CN106651025B - 交通情况预测方法及装置 - Google Patents
交通情况预测方法及装置 Download PDFInfo
- Publication number
- CN106651025B CN106651025B CN201611181059.0A CN201611181059A CN106651025B CN 106651025 B CN106651025 B CN 106651025B CN 201611181059 A CN201611181059 A CN 201611181059A CN 106651025 B CN106651025 B CN 106651025B
- Authority
- CN
- China
- Prior art keywords
- traffic
- weather
- airport
- weather influence
- index
- 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 56
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000000556 factor analysis Methods 0.000 claims abstract description 23
- 230000000007 visual effect Effects 0.000 claims abstract description 19
- 230000003111 delayed effect Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000007613 environmental effect Effects 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 230000010006 flight Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000009244 rapid viral response Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 101100247598 Hordeum vulgare RCAA gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 102220329755 rs373637566 Human genes 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种交通情况预测方法及装置，涉及空中交通管理领域。交通情况预测方法包括：获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量；根据环境数据，获得在选定时间内的天气影响交通权值，并且基于环境数据、天气影响交通权值以及天气影响交通指数的计算规则，获得环境数据的天气影响交通指数；基于天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型；基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。
Description
技术领域
本发明涉及空中交通管理领域，具体而言，涉及一种交通情况预测方法及装置。
背景技术
不良的天气对航班的运行有着巨大影响。为保证空中交通有序进行，专设有航空管制员参考雷达等信息实时监测飞行器运行情况和空域环境，综合分析机场容量、飞机间隔、天气等各方面因素，统筹管理整个空域的所有航空器。但航空管制员需要同时对多种数据信息进行分析处理，一般一两个小时即需换班，脑力消耗大，任务难度高，有失误的风险。
发明内容
有鉴于此，本发明实施例的目的在于提供一种交通情况预测方法及装置，可协助航空管制员根据天气情况判断对交通影响的严重程度进行判断，减小管制员工作难度、提高判断的准确度。
第一方面，本发明实施例提供了一种交通情况预测方法，包括：获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量；根据环境数据，获得在选定时间内的天气影响交通权值，并且基于环境数据、天气影响交通权值以及天气影响交通指数的计算规则，获得环境数据的天气影响交通指数；基于天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型；基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。
在本发明较佳的实施例中，根据环境数据，获得在选定时间内的天气影响交通权值，并且基于天气影响交通权值、机场航班量以及天气影响交通指数的计算规则，获得环境数据的天气影响交通指数，包括：获取机场METAR报文，从METAR报文中获取环境数据，其中，环境数据包括能见度和风速；根据能见度和风速，基于：天气影响交通权值＝1/(能见度/1000+风速/10)，计算天气影响交通权值；利用天气影响交通权值以及机场航班量，基于：天气影响交通指数＝(机场航班量*天气影响交通权值)，计算天气影响交通指数。
在本发明较佳的实施例中，基于天气影响交通指数，利用因子分析和分层聚类，建立机场交通预测模型，包括：将天气影响交通指数作为原始变量，计算原始变量的相关系数矩阵，根据相关系数矩阵求取特征值，根据特征值大于1的原则，提取公共因子；采用主成分分析法计算出初始因子载荷矩阵并进行因子旋转，分析得出各个公共因子与选定机场的天气影响交通指数的对应关系；以因子分析过程中反映原始变量和公共因子间联系紧密程度的因子得分为原始数据，通过聚类分析，将天气影响交通指数按月份进行分类。
在本发明较佳的实施例中，基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，包括：分别求取每一选定机场的天气影响交通指数，根据聚类分析得出的类别将同一类别的天气影响交通指数求取平均值；利用机场交通预测模型，带入平均值判断天气对交通的影响的严重度；绘制可视化天气影响交通查询图，以按月份划分的类别名称为横坐标、以选定机场的名称为纵坐标划分网格，每一网格根据天气对交通的影响的严重度不同，通过图样和/或颜色进行区分。
在本发明较佳的实施例中，基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图之后，方法还包括：根据天气影响交通指数，基于机场交通预测模型，获得天气影响交通的严重程度，并与实际情况对比，评估机场交通预测模型的可靠性。
第二方面，本发明实施例提供了一种交通情况预测装置，装置包括：原始数据获取单元，用于获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量；天气影响交通指数计算单元，用于根据环境数据，获得在选定时间内的天气影响交通权值，并且基于环境数据、天气影响交通权值以及天气影响交通指数的计算规则，获得环境数据的天气影响交通指数；机场交通预测模型建立单元，用于基于天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型；模型可视化单元，用于基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。
在本发明较佳的实施例中，天气影响交通指数计算单元包括：环境数据获取单元，用于获取机场METAR报文，从METAR报文中获取环境数据，其中，环境数据包括能见度和风速；第一天气影响交通指数计算单元，用于根据能见度和风速，基于：天气影响交通权值＝1/(能见度/1000+风速/10)，计算天气影响交通权值；第二天气影响交通指数计算单元，用于利用天气影响交通权值以及机场航班量，基于：天气影响交通指数＝(机场航班量*天气影响交通权值)，计算天气影响交通指数。
在本发明较佳的实施例中，机场交通预测模型建立单元包括：公共因子提取单元，用于将天气影响交通指数作为原始变量，计算原始变量的相关系数矩阵，根据相关系数矩阵求取特征值，根据特征值大于1的原则，提取公共因子；公共因子解释单元，用于采用主成分分析法计算出初始因子载荷矩阵并进行因子旋转，分析得出各个公共因子与选定机场的天气影响交通指数的对应关系；聚类单元，用于以因子分析过程中反映原始变量和公共因子间联系紧密程度的因子得分为原始数据，通过聚类分析，将天气影响交通指数按月份进行分类。
在本发明较佳的实施例中，模型可视化单元包括：聚类数据获取单元，用于分别求取每一选定机场的天气影响交通指数，根据聚类分析得出的类别将同一类别的天气影响交通指数求取平均值；机场交通预测模型使用模块，用于利用机场交通预测模型，带入平均值判断天气对交通的影响的严重度；可视化天气影响交通查询图绘制模块，用于绘制可视化天气影响交通查询图，以按月份划分的类别名称为横坐标、以选定机场的名称为纵坐标划分网格，每一网格根据天气对交通的影响的严重度不同，通过图样和/或颜色进行区分。
在本发明较佳的实施例中，交通情况预测装置还包括：模型可靠性判断模块，用于根据天气影响交通指数，基于机场交通预测模型，获得天气影响交通的严重程度，并与实际情况对比，评估机场交通预测模型的可靠性。
本发明实施例提供一种交通情况预测方法及装置，涉及空中交通管理领域。首先获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量，通过计算获得天气影响交通指数；然后将天气影响交通指数作为原始数据，利用因子分析和聚类分析，建立机场交通预测模型；最后基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图。以便当天气引起航空器延迟时，可辅助管制员基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。
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为一种可应用于本发明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交通情况预测方法的流程图；
图3为本发明第二实施例提供的交通情况预测方法的流程图；
图4为本发明第三实施例提供的交通情况预测方法的流程图；
图5为本发明第三实施例提供的天气影响交通指数的散点分布示意图；
图6为本发明第三实施例提供的相关系数矩阵的特征值示意图；
图7为本发明第三实施例提供的旋转成份矩阵的示意图；
图8为本发明第三实施例提供的公共因子的含义分析示意图；
图9为本发明第三实施例提供的聚类分析的结果示意图；
图10为本发明第三实施例提供的可视化天气影响交通查询图；
图11为本发明第四实施例提供的交通情况预测装置结构示意图；
图12为本发明第四实施例提供的天气影响交通指数计算单元的结构示意图；
图13为本发明第四实施例提供的机场交通预测模型建立单元的结构示意图；
图14为本发明第四实施例提供的模型可视化单元的结构示意图。
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。
图1示出了一种可应用于本申请实施例中的电子设备400的结构框图。该电子设备400可以作为用户终端，也可以是作为服务器。如图1所示，电子设备400可以包括存储器402、存储控制器403、处理器404和交通情况预测装置500。
存储器402、存储控制器403、处理器404、交通情况预测装置500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。所述交通情况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，例如所述交通情况预测装置包括的软件功能模块或计算机程序。
存储器402可以存储各种软件程序以及模块，如本申请实施例提供的方法及装置对应的程序指令/模块。处理器404通过运行存储在存储器402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交通情况预测方法。存储器402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 OnlyMemory，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404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。
天气影响交通指数(Weather Impact Traffic Index)，简称WITI。对天气和空域交通的研究方面，WITI已在美国得到了广泛的应用。它可将天气和空中交通的关系量化，表现天气对空中交通的影响。人们可由此对航空器的运行提供预先的指挥，保证航空器的安全，提高运行效率。下面给出WITI的计算方法：
WITI(ij)(t)＝T(ij)(t)*W(ij)(t)
WITI表示的是一定区域范围内在一段时间内被恶劣天气影响的所有航空器的被影响程度的叠加值，公式中W(ij)(t)为天气影响交通权值，表示该区域范围内根据天气对交通的影响而分配的权值，T(ij)(t)表示一定时间内通过该区域范围的交通量。
第一实施例
请参考图2，本发明实施例提供了一种交通情况预测方法，所述方法包括：
步骤S210：获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量。
国内12个飞行情报区分别为：
东北地区：沈阳飞行情报区ZYSH；
华北地区：北京飞行情报区ZBPE；
华东地区：上海飞行情报区ZSHA、台北飞行情报区RCAA；
中南地区：武汉飞行情报区ZHWH、广州飞行情报区ZGZU、香港飞行情报区VHHK、三亚飞行情报区ZJSY；
西南地区：昆明飞行情报区ZPKM、成都飞行情报区ZUUU；
西北地区：兰州飞行情报区ZLHW、乌鲁木齐飞行情报区ZWUQ。
选定各飞行情报区内航空流量最大的机场，获取各个机场的环境数据，如通过公布的航空例行天气报告(Meteorological Terminal Aviation Routine WeatherReport)，即METAR报文，获取风速和能见度信息等气象信息作为环境数据。
由于风速和能见度的信息一般以“天”为单位，所以也以“天”为单位分别获取各选定机场区域内航空器架次。
步骤S220：根据环境数据，获得在选定时间内的天气影响交通权值，并且基于环境数据、天气影响交通权值以及天气影响交通指数的计算规则，获得环境数据的天气影响交通指数。
步骤S230：基于天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型。
步骤S240：基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。
本发明实施例提供了一种交通情况预测方法，通过获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量；根据环境数据，获得在选定时间内的天气影响交通权值，并且基于环境数据、天气影响交通权值以及天气影响交通指数的计算规则，获得环境数据的天气影响交通指数；基于天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型；基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。
第二实施例
请参考图3，本发明实施例提供了一种交通情况预测方法，所述方法包括：
步骤S210：获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量。
步骤S222：获取机场METAR报文，从METAR报文中获取环境数据，其中，环境数据包括能见度和风速。
在相关网站公布的METAR报文中，有表现风和能见度的字段。
风：在风速不超过99节时，风用5位数字报告，超过99节时，以6位数字报告。前3位数字表示风吹的方向，如果风向是变化的，则以VRB报告。后两位数字表示风速的节数，如果风速超过99节，则以3位数字表示。如果是阵风，那么在风速之后跟字母G。在字母G之后提供了记录的最大阵风速度。如果风向变化超过60度，且风速大于6节，那么用V隔开的单独一组数字将表示风向的极值。如03015G25可解码为风来向030(以真经线为准，使用时需修正磁差)，速度15节，阵风25节，这里提取风速数据。
能见度：主要能见度以法定英里【statute mile，法定英里等于5280英尺，约1.6公里】报告，以字母SM表示。它用英里数和英里的分数表示。有时，RVR或者跑道视程(visualrange)也在主要能见之后给出。RVR是飞行员在运动的飞机里顺跑道看的能见距离。当报告RVR的时候，用R标记，接着是跑道号码，后面跟着斜线，最后是英尺为单位的视程。例如，RVR报告为R17L/1400FT，翻译为跑道17L的视程为1400英尺。通过这种方式，提取能见度数据。
步骤S224：根据能见度和风速，基于：天气影响交通权值＝1/(能见度/1000+风速/10)，计算天气影响交通权值。
天气影响交通权值与气象的严重度是呈线性关系的，由于这种线性关系的复杂度，将天气影响交通权值和能见度、风速之间的关系简化为：
步骤S226：利用天气影响交通权值以及机场航班量，基于：天气影响交通指数＝(机场航班量*天气影响交通权值)，计算天气影响交通指数。
为简化计算，使用公式：
WITI(k)＝T(k)*W(k)
T(k)代表每个选定机场计划飞行的交通量，W(k)为天气影响交通权值。
步骤S230：基于天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型。
步骤S240：基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。
本发明实施例提供了一种交通情况预测方法，通过获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量；根据环境数据，获得在选定时间内的天气影响交通权值，并且基于环境数据、天气影响交通权值以及天气影响交通指数的计算规则，获得环境数据的天气影响交通指数；基于天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型；基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。
第三实施例
请参考图4，本发明实施例提供了一种交通情况预测方法，所述方法包括：
步骤S210：获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量。
步骤S220：根据环境数据，获得在选定时间内的天气影响交通权值，并且基于环境数据、天气影响交通权值以及天气影响交通指数的计算规则，获得环境数据的天气影响交通指数。
步骤S232：将天气影响交通指数作为原始变量，计算原始变量的相关系数矩阵，根据相关系数矩阵求取特征值，根据特征值大于1的原则，提取公共因子。
此处主要采取了基于SPSS软件进行因子分析。因子分析和SPSS软件应用时的对应步骤有：
①指标的正向化。
②指标数据标准化(SPSS软件自动执行)。
③指标之间的相关性判定：用SPSS软件中表“Correlation Matrix(相关系数矩阵)”判定。
④确定因子个数m：用SPSS软件中表“Total Variance Explained”特征值累计贡献率，结合表“Rotaled Component Matrix(旋转后因子载荷阵)”中变量不出现丢失，确定因子个数m。
⑤求旋转后因子载荷阵：SPSS软件中表“Rotaled Component Matrix”。
⑥因子Zi的命名：将SPSS软件中表“Rotaled Component Matrix”因子载荷矩阵的第i列绝对值大的对应变量归为Zi一类，并由此对Zi命名(命名清晰性高)。
⑦回归求因子得分函数Zi表达式：SPSS软件中表“Component Score CoefficientMatrix(因子得分系数矩阵)”的第i列向量为第i个因子得分函数Zi的系数，由此写出因子得分函数Zi表达式。
⑧求单因子得分值(SPSS软件自动执行)与综合因子得分值(在“transform→compute”中进行计算)。
⑨检验：综合评价值用实际结果、经验与原始数据做聚类分析进行检验(对有争议的结果，可用原始数据做判别分析解决争议)。
⑩综合实证分析。将所要分析的原始数据输入后得到的结果包括多种类型的数值，根据不同值的特点对数据进行归类和整合。
下面结合上述步骤，针对本实施例具体说明公共因子的提取。
前面求得的天气影响交通指数的单位为天，这里先求得各个月份的WITI日平均值。将各个机场、各个月份的天气影响交通指数输入SPSS软件，所要分析的原始数据标准化。需要说明，原始数据为十二个月份的十二个飞行情报区的WITI值，为12*12的矩阵。相关数据的展示请参考图5。
再求出相关系数矩阵，由相关系数矩阵可知12个飞行情报区的WITI值具有一定的相关性。相关系数矩阵的定义如下：
请参考图6。求得相关系数矩阵的特征值，并求得特征值的贡献率和累计贡献率。为降低数据组的维度，需用较少的几个公共因子来代替较多的原始变量。提取公共因子有两个条件：
(1)特征值>1；
(2)累计贡献率达85％以上。
需要说明，特征值和累计贡献率均越大越好：当特征值较小(小于1)时，表明该公共因子对公共因子的解释作用不大，效果不好；当累计贡献率过小，则损失的反映原始变量的信息也会过多。
步骤S234：采用主成分分析法计算出初始因子载荷矩阵并进行因子旋转，分析得出各个公共因子与选定机场的天气影响交通指数的对应关系。
采用主成分分析法计算出初始因子载荷矩阵。
解释每个公共因子的意义。由于公共因子解中，各公共因子的典型代表量不突出，易使因子的意义含糊不清，不便于对实际问题进行分析，对初始因子载荷矩阵进行转置，得到旋转成份矩阵。请参考图7。
如果所得到的数值大于0.5，那么说明公共因子和输入的变量之间有很强的相关性，而数值越大，这个相关性就越强，通过表中的数值大小，可以判断出公共因子所代表的主要内容。相关结果分析请参考图8。
步骤S236：以因子分析过程中反映原始变量和公共因子间联系紧密程度的因子得分为原始数据，通过聚类分析，将天气影响交通指数按月进行分类。
在数值处理的过程中用到了因子得分，因子得分是表示因子变量的重要程度的一个值，因子得分越高说明这个因子变量与这个公共因子之间的联系程度越深。当取得了因子得分后，以因子得分为原始数据，根据数据特点利用分层聚类来分析变量。具体流程为：
1)利用ward’s法，利用欧氏平方距离进行聚类分析。请参考图9。
2)分层聚类法输出结果分析。将天气情况按月份进行分分类。分析图9，以表格上方10为划分基准，将结果分为6类，4月，9月，11月，12月划分为一类；1月，2月划分为二类；3月和10月划分为三类；7月和8月划分为四类；5月和6月分别划分为第五类和第六类。从每一个类别中抽出一组数据，大致上就可以判断整个类别内的天气情况。
步骤S242：分别求取每一选定机场的天气影响交通指数，根据聚类分析得出的类别将同一类别的天气影响交通指数求取平均值。
选取某一飞行情报区流量最大的机场，将上述同一月份类别的月份的WITI相加后求出平均值。分别计算所有飞行情报区流量最大的机场每一月份类别的WITI平均值。
步骤S244，利用机场交通预测模型，带入平均值判断天气对交通的影响的严重度。
步骤S246：绘制可视化天气影响交通查询图，以按月份划分的类别名称为横坐标、以选定机场的名称为纵坐标划分网格，每一网格根据天气对交通的影响的严重度不同，通过图样和/或颜色进行区分。请参考图10。
步骤S250：根据天气影响交通指数，基于机场交通预测模型，获得天气影响交通的严重程度，并与实际情况对比，评估机场交通预测模型的可靠性。
本发明实施例提供了一种交通情况预测方法，通过获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量；根据环境数据，获得在选定时间内的天气影响交通权值，并且基于环境数据、天气影响交通权值以及天气影响交通指数的计算规则，获得环境数据的天气影响交通指数；基于天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型；基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。最后，根据天气影响交通指数，基于机场交通预测模型，获得天气影响交通的严重程度，并与实际情况对比，评估机场交通预测模型的可靠性。
第四实施例
请参考图11，本发明实施例提供一种交通情况预测装置500，包括：原始数据获取单元510、天气影响交通指数计算单元520、机场交通预测模型建立单元530、模型可视化单元540以及模型可靠性判断单元550。
原始数据获取单元510，用于获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量。
天气影响交通指数计算单元520，用于根据环境数据，获得在选定时间内的天气影响交通权值，并且基于环境数据、天气影响交通权值以及天气影响交通指数的计算规则，获得环境数据的天气影响交通指数。
机场交通预测模型建立单元530，用于基于天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型。
模型可视化单元540，用于基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。
模型可靠性判断单元550，用于根据天气影响交通指数，基于机场交通预测模型，获得天气影响交通的严重程度，并与实际情况对比，评估机场交通预测模型的可靠性。
请参考图12，上述天气影响交通指数计算单元520包括：环境数据获取单元522，用于获取机场METAR报文，从METAR报文中获取环境数据，其中，环境数据包括能见度和风速；第一天气影响交通指数计算单元524，用于根据能见度和风速，基于：天气影响交通权值＝1/(能见度/1000+风速/10)，计算天气影响交通权值；第二天气影响交通指数计算单元526，用于利用天气影响交通权值以及机场航班量，基于：天气影响交通指数＝(机场航班量*天气影响交通权值)，计算天气影响交通指数。
请参考图13，上述机场交通预测模型建立单元530包括：公共因子提取单元532，用于将天气影响交通指数作为原始变量，计算原始变量的相关系数矩阵，根据相关系数矩阵求取特征值，根据特征值大于1的原则，提取公共因子；公共因子解释单元534，用于采用主成分分析法计算出初始因子载荷矩阵并进行因子旋转，分析得出各个公共因子与选定机场的天气影响交通指数的对应关系；聚类单元536，用于以因子分析过程中反映原始变量和公共因子间联系紧密程度的因子得分为原始数据，通过聚类分析，将天气影响交通指数按月份进行分类。
请参考图14，上述模型可视化单元540包括：聚类数据获取单元542，用于分别求取每一选定机场的天气影响交通指数，根据聚类分析得出的类别将同一类别的天气影响交通指数求取平均值；机场交通预测模型使用模块544，用于利用机场交通预测模型，带入平均值判断天气对交通的影响的严重度；可视化天气影响交通查询图绘制模块546，用于绘制可视化天气影响交通查询图，以按月份划分的类别名称为横坐标、以选定机场的名称为纵坐标划分网格，每一网格根据天气对交通的影响的严重度不同，通过图样和/或颜色进行区分。
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402内。以上各单元同样可以由硬件例如集成电路芯片实现。
综上所述，本发明实施例提供一种交通情况预测方法及装置，涉及空中交通管理领域。首先获取选定机场在选定时间的环境数据以及与环境数据在选定时间匹配的机场航班量，通过计算获得天气影响交通指数；然后将天气影响交通指数作为原始数据，利用因子分析和聚类分析，建立机场交通预测模型；最后基于选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图。以便当天气引起航空器延迟时，可辅助管制员基于天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案。
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 (8)
1.一种交通情况预测方法，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航班量；
根据所述环境数据，获得在所述选定时间内的天气影响交通权值，并且基于所述环境数据、所述天气影响交通权值以及天气影响交通指数的计算规则，获得所述环境数据的天气影响交通指数；
基于所述天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型；
基于所述选定机场的天气影响交通指数，利用所述机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于所述天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案；
其中，所述基于所述天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型，包括：将所述天气影响交通指数作为原始变量，计算所述原始变量的相关系数矩阵，根据所述相关系数矩阵求取特征值，根据特征值大于1的原则，提取公共因子；采用主成分分析法计算出初始因子载荷矩阵并进行因子旋转，分析得出各个所述公共因子与所述选定机场的所述天气影响交通指数的对应关系；以因子分析过程中反映所述原始变量和所述公共因子间联系紧密程度的因子得分为原始数据，通过聚类分析，将所述天气影响交通指数按月份进行分类。
2.根据权利要求1所述的方法，其特征在于，根据所述环境数据，获得在所述选定时间内的天气影响交通权值，并且基于所述天气影响交通权值、所述机场航班量以及天气影响交通指数的计算规则，获得所述环境数据的天气影响交通指数，包括：
获取机场METAR报文，从所述METAR报文中获取环境数据，其中，所述环境数据包括能见度和风速；
根据所述能见度和所述风速，基于：天气影响交通权值＝1/(能见度/1000+风速/10)，计算所述天气影响交通权值；
利用天气影响交通权值以及所述机场航班量，基于：天气影响交通指数＝机场航班量×天气影响交通权值，计算所述天气影响交通指数。
3.根据权利要求1所述的方法，其特征在于，基于所述选定机场的天气影响交通指数，利用所述机场交通预测模型，获得可视化天气影响交通查询图，包括：
分别求取每一所述选定机场的所述天气影响交通指数，根据聚类分析得出的类别将同一类别的所述天气影响交通指数求取平均值；
利用所述机场交通预测模型，带入所述平均值判断天气对交通的影响的严重度；
绘制所述可视化天气影响交通查询图，以按月份划分的类别名称为横坐标、以所述选定机场的名称为纵坐标划分网格，每一网格根据天气对交通的影响的严重度不同，通过图样和/或颜色进行区分。
4.根据权利要求3所述的方法，其特征在于，基于所述选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图之后，所述方法还包括：
根据所述天气影响交通指数，基于所述机场交通预测模型，获得天气影响交通的严重程度，并与实际情况对比，评估所述机场交通预测模型的可靠性。
5.一种交通情况预测装置，其特征在于，所述装置包括：
原始数据获取单元，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航班量；
天气影响交通指数计算单元，用于根据所述环境数据，获得在所述选定时间内的天气影响交通权值，并且基于所述环境数据、所述天气影响交通权值以及天气影响交通指数的计算规则，获得所述环境数据的天气影响交通指数；
机场交通预测模型建立单元，用于基于所述天气影响交通指数，利用因子分析和聚类运算，建立机场交通预测模型；
模型可视化单元，用于基于所述选定机场的天气影响交通指数，利用机场交通预测模型，获得可视化天气影响交通查询图，以便当天气引起航空器延迟时，基于所述天气影响交通查询图获得相似的天气影响交通情况并预先做出改航方案；
其中，所述机场交通预测模型建立单元包括：
公共因子提取单元，用于将所述天气影响交通指数作为原始变量，计算所述原始变量的相关系数矩阵，根据所述相关系数矩阵求取特征值，根据特征值大于1的原则，提取公共因子；
公共因子解释单元，用于采用主成分分析法计算出初始因子载荷矩阵并进行因子旋转，分析得出各个所述公共因子与所述选定机场的所述天气影响交通指数的对应关系；
聚类单元，用于以因子分析过程中反映所述原始变量和所述公共因子间联系紧密程度的因子得分为原始数据，通过聚类分析，将所述天气影响交通指数按月份进行分类。
6.根据权利要求5所述的装置，其特征在于，所述天气影响交通指数计算单元包括：
环境数据获取单元，用于获取机场METAR报文，从所述METAR报文中获取环境数据，其中，所述环境数据包括能见度和风速；
第一天气影响交通指数计算单元，用于根据所述能见度和所述风速，基于：天气影响交通权值＝1/(能见度/1000+风速/10)，计算所述天气影响交通权值；
第二天气影响交通指数计算单元，用于利用天气影响交通权值以及所述机场航班量，基于：天气影响交通指数＝机场航班量×天气影响交通权值，计算所述天气影响交通指数。
7.根据权利要求5所述的装置，其特征在于，模型可视化单元包括：
聚类数据获取单元，用于分别求取每一所述选定机场的所述天气影响交通指数，根据聚类分析得出的类别将同一类别的所述天气影响交通指数求取平均值；
机场交通预测模型使用模块，用于利用所述机场交通预测模型，带入所述平均值判断天气对交通的影响的严重度；
可视化天气影响交通查询图绘制模块，用于绘制所述可视化天气影响交通查询图，以按月份划分的类别名称为横坐标、以所述选定机场的名称为纵坐标划分网格，每一网格根据天气对交通的影响的严重度不同，通过图样和/或颜色进行区分。
8.根据权利要求7所述的装置，其特征在于，所述交通情况预测装置还包括：
模型可靠性判断模块，用于根据所述天气影响交通指数，基于所述机场交通预测模型，获得天气影响交通的严重程度，并与实际情况对比，评估所述机场交通预测模型的可靠性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611181059.0A CN106651025B (zh) | 2016-12-20 | 2016-12-20 | 交通情况预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611181059.0A CN106651025B (zh) | 2016-12-20 | 2016-12-20 | 交通情况预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106651025A CN106651025A (zh) | 2017-05-10 |
| CN106651025B true CN106651025B (zh) | 2020-09-08 |
Family
ID=58833410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611181059.0A Active CN106651025B (zh) | 2016-12-20 | 2016-12-20 | 交通情况预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106651025B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107958327B (zh) * | 2017-11-21 | 2021-09-14 | 国网四川省电力公司凉山供电公司 | 一种基于因子分析和som网络的项目进度风险预测方法 |
| 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 |
| CN109581543B (zh) * | 2018-12-20 | 2020-12-29 | 深圳航空有限责任公司 | 一种航空气象报文图形化展示方法 |
| CN111815098A (zh) * | 2019-12-11 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 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 |
| CN111508279B (zh) * | 2020-03-18 | 2022-02-11 | 南京航空航天大学 | 一种天气避让场划设的方法 |
| CN112215297A (zh) * | 2020-10-21 | 2021-01-12 | 山东纬横数据科技有限公司 | 基于因子分析的生产制造数据分层聚类方法 |
| CN113554899B (zh) * | 2021-07-30 | 2022-06-03 | 中国民用航空总局第二研究所 | 天气影响空中交通程度分析方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201870A (zh) * | 2007-12-20 | 2008-06-18 | 四川川大智胜软件股份有限公司 | 空中交通飞行态势动态仿真的方法 |
| US9349150B2 (en) * | 2013-12-26 | 2016-05-24 | Xerox Corporation | System and method for multi-task learning for prediction of demand on a system |
-
2016
- 2016-12-20 CN CN201611181059.0A patent/CN106651025B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101201870A (zh) * | 2007-12-20 | 2008-06-18 | 四川川大智胜软件股份有限公司 | 空中交通飞行态势动态仿真的方法 |
| US9349150B2 (en) * | 2013-12-26 | 2016-05-24 | Xerox Corporation | System and method for multi-task learning for prediction of demand on a system |
Non-Patent Citations (1)
| Title |
|---|
| 空域容量评估与预测技术研究;赵征;《中国博士学位论文全文数据库 工程科技II辑》;20160715(第07期);第四章第4.2.3节-第五章第5.8节，图5.20 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106651025A (zh) | 2017-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651025B (zh) | 交通情况预测方法及装置 | |
| CN105334551B (zh) | 基于数值天气预报模式的电网气象预测预警系统 | |
| Marzban et al. | Ceiling and visibility forecasts via neural networks | |
| JP7162753B2 (ja) | デバイスの位置データの定量的地理空間分析 | |
| Wang | Determining the most accurate program for the Mann-Kendall method in detecting climate mutation | |
| CN104635281A (zh) | 基于强天气过程校正的自动气象站数据质量控制方法 | |
| CN111259963B (zh) | 一种区域植被指标的驱动因素分析方法、装置及存储介质 | |
| CN113592019A (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
| CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
| CN111626599A (zh) | 一种气象灾害风险研判方法及系统 | |
| CN112819064B (zh) | 基于谱聚类的终端区时序气象场景识别方法 | |
| Eastaugh et al. | A cautionary note regarding comparisons of fire danger indices | |
| CN112015786A (zh) | 一种外赛场极端天气监测预警信息处理系统 | |
| CN111027837B (zh) | 预新增国际航线的参考航线确定方法、系统、设备及介质 | |
| CN114120650A (zh) | 用于生成测试结果的方法、装置 | |
| CN109409951A (zh) | 一种基于价格指数的房地产市场监测预警方法和系统 | |
| CN106779222A (zh) | 机场地面等待时间预测方法及装置 | |
| Cui et al. | Data-based windstorm type identification algorithm and extreme wind speed prediction | |
| Lund et al. | Good practices and common pitfalls in climate time series changepoint techniques: A review | |
| Zhang et al. | Data‐Driven Analysis of the Chaotic Characteristics of Air Traffic Flow | |
| CN109711894A (zh) | 航线需求异常的检测方法及系统 | |
| CN112785876A (zh) | 终端区时序气象场景智能识别系统 | |
| Hope et al. | Evaluation of a Regionalization Approach for Daily Flow Duration Curves in Central and Southern California Watersheds 1 | |
| Chaudhuri | Predictability of chaos inherent in the occurrence of severe thunderstorms | |
| Saha et al. | Forecast analysis of visibility for airport operations with deep learning techniques |
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 |