CN106530841B - 机场延误预测方法及装置 - Google Patents

Abstract

本发明实施例提供的一种机场延误预测方法及装置，属于空中交通量管理技术领域。所述方法包括：通过获取选定机场在选定时间的环境数据以及与所述环境数据在所述选定时间匹配的机场实际延误值；根据所述机场实际延误值，获得在选定时间内的日平均机场延误时间，并且基于环境数据、日平均机场延误时间以及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据；利用回归分析方法，建立机场延误回归模型；所述环境数据包括环境预测数据，基于机场延误回归模型、环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值，从而解决决策者无法直接或者更准确地获取天气对航班运行造成的影响。

Description

机场延误预测方法及装置

技术领域

本发明涉及空中交通量管理技术领域，具体而言，涉及一种机场延误预测方法及装置。

背景技术

通过对国家空域系统(NAS)延误特性进行研究，可以确定延误的主要成因包括：交通流量控制，以及不良地面和航路天气等。天气通常被作为最大的诱因，因为它导致了大约70％的NAS延误。当前，绝大部分与天气有关的空中交通管理决策都是全部由人工来完成，决策者无法直接获取天气对航班运行造成的影响结果，而是需要通过查看各种天气信息，通过经验对天气信息进行分析，并对其影响进行消除，这种方式效率较低，且随着个人经验不同而变化。

发明内容

有鉴于此，本发明实施例的目的在于提供一种机场延误预测方法及装置，以解决空中交通管理决策中，决策者无法直接或者更准确地获取天气对航班运行造成的影响。

第一方面，本发明实施例提供了一种机场延误预测方法，所述方法包括：

获取选定机场在选定时间的环境数据以及与所述环境数据在所述选定时间匹配的机场实际延误值；

根据所述机场实际延误值，获得在所述选定时间内的日平均机场延误时间，并且基于所述环境数据、所述日平均机场延误时间以及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据；

基于所述环境数据、所述环境容量衰减延时数据及与所述机场实际延误值，利用回归分析方法，建立机场延误回归模型；

所述环境数据包括环境预测数据，基于所述机场延误回归模型、所述环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值。

第二方面，本发明实施例提供了一种机场延误预测装置，所述装置包括：

获取原始数据单元，用于获取选定机场在选定时间的环境数据以及与所述环境数据在所述选定时间匹配的机场实际延误值；

获得环境容量衰减延时数据单元，用于根据所述机场实际延误值，获得在所述选定时间内的日平均机场延误时间，并且基于所述环境数据、所述日平均机场延误时间以及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据；

建立机场延误回归模型单元，用于基于所述环境数据、所述环境容量衰减延时数据及与所述机场实际延误值，利用回归分析方法，建立机场延误回归模型；

获得机场延误预测值单元，用于所述环境数据包括环境预测数据，基于所述机场延误回归模型、所述环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值。

本发明实施例提供了一种机场延误预测方法，通过获取选定机场在选定时间的环境数据以及与所述环境数据在所述选定时间匹配的机场实际延误值；根据所述机场实际延误值，获得在所述选定时间内的日平均机场延误时间，并且基于所述环境数据、所述日平均机场延误时间以及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据；基于所述环境数据、所述环境容量衰减延时数据及与所述机场实际延误值，利用回归分析方法，建立机场延误回归模型；所述环境数据包括环境预测数据，基于所述机场延误回归模型、所述环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值，以至于帮助决策者估测出机场未来的延误时间，从而解决在空中交通管理决策中，决策者无法直接或者更准确地获取天气对航班运行造成的影响。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

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，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1为一种可应用于本申请实施例中的电子设备的结构框图；

图2为本发明第一实施例提供的机场延误预测方法的流程图；

图3为本发明第一实施例提供的一种环境数据对应具体数值的第一示意图；

图4为本发明第一实施例提供的另一种环境数据对应具体数值的示意图；

图5为本发明第一实施例提供的一种环境数据对应具体数值的第二示意图；

图6为本发明第一实施例提供的机场延误回归模型的各项已知参数值的示意图；

图7为本发明第一实施例提供的机场延误回归模型的计算结果的示意图；

图8为本发明第一实施例提供的机场延误回归模型的环境预测数据的计算结果的示意图；

图9为本发明第一实施例提供的相关性分析结果的示意图；

图10为本发明第二实施例提供的机场延误预测装置的结构图；

图11为本发明第三实施例提供的机场延误预测装置的结构图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参阅图1，图1示出了一种可应用于本申请实施例中的电子设备100的结构框图。该电子设备100可以作为用户终端、计算机或服务器。如图1所示，电子设备100可以包括存储器110、存储控制器111、处理器112和机场延误预测装置。

存储器110、存储控制器111、处理器112各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。所述机场延误预测方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器110中的软件功能模块，例如所述机场延误预测装置包括的软件功能模块或计算机程序。

存储器110、存储控制器111、处理器112各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。所述机场延误预测方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器402中的软件功能模块，例如所述机场延误预测装置包括的软件功能模块或计算机程序。

存储器110可以存储各种软件程序以及模块，如本申请实施例提供的机场延误预测方法及装置对应的程序指令/模块。处理器112通过运行存储在存储器110中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的机场延误预测方法。存储器110可以包括但不限于随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器112可以是一种集成电路芯片，具有信号处理能力。上述处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

第一实施例

请参阅图2，本发明实施例提供了一种机场延误预测方法，所述方法包括：

步骤S200：获取选定机场在选定时间的环境数据以及与所述环境数据在所述选定时间匹配的机场实际延误值；

为了确定交通与天气之间的关联，FAA(美国联邦航空局)早在几年前就定义了天气交通指数(WITI)的概念。天气交通指数(WITI)，也就是在给定的一个瞬时，被强对流天气影响的航空器数量。对于WITI的计算，可以使用恶劣天气网格周围的延伸区域，和一系列的统计特征-基于直方图的特征，以及时域特征，这使得它在建立估测和报告的NAS延误关系中表现出了最佳的相关性。

为了研究天气与交通之间的影响，首先把天气的影响分为以下七类：

航路对流天气。这是指大约在机场600海里范围内，强对流天气对进港/出港流量的影响。

本地对流天气。这反映了附近的或机场上空的对流天气如何削减机场容量的。

风。任何时候，如果风速大于20节，或降水情况下，风速大于15节，相应的影响将会被记录。

雪，冻雨，冰雪等。相应的影响会被记录。

仪表气象条件。云底高和能见度低于机场最低运行标准；雾；大雨。可对仪表气象条件使用相应的FAA容量基准测试。

排队延误(无天气)加涟漪效应。对给定的机场/给定小时本地并无具体纪录，但WITI软件会计算有排队延迟。这可以简单地归结于高交通量需求，或是由于重要天气因素影响的余波导致排队延误一拖再拖。(即使天气影响已消散)。

此外，涟漪效应被记录在该组件中。例如，如果奥黑尔国际机场离场排队延误，那其相应目的地机场将会有到达延误。

其他。包括小/中雨或毛毛雨的轻微影响，但云底高/能见度在目视飞行最低标准以上；还有不利的跑道配置，通常由于轻到中度风(15-20节甚至是10节)阻止了最优跑道容量配置的使用。

因此，环境数据包括天气现象和航路信息，天气现象包括本地对流、风、雪、仪表飞行条件。环境数据包括METAR报文信息和TAF报文信息。

关于TAF报和METAR报的收集，本发明实施例使用了一个国外网http://www.ogimet.com，该网站有近期的完整的METAR报和TAF信息，本发明实施例使用该搜索引擎搜索了METAR报和TAF报信息。由于国家数据获取的限制，即选择了浦东机场三月较为稳定的天气，2015年3月1日0时至2015年3月15日23时以及2015年3月25日0时至2015年3月31日23时为环境数据，只考虑风和能见度的影响。请参阅图3，图3为本发明第一实施例提供的一种环境数据对应具体数值的第一示意图，即选取2015年3月1日到2015年3月15日的15天的日平均风速、日平均能见度(也即仪表气象条件)、日延误总时间数据的具体数值。请参阅图4，图4为本发明第一实施例提供的另一种环境数据对应具体数值的示意图，即选取2015年3月25日到2015年3月31日的7天的日平均风速、日平均能见度(也即仪表气象条件)、日延误总时间数据的具体数值。其中，浦东机场的航班延误时间及航空器架次由浦东机场管制塔台提供，其每小时总延误时间与每小时航空架次都为个人手动统计数据。

步骤S210：根据所述机场实际延误值，获得在所述选定时间内的日平均机场延误时间，并且基于所述环境数据、所述日平均机场延误时间以及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据；

基于步骤S210，具体地，基于所述环境数据的环境容量衰减延时数据＝(所述环境数据-所述参考数据)×所述预设容量百分数×所述日平均机场延误时间，或者所述环境数据的环境容量衰减延时数据＝(所述参考数据-所述环境数据)×所述预设容量百分数×所述日平均机场延误时间，获得所述环境数据的环境容量衰减延时数据。首先，由图3已知的日延误总时间，可以计算出这15天内的日平均机场延误时间。其次，根据日平均风速以及日平均能见度，分别可以计算出其对应的容量衰减百分比。即对应的风速大于10节，即5.1m/s的容量衰减百分比为a％；对应的能见度小于5000的对应的衰减百分数为b％。容量衰减百分比是根据庞大的历史数据库得到的既定数值。请参阅图5，图5为本发明第一实施例提供的一种环境数据对应具体数值的第二示意图，对应的容量衰减百分比a,b应与风速变化和能见度变化成线性关系，根据其线性关系求得的数值即为实际的延误相对于平均延误分钟的变化百分比。

作为一种实施方式，假设a＝1.43，b＝5.13，即风速大于5.1m/s，每增大1m/s，容量衰减为1.43％；能见度少于5000m，每减少1000m，对应的容量衰减为5.13％。风导致的机场排队延误假定使用其容量衰减的理论数值来计算，即基于机场QDELAY风＝(日平均风速-5.1)×1.43％×日平均机场延误时间，即机场QDELAY风表示风速的环境容量衰减延时数据；同理，机场QDELAY仪表气象条件＝(5000-日平均能见度)×5.13％×日平均机场延误时间，机场QDELAY仪表气象条件表示能见度的环境容量衰减延时数据。

步骤S220：基于所述环境数据、所述环境容量衰减延时数据及与所述机场实际延误值，利用回归分析方法，建立机场延误回归模型；

基于步骤S220，以所述环境数据、所述环境容量衰减延时数据为自变量，以所述机场实际延误值为因变量，利用多元线性回归分析方法，建立机场延误回归模型。

WITI发展的第一步是构建覆盖全国的网格。基本概念是给每个网格单元分配权重，如果强对流天气在这个网格单元中发生，这个权重就是天气对空中交通性能潜在影响的预估。

WITI是受天气影响的航空器数量的指标。WITI的计算以实际天气和交通需求倾向为基础。它的同系概念，WITI-FA，基于预期天气和预期的交通需求。WITI的计算包括：1)分配一个值给天气网格W中的每一个网格单元Wi,j，天气网格中，恶劣天气被标示出来了，别处为0，2)在每个网格单元中计算航空器数量Ti,j，3)计算瞬时k的WITI值(通常以一分钟间隔计算)，如下面的公式一：

其中，n表示天气网格的行，m表示列。

WITI是三种要素的加权总和。航路要素(E-WITI)反映了对流天气对连接主要机场的航线的影响。终端区要素(T-WITI)可以捕获由于地面天气影响导致的容量衰减，这与机场的运行数量成正比。排队延时要素(Q-DELAY)可以测量在超过容量时，交通需求的累积效应。WITI-FA的要素跟它类似，但是基于预测天气数据的。三元的WITI模型可以对目视/仪表天气状况进行广泛分类，这提供了一些关于机场容量衰减的信息。然而，当尝试明确天气对个别机场的影响，并把具体的天气现象与模型相结合时，对于天气对机场容量的影响，完全可以建立一个更为直观的图像。因此，下一步就是构建一个WITI模型，用来处理具体的天气因素(如雷暴，风等)，并对每个机场的这些因素进行微调。

根据步骤S200里面定义的7个天气/交通因素现在转换成12个机场WITI分量。这些分量包括：航路WITI(E－WITI)，这与终端区天气无关。以及一个综合型WITI完全与天气变化无关，仅取决于流量。余下的七个因素中的五个，即本地对流、风、雪、仪表飞行条件、其他，每个都被转换成两个WITI组成：T-WITI(线性)和Q-DELAY(非线性)。

最后的步骤是使用机场特定天气因素及其各自的权重。也就是说，12个因素及其加权系数跟特定的机场相联系，以及其特定天气因素，和他们是如何影响这个特定的机场的，如下面的公式二：

每小时[i],对机场[k]：

每一小时，机场的显著气候由METAR报确定(WITI)和TAF报确定(WITI-FA)。只有显著天气被考虑；例如，如果机场同时存在雷暴和降雨，那就只考虑雷暴(更恶劣天气的现象)。该机场的显著天气是由天气严重程度的预定义层次决定的。T-WITI包括五个具体天气数值，它们是机场的天气相关容量衰减百分比和机场计划运行数量的产物。除了Q-DELAY混合型因素外，Q-DELAY同样会用五个天气相关的容量衰减的单独值来计算。因此，机场WITI模型是12个机场相关天气/交通因素的加权总和。这些权重是通过对机场WITI和历史延误数据的多元线性回归来确定的。

在本实施例中，由于它的目的是延误预测，通常使用最新数据来建立模型。从数据来看，为每个机场决定首选跑道配置优先级。这个模型选择的第一个跑道配置，可用于该机场目前的地表天气状况。每一个配置的容量是由实际到达和离场的历史数据估计的。接下来，相关天气条件下的容量衰减将被估测，同样使用历史数据。机场的到达和离场容量都是按一定的百分比减少的，这反映了与显著天气(如，雷暴，大风等)相关的衰减。容量衰减是机场特有的，因此这个模型可以解释不同机场的不同的运行程序。

接下来实行敏感性分析，以进一步完善机场容量衰减参数。由于计划交通的波动和非天气相关的系统压力，由历史数据获得的参数的微调是理想的。因此，通过使用一年或几年的机场有效数据来运行这个模型，以此来细化参数，并且观察WITI和延误之间的关系，对原来的参数进行各种合理调整。同样，这种相关性也是由E-WITI，T-WITI和Q－DELAY的多元回归模型得到的。对每个机场，根据它的跑道容量配置设置和容量衰减设置，可以选择能产生WITI和延误之间最大关联性的参数化模型。

WITI和延误的关系是通过拟合多元线性回归模型来决定的，在这个模型中，每一个WITI元素都是一个独立的变量。总延误(分钟)是因变量。总延误是到达和离场延误的总和；每个机场的到达数量乘以每小时机场的平均到达延误，本实施例以此来估算机场的到达延误，离场延误类似计算。在这个最合适的模型中，每一个解释变量的系数都应用于每个WITI模型因素的权重。

由于国家数据获取的限制，本实施例选取了三月较为稳定的天气作为研究对象，只考虑风和能见度的影响。首先第一步，对之前给出的公式二进行简化，得到下面的公式三：

每小时[i],对机场[k]：

第二步，基于之前计算出的机场QDELAY风和机场QDELAY仪表气象条件，机场QDELAY风表示风速的环境容量衰减延时数据和机场QDELAY仪表气象条件表示能见度的环境容量衰减延时数据。

第三步，拟合数据，生成模型。

以15天的数据作为样本进行分析，得到公式四为：

机场每日WITI＝机场TWITI风×TWITI风权重系数+机场QDELAY风×QDELAY风权重系数+机场TWITI能见度×TWITI能见度权重系数+机场QDELAY能见度×QDELAY能见度权重系数。

风导致的机场排队延误假定使用其容量衰减的理论数值来计算，即机场QDELAY风＝(日平均风速-5.1)×1.43％×日平均机场延误时间；同理，机场QDELAY仪表气象条件＝(5000-日平均能见度)×5.13％×日平均机场延误时间。

请参阅图6，图6为本发明第一实施例提供的机场延误回归模型的各项已知参数值的示意图。

然后使用EXCEL对数据进行拟合，建立多元线性回归模型。根据拟合可得出权重为：W能见度＝7.67，WQ能见度＝4.70，W风＝2156.76，WQ风＝-2.03。具体数值请参阅图7，其中Y值表示根据已知的权重的多元线性回归模型计算得出的机场延误预测值。

步骤S230：所述环境数据包括环境预测数据，基于所述机场延误回归模型、所述环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值。

具体地，根据所述环境预测数据的机场预测值，获得预测数据日平均机场延误时间，并且基于所述环境预测数据、所述预测数据日平均机场延误时间以及所述环境容量衰减延时计算规则，获得所述环境预测数据的环境容量衰减延时数据；基于所述环境预测数据、所述环境预测数据的环境容量衰减延时数据以及所述机场延误回归模型，获得所述环境预测数据的机场延误预测值。

简而言之，该预测过程如下：

(1)使用更精准的机场WITI模型；

(2)用历史数据对它进行测验(实际天气和计划交通量，加上延误)；

(3)校准延误至每分钟；

(4)“回转”，将包含历史数据的模型应用到未来预测中(使用天气预报和计划流量)。

根据所述机场延误回归模型对数据拟合得出的权重系数，本实施例计算浦东机场的WITI公式即为：

机场每日WITI＝机场TWITI风×2156.76+机场QDELAY风×(-2.03)+机场TWITI能见度×7.67+机场QDELAY能见度×4.70

根据2015年3月25日到2015年3月31日的METAR报，能见度及风速的数据，结合以上公式，得出的计算结果请参照图8，时间为2015年3月25日到2015年3月31日，实际总延误时间表示对应时间的实际机场延误值，机场WITI值表示对应时间的机场预测延误值。总体来讲，机场预测延误值与实际机场延误值还是比较接近的，有一定联系。

此外，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。

使用SPSS对2015年3月25日到3月31的实际机场延误值和机场预测延误值(机场WITI值)进行相关性分析，从而评估所述机场延误回归模型的可信度。请参照图9，图9为本发明第一实施例提供的相关性分析结果的示意图。机场WITI值(即机场预测延误值)与实际总延误时间(即实际机场延误值)的相关系数为0.763，对应的显著性为0.046，设置在显著性水平0.05，则通过显著性检验，两个变量总体趋势一致，且显著。

本发明实施例提供了一种机场延误预测方法，通过获取选定机场在选定时间的环境数据以及与所述环境数据在所述选定时间匹配的机场实际延误值；根据所述机场实际延误值，获得在所述选定时间内的日平均机场延误时间，并且基于所述环境数据、所述日平均机场延误时间以及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据；基于所述环境数据、所述环境容量衰减延时数据及与所述机场实际延误值，利用回归分析方法，建立机场延误回归模型；所述环境数据包括环境预测数据，基于所述机场延误回归模型、所述环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值，以至于帮助决策者估测出机场未来的延误时间，从而解决在空中交通管理决策中，决策者无法直接或者更准确地获取天气对航班运行造成的影响。

第二实施例

请参照图10，本发明实施例提供了一种机场延误预测装置300，所述装置300包括：

获取原始数据单元310，获取选定机场在选定时间的环境数据以及与所述环境数据在所述选定时间匹配的机场实际延误值；

获得环境容量衰减延时数据单元320，获得在所述选定时间内的日平均机场延误时间，并且基于所述环境数据、所述日平均机场延误时间以及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据；

作为一种实施方式，所述获得环境容量衰减延时数据单元320，用于基于所述环境数据、所述日平均机场延误时间、所述环境数据的参考数据及所述参考数据对应的预设容量衰减百分数，基于：所述环境数据的环境容量衰减延时数据＝(所述环境数据-所述参考数据)×所述预设容量百分数×所述日平均机场延误时间，或者所述环境数据的环境容量衰减延时数据＝(所述参考数据-所述环境数据)×所述预设容量百分数×所述日平均机场延误时间，获得所述环境数据的环境容量衰减延时数据。

建立机场延误回归模型单元330，用于基于所述环境数据、所述环境容量衰减延时数据及与所述机场实际延误值，利用回归分析方法，建立机场延误回归模型；

获得机场延误预测值单元340，用于所述环境数据包括环境预测数据，基于所述机场延误回归模型、所述环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值。

需要说明的是，本实施例中的各单元可以是由软件代码实现，此时，上述的各单元可存储于存储器110内。以上各单元同样可以由硬件例如集成电路芯片实现。

第三实施例

请参照图11，本发明实施例提供了一种机场延误预测装置400，所述装置400包括：

获取原始数据单元410，获取选定机场在选定时间的环境数据以及与所述环境数据在所述选定时间匹配的机场实际延误值；

获得环境容量衰减延时数据单元420，获得在所述选定时间内的日平均机场延误时间，并且基于所述环境数据、所述日平均机场延误时间以及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据；

作为一种实施方式，所述获得环境容量衰减延时数据单元420，用于基于所述环境数据、所述日平均机场延误时间、所述环境数据的参考数据及所述参考数据对应的预设容量衰减百分数，基于：所述环境数据的环境容量衰减延时数据＝(所述环境数据-所述参考数据)×所述预设容量百分数×所述日平均机场延误时间，或者所述环境数据的环境容量衰减延时数据＝(所述参考数据-所述环境数据)×所述预设容量百分数×所述日平均机场延误时间，获得所述环境数据的环境容量衰减延时数据。

建立机场延误回归模型单元430，用于基于所述环境数据、所述环境容量衰减延时数据及与所述机场实际延误值，利用回归分析方法，建立机场延误回归模型；

获得机场延误预测值单元440，用于所述环境数据包括环境预测数据，基于所述机场延误回归模型、所述环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值。

评估机场延误回归模型单元450，用于对所述环境预测数据的机场延误预测值与所述环境预测数据的机场延误实际值做相关性分析，从而评估所述机场延误回归模型的可信度。

需要说明的是，本实施例中的各单元可以是由软件代码实现，此时，上述的各单元可存储于存储器110内。以上各单元同样可以由硬件例如集成电路芯片实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

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所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种机场延误预测方法，其特征在于，所述方法包括：

获取选定机场在选定时间的环境数据以及与所述环境数据在所述选定时间匹配的机场实际延误值；

根据所述机场实际延误值，获得在所述选定时间内的日平均机场延误时间，并且基于所述环境数据、所述日平均机场延误时间以及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据；

基于所述环境数据、所述环境容量衰减延时数据及所述机场实际延误值，利用回归分析方法，建立机场延误回归模型；

所述环境数据包括环境预测数据，基于所述机场延误回归模型、所述环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值。

2.如权利要求1所述的方法，其特征在于，所述基于所述环境数据、所述日平均机场延误时间及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据，包括：

基于所述环境数据、所述日平均机场延误时间、所述环境数据的参考数据及所述参考数据对应的预设容量衰减百分数，基于：所述环境数据的环境容量衰减延时数据＝(所述环境数据-所述参考数据)×所述预设容量百分数×所述日平均机场延误时间，或者所述环境数据的环境容量衰减延时数据＝(所述参考数据-所述环境数据)×所述预设容量百分数×所述日平均机场延误时间，获得所述环境数据的环境容量衰减延时数据。

3.如权利要求2所述的方法，其特征在于，所述基于所述环境数据、所述环境容量衰减延时数据及所述机场实际延误值，利用回归分析方法，建立机场延误回归模型，包括：以所述环境数据、所述环境容量衰减延时数据为自变量，以所述机场实际延误值为因变量，利用多元线性回归分析方法，建立机场延误回归模型。

4.如权利要求3所述的方法，其特征在于，所述基于所述机场延误回归模型、所述环境预测数据以及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值，包括：根据所述环境预测数据的机场预测值，获得预测数据日平均机场延误时间，并且基于所述环境预测数据、所述预测数据日平均机场延误时间以及所述环境容量衰减延时计算规则，获得所述环境预测数据的环境容量衰减延时数据；基于所述环境预测数据、所述环境预测数据的环境容量衰减延时数据以及所述机场延误回归模型，获得所述环境预测数据的机场延误预测值。

5.如权利要求1所述的方法，其特征在于，在所述基于所述机场延误回归模型、所述环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值步骤之后，所述方法还包括对所述环境预测数据的机场延误预测值与所述环境预测数据的机场延误实际值做相关性分析，从而评估所述机场延误回归模型的可信度。

6.如权利要求1所述的方法，其特征在于，所述环境数据包括天气现象和航路信息，所述天气现象包括本地对流、风、雪、仪表气象条件。

7.如权利要求6所述的方法，其特征在于，所述环境数据包括METAR报文信息和TAF报文信息。

8.一种机场延误预测装置，其特征在于，所述装置包括：

获取原始数据单元，用于获取选定机场在选定时间的环境数据以及与所述环境数据在所述选定时间匹配的机场实际延误值；

获得环境容量衰减延时数据单元，用于获得在所述选定时间内的日平均机场延误时间，并且基于所述环境数据、所述日平均机场延误时间以及环境容量衰减延时计算规则，获得所述环境数据的环境容量衰减延时数据；

建立机场延误回归模型单元，用于基于所述环境数据、所述环境容量衰减延时数据及与所述机场实际延误值，并利用回归分析方法，建立机场延误回归模型；

获得机场延误预测值单元，用于在所述环境数据包括环境预测数据时，基于所述机场延误回归模型、所述环境预测数据及所述环境预测数据的环境容量衰减延时数据，获得所述环境预测数据的机场延误预测值。

9.如权利要求8所述的装置，其特征在于，所述获得环境容量衰减延时数据单元，用于基于所述环境数据、所述日平均机场延误时间、所述环境数据的参考数据及所述参考数据对应的预设容量衰减百分数，基于：所述环境数据的环境容量衰减延时数据＝(所述环境数据-所述参考数据)×所述预设容量百分数×所述日平均机场延误时间，或者所述环境数据的环境容量衰减延时数据＝(所述参考数据-所述环境数据)×所述预设容量百分数×所述日平均机场延误时间，获得所述环境数据的环境容量衰减延时数据。

10.如权利要求8所述的装置，其特征在于，所述装置还包括评估机场延误回归模型单元，用于对所述环境预测数据的机场延误预测值与所述环境预测数据的机场延误实际值做相关性分析，从而评估所述机场延误回归模型的可信度。