大学 | 一种用于机场飞行区潜在冲突分析预测的方法 |
CN114187783B (zh) * | 2021-12-06 | 2023-10-31 | 中国民航大学 | 一种用于机场飞行区潜在冲突分析预测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103942623B (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103942623A (zh) | 一种基于需求与容量不确定性的机场拥挤风险预测方法 | |
Froyland et al. | The recoverable robust tail assignment problem | |
CN104008674A (zh) | 一种基于模式匹配的终端区进场飞行时间预测方法 | |
Xiao et al. | Hybridized encoding for evolutionary multi-objective optimization of air traffic network flow: A case study on China | |
CN111191843B (zh) | 一种基于时序网络传播动力学方程的机场延误预测方法 | |
Fu et al. | Optimization of evacuation traffic management with intersection control constraints | |
CN114664122B (zh) | 一种考虑高空风不确定性的冲突最小化航迹规划方法 | |
Avery et al. | Data-driven modeling and prediction of the process for selecting runway configurations | |
de Souza et al. | Distributed MPC for urban traffic networks: A simulation‐based performance analysis | |
Chen et al. | Uncertainty-aware flight scheduling for airport throughput and flight delay optimization | |
Pang et al. | Adaptive conflict resolution for multi-UAV 4D routes optimization using stochastic fractal search algorithm | |
Badrinath et al. | Control of a non-stationary tandem queue model of the airport surface | |
CN103413011A (zh) | 一种基于计算几何和模拟退火的空域扇区划分方法 | |
Li et al. | Bus arrival time prediction based on mixed model | |
Nilim et al. | Algorithms for air traffic flow management under stochastic environments | |
Zhang et al. | Method of predicting bus arrival time based on MapReduce combining clustering with neural network | |
CN110991913A (zh) | 繁忙机场高峰时间拥堵风险分析方法 | |
Ghorpade | Airspace configuration model using swarm intelligence based graph partitioning | |
Zhao et al. | Evaluating ground–air network vulnerabilities in an integrated terminal maneuvering area using co-evolutionary computational red teaming | |
Huang et al. | Calculation method for load capacity of urban rail transit station considering cascading failure | |
Ye et al. | Comparison of alternative route selection strategies based on simulation optimization | |
EP4064047A1 (en) | Method, system and computer program product for optimizing the deployment of analytical pipelines | |
Provan et al. | Optimization models for strategic runway configuration management under weather uncertainty | |
CN113379157A (zh) | 以排队公平为导向的城市安全屏障优化设计软件 | |
Li et al. | Network-wide flight trajectories planning in China using an improved genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |