CN106779222B - 机场地面等待时间预测方法及装置 - Google Patents

Abstract

本发明实施例提供的一种机场地面等待时间预测方法及装置，涉及空中交通管理技术领域。所述方法包括获取选定机场在预设的时间段内的环境数据以及与所述环境数据对应的航班交通数据；基于环境数据以及预设的指数计算数据规则，获得环境指数数据；基于航班交通数据，获得机场地面等待时间实际数据；对环境指数训练数据与机场地面等待时间实际训练数据进行相关性分析并根据相关性分析的结果，进行线性拟合，建立机场地面等待时间的预测模型；环境数据包括环境指数校正数据，基于机场地面等待时间的预测模型以及环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值，从而提前预测出机场地面等待时间，避免空中交通阻塞问题。

Description

机场地面等待时间预测方法及装置

技术领域

本发明涉及空中交通量管理技术领域，具体而言，涉及一种机场地面等待时间预测方法及装置。

背景技术

随着民用航空业的快速发展，由于机场容量、天气、空管流量控制等原因造成的空中交通阻塞、航班延误率不断升高等问题越来越突出。由此给很多旅客带来了许多麻烦，甚至给旅客的出行等计划造成了严重的影响。这种情况同时会使运营这些航班的航空公司蒙受很大的经济损失，严重的情况下甚至会导致运行机场及运行空域的安全性。

比如说：按照预定飞行计划，一架航班计划北京时间12:00从杭州萧山机场出发，航程时间为1.5个小时，目的地机场为厦门高崎机场，但是提前预测到厦门高崎机场在北京时间13:30的时候，其机场的航班操纵数达到了机场的最大容量限制，那么就算这架航班准时到达厦门高崎机场上空，也不可以降落，要在其上空启动空中等待程序，此种情况不论经济行还是安全性都不如这架航班直接在杭州萧山机场启用地面等待程序效果更佳。

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地面等待时间预测方法及装置，以解决上述问题。

第一方面，本发明实施例提供了一种机场地面等待时间预测方法，所述方法包括：获取选定机场在预设的时间段内的环境数据以及与所述环境数据对应的航班交通数据；基于所述环境数据以及预设的指数计算数据规则，获得环境指数数据；基于所述航班交通数据，获得机场地面等待时间实际数据；所述环境指数数据包括环境指数训练数据，所述机场地面等待时间实际数据包括机场地面等待时间实际训练数据，对所述环境指数训练数据与所述机场地面等待时间实际训练数据进行相关性分析并根据相关性分析的结果，进行线性拟合，建立机场地面等待时间的预测模型；所述环境数据包括环境指数校正数据，基于所述机场地面等待时间的预测模型以及所述环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值。

第二方面，本发明实施例提供了一种机场地面等待时间装置，所述装置包括：数据获取单元，用于获取选定机场在预设的时间段内的环境数据以及与所述环境数据对应的航班交通数据；环境指数数据获取单元，用于基于所述环境数据以及预设的指数计算数据规则，获得环境指数数据；机场等待时间数据获取单元，用于基于所述航班交通数据，获得机场地面等待时间实际数据；预测模型建立单元，用于所述环境指数数据包括环境指数训练数据，所述机场地面等待时间实际数据包括机场地面等待时间实际训练数据，对所述环境指数训练数据与所述机场地面等待时间实际训练数据进行相关性分析并根据相关性分析的结果，进行线性拟合，建立机场地面等待时间的预测模型；预测值获取单元，用于所述环境数据包括环境指数校正数据，基于所述机场地面等待时间的预测模型以及所述环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值。

本发明实施例提供了一种机场地面等待时间预测方法及装置，所述方法包括通过获取选定机场在预设的时间段内的环境数据以及与所述环境数据对应的航班交通数据；基于所述环境数据以及预设的指数计算数据规则，获得环境指数数据；基于所述航班交通数据，获得机场地面等待时间实际数据；所述环境指数数据包括环境指数训练数据，所述机场地面等待时间实际数据包括机场地面等待时间实际训练数据，对所述环境指数训练数据与所述机场地面等待时间实际训练数据进行相关性分析并根据相关性分析的结果，进行线性拟合，建立机场地面等待时间的预测模型；所述环境数据包括环境指数校正数据，基于所述机场地面等待时间的预测模型以及所述环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值，从而提前预测出机场地面等待时间，避免空中交通阻塞问题。

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地面等待时间预测方法的流程图；

图3为本发明第一实施例提供的能见度信息分类标准一的示意图；

图4为本发明第一实施例提供的能见度信息分类标准二的示意图；

图5为本发明第一实施例提供的能见度信息最终分类及权重结果的示意图；

图6为本发明第一实施例提供的雷雨信息分类及权重结果的示意图；

图7为本发明第一实施例提供的部分航班信息的示意图；

图8为本发明第一实施例提供的部分航班信息时间的示意图；

图9为本发明第一实施例提供的部分航班信息统计的平均地面等待时间的示意图；

图10为本发明第一实施例提供的GHT_D的等待时间概率分布的示意图；

图11为本发明第一实施例提供的GHT_Y的等待时间概率分布的示意图；

图12为本发明第一实施例提供的GHT_Z的等待时间概率分布的示意图；

图13为本发明第一实施例提供的线性相关关系的示意图；

图14为本发明第一实施例提供的将训练数据录入SPSS软件之后的初始界面的示意图；

图15为本发明第一实施例提供的随机变量F1项和随机变量F2项之间的相关性关系的示意图；

图16为本发明第一实施例提供的随机变量F1项和随机变量F3项之间的相关性关系的示意图；

图17为本发明第一实施例提供的随机变量F1项和随机变量F4项之间的相关性关系的示意图；

图18为本发明第一实施例提供的天气指数WI和所有航班的平均地面等待时间GHT_D的线性拟合函数的示意图；

图19为本发明第一实施例提供的天气指数WI和所有航班的平均地面等待时间GHT_Y的线性拟合函数的示意图；

图20为本发明第一实施例提供的第一概率分布示意图；

图21为本发明第一实施例提供的第二概率分布示意图；

图22为本发明第一实施例提供的最终准确度统计示意图；

图23为本发明第一实施例提供的第三概率分布示意图；

图24为本发明第一实施例提供的第一棵决策树的示意图；

图25为本发明第一实施例提供的第二棵决策树的示意图；

图26为本发明第一实施例提供的第三棵决策树的示意图；

图27为本发明第二实施例提供的机场地面等待时间预测装置的结构图。

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，也可以是计算机或服务器，所述用户终端可以为手机或平板电脑。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和机场地面等待时间预测装置。

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。所述机场地面等待时间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，例如所述机场地面等待时间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地面等待预测时间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地面等待时间预测方法。存储器110可以包括但不限于随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，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地面等待时间预测方法，所述方法包括：

步骤S200：获取选定机场在预设的时间段内的环境数据以及与所述环境数据对应的航班交通数据；

基于步骤S200，本实施例中的环境数据及航班交通数据包括航空METAR报文，来源于网站：http://www.ogimet.com/metars.phtml.en。

具体地，本实施例的数据是杭州萧山国际机场2014年一整年的有统计的所有航班数据，在得到的数据中，仅对客运航班信息的不完全统计有不少于60000架的航班从杭州萧山国际机场起飞。数据来源于杭州萧山国际机场有限公司，确认为可靠数据。不少于60000架的航班数据信息，笔者用25000架次左右的航班信息计算得到的地面等待时间数据作为训练数据，和上文提到的天气指数的训练数据一起进行相关性分析及线性关系拟合；另用25000架次左右的航班信息计算得到的地面等待时间数据作为检验数据，会对地面等待时间数据和天气指数数据的相关性和拟合关系进行检验其的正确度。

步骤S210：基于所述环境数据以及预设的指数计算数据规则，获得环境指数数据；

基于步骤S210，所述环境数据包括能见度数据和雷雨数据，所述基于所述环境数据以及预设的指数计算数据规则，获得环境指数数据，包括：

根据所述能见度数据以及预设的能见度分类规则，获得能见度权重Vi；

根据所述雷雨数据以及预设的雷雨分类规则，获得雷雨权重Ri；

基于

获得所述环境指数数据WI。

本实施例所要用到的环境指数数据即天气指数数据：机场上空的天气状况对航班在机场发生的地面等待时间的影响情况的量化描述量值。

本实施例天气指数算法是仿照传统天气交通指数算法，结合METAR报文中对航班地面等待时间有一定影响的能见度信息项和雷雨天气信息项，以日为单位计算出来的一个量化的天气指数，计作WI(Weather Index)。

首先对能见度信息进行分析，请参阅图3，标准一：经过对杭州萧山机场塔台管制员的咨询，能见度信息的预分类结果如图3所示。

请参阅图4，标准二：经过对飞行员的咨询，飞行员训练的起飞气象标准如图4所示。

由图3和图4可知，能见度在0～4800米的情况下使用仪表飞行规则飞行(IFR)；能见度在4800米～8000米的情况下维持目视飞行规则飞行(MVFR)；能见度在8000米～16000米的情况下完全使用目视飞行规则飞行(VFR)。

请参阅图5，根据标准一、标准二对能见度信息进行最终分类及赋值如图5所示。其中，赋值结果即能见度权重Vi解释为：如果METAR中出现能见度大于8000米(包含8000米)的情况，那么赋值为0，说明对航班起飞和地面等待时间基本没有影响；后面随着能见度的不断减小，赋值逐渐增大，赋值越大说明能见度对飞机起飞和地面等待的影响越强，最强为能见度小于400米的情况，影响度为20。

其次对雷雨信息进行分析，请参阅图6，根据统计杭州萧山国际机场2014年一年的数据，雷雨信息主要分为+(RA、TSRA、SHRA)、(RA、TSRA、SHRA)、-(RA、TSRA、SHRA)，即为较大的、中等(正常)的、较小的雨、雷暴雨和阵雨。经过咨询，雷雨天气的发生即使在较好能见度的时候也会对机场地面航班的起飞和地面等待产生较大影响，因此本实施例定义算法的时候将雷雨天气的发生定义为每项能见度信息对地面等待时间影响程度的权重值Ri，具体权重值Ri定义如图6所示。

因此，具体天气指数算法为公式一：

注：如果能见度≥8000米，但是有雷雨的发生，这是Vi的值视为1。

步骤S220：基于所述航班交通数据，获得机场地面等待时间实际数据；

民航系统传统意义上所说的地面等待就是，在预测到航班到达机场、备降机场或者航路上发生拥堵情况时，对还未起飞的航班在其起飞机场实行地面等待程序，以此来降低空中等待的燃油消耗、经济损失和危险发生的可能性。这是一种主动的流量管理策略，可以提前预测，提前准备解决方案，不至于产生安全风险的时候被动处理。传统机场地面等待存在的意义主要有3个：一是减轻达到容量限制的机场和拥堵航路的阻塞情况；二是直接降低航空公司的运营成本；三是提升民航业运营的安全性和效率性。

本发明实例所用到的机场地面等待与以上所提到的传统意义上的地面等待程序在存在意义上都是为了提高空域系统和机场的运营效率性和安全性，为了降低航空公司的经济损失，故在意义上来讲，本发明实施例的机场地面等待和传统意义上的地面等待程序是几乎没有差别的。最终目标是以天气信息作为输入变量，最终输出值为具体的地面等待时间，而不是只得到是否启动地面等待程序。而且这里需要说明的还有，不一定要有地面等待程序的发生或者延误程序的发生才会有地面等待时间，地面等待时间几乎是所有航班都会产生的，只是其等待时间的大小有一定差别而已。

根据民航局文件-民航88号令《关于印发民航航班正常统计办法的通知》以及杭州萧山国际机场的运行规范，可以得到航班延误时间和地面等待时间的计算公式二及公式三为：

航班延误时间＝实际起飞时间—(计划关舱门时间+机场地面滑行时间)

地面等待时间＝下轮挡时间—实际关舱门时间

两者的单位皆以分钟计算。

注：(1)计划关舱门时间：航班时刻管理部门批准的离港时间。

(2)实际关舱门时间：飞行地面保障工作全部完成并关闭客货舱门，机组向空管部门申请推出或开车时间。

利用EXCEL统计软件计算每一个航班的地面等待时间，之后用一天的所有起飞航班地面等待时间的平均值来表示这一天的地面等待时间。

根据公式四：

其中，Xi为第i架航班的下轮档时间，Ci为第i架航班实际关舱门时间，m为一天的起飞统计的总航班数。

请参阅图7，利用EXCEL统计软件可以将一天的航班信息以是否发生延误分为两类，一类为发生延误的航班的地面等待时间，另一类为没有发生延误的地面等待时间。本发明实施例计算的地面等待时间分为三类，一是整天的平均地面等待时间GHT_D(综合延误和非延误航班的所有数据)；二是一天中所有发生延误航班的平均地面等待时间GHT_Y；三是一天中所有非延误航班的平均地面等待时间GHT_Z。为了使统计结果更加精确，地面等待时间以分钟为单位，计算结果保留3位小数。

请参阅图8，在EXCEL统计软件中利用公式三以及公式四，得到图8中有效11架次航班的平均地面等待时间为：

GHT＝(4+2+4+9+4+4+11+11+3+21+3)÷11＝6.909分钟

即所统计这11架有效航班的平均地面等待时间为6.909分钟。

统计结果，统计的地面等待时间分为三类，分别是GHT_D、GHT_Y和GHT_Z。请参阅图9，此为EXCEL统计的部分训练数据的情况。利用40％左右航班信息统计出的训练数据的一部分，在图9中，A列代表天气指数WI，B、C、D列的每一行数据分别表示与它所在行数的WI相对应的以日为单位计的平均地面等待时间的GHT_D、GHT_Y和GHT_Z。

请参阅图10，图10为本发明第一实施例提供的GHT_D的等待时间概率分布的示意图。图10表示利用航班信息的原始数据计算出的训练数据GHT_D(所有航班的日平均延误时间)的分布情况，由图10可以大致看出，表明所有航班的日平均延误时间大致呈现正态分布状(连续曲线表示)，其中所占比例最多的等待时间分布区间为18～20分钟。

请参阅图11，图11为本发明第一实施例提供的GHT_Y的等待时间概率分布的示意图。图11表示利用航班信息的原始数据计算出的训练数据GHT_Y(所有延误航班的日平均延误时间)的分布情况，由图11可以大致看出，所有延误航班的日平均延误时间也大致呈现正态分布状(连续曲线表示)，但是并不标准，其中所占比例最多的等待时间分布区间为22～24分钟，明显高于GHT_D。

请参阅图12，图12为本发明第一实施例提供的GHT_Z的等待时间概率分布的示意图。图12表示利用航班信息的原始数据计算出的训练数据GHT_Z(所有没有发生延误航班的日平均延误时间)的分布情况，由图12可以大致看出，所有没有发生延误航班的日平均延误时间也大致呈现正态分布状(连续曲线表示)，其中所占比例最多的等待时间分布区间为14～16分钟，明显低于GHT_D和GHT_Y。

步骤S230：所述环境指数数据包括环境指数训练数据，所述机场地面等待时间实际数据包括机场地面等待时间实际训练数据，对所述环境指数训练数据与所述机场地面等待时间实际训练数据进行相关性分析并根据相关性分析的结果，进行线性拟合，建立机场地面等待时间的预测模型；

当变量之间存在相关关系时，其关系并不一定会是因果关系，还有可能就只是伴随的关系；但是如果两变量存在因果关系，那么必然相关。相关的关系会有各种各样，会有很多不同的变现形式，但是不外乎下面这几种类型：强正相关关系、弱正相关关系、强负相关关系、弱负相关关系、非线性相关关系以及不相关关系。

相关系数是用来表述两个变量线性相关的密切程度和相关方向的，具体相关系数有下面3种，分别是：

Pearson(皮尔逊)：是两个连续型变量之间的相关系数；

Kendall的tau-b(肯德尔相关系数)：反应两个有序分类变量的一致性；

Spearman(斯皮尔曼)：是秩相关分析。

本实施例中采取的相关系数是Pearson皮尔逊相关系数，用字母R表示。假设是对变量X和Y进行观测，得到一组数据X_i和Y_i(i＝1,2,3…,n)，那么Rxy可以表示为公式五：

关于R的取值的意义为：0<Rxy<1表示y与x正相关；-1<Rxy<0表示y与x负相关；并且|Rxy|越接近于1，说明变量y和变量x之间的线性关系越显著。特殊情况，如果Rxy＝0，那么y和x之间没有线性相关关系，如果|Rxy|＝1，那么认为y和x之间完全线性相关。另外在0-1之间的其他值，y和x的线性相关关系请参阅图13，例如，如果计算得到Rxy＝0.4，那么可以说明变量y和变量x是低度正相关的关系；如果计算得到Rxy＝-0.85，那么可以说明变量y和x是高度负相关的关系。

显著性分析相伴概率P值的意义：专业上来说，P值为结果可信度的一个递减指标，P值越大，我们就越不能认为样本中变量的关联性是总体中各变量关联性的可靠指标。如果P＝0.05，那么就表示样本中变量关联有5％的可能性是由于偶然因性引起的。对二元相关分析为例，相关分析中原假设是“相关系数为零”。如果计算出的相伴概率低于事先给定的α值(在此为0.05)，就可以认为“相关系数为零”的可能性很低，即两个随机变量之间存在显著的相关关系。如果得到P的值大于0.05，则可以认为两个随机变量不存在显著相关的关系，或者理解为两个随机变量不相关。

本实施例利用SPSS软件依次利用之前得到的天气指数和地面等待时间的训练数据分析了天气指数WI和全部航班地面等待时间GHT_D的相关性、天气指数WI和延误航班地面等待时间GHT_Y的相关性以及天气指数WI和非延误航班地面等待时间GHT_Z的相关性。

请参阅图14，图14中显示的是将训练数据录入SPSS软件之后的初始界面，其中F1～F4列分别表示的是天气指数WI的训练数据、GHT_D的训练数据、GHT_Y的训练数据以及GHT_Z的训练数据。

请结合参阅图14和图15，描述的是随机变量F1项和随机变量F2项之间的相关性关系，即表示的是天气指数WI和所有航班的平均地面等待时间GHT_D的相关性关系。由图15可以得到：F1和F2的相关性统计Rxy的值为0.304，显著性水平为0.01，显著性分析相伴概率P的值为0.006<0.01。具体可以描述为：天气指数WI和所有航班的平均地面等待时间GHT_D在相关性分析中呈现显著的低度正相关关系，相关系数是0.304。

请结合参阅图14和图16，描述的是随机变量F1项和随机变量F3项之间的相关性关系，即表示的是天气指数WI和所有延误航班的平均地面等待时间GHT_Y的相关性关系。可以得到：F1和F3的相关性统计Rxy的值为0.357，显著性水平为0.01，显著性分析相伴概率P的值为0.001<0.01。具体可以描述为：天气指数WI和所有延误航班的平均地面等待时间GHT_Y在相关性分析中呈现显著的低度正相关关系，相关系数是0.357。

请结合参阅图14和图17，描述的是随机变量F1项和随机变量F4项之间的相关性关系，即表示的是天气指数WI和所有非延误航班的平均地面等待时间GHT_Z的相关性关系。可以得到：F1和F4的相关性统计Rxy的值为0.057，显著性水平为0.01，显著性分析相伴概率P的值为0.617远大于0.05。具体可以描述为：天气指数WI和所有非延误航班的平均地面等待时间GHT_Z在相关性分析中相关性系数为0.057，基本不相关，显著性分析结果显示这两个随机变量没有相关性。

在此说明，由于天气指数WI和所有非延误航班的平均地面等待时间GHT_Z在相关性分析中呈现的结果是没有相关性，故在此使用拟合工具MATLAB的时候不再考虑这两个随机变量的拟合函数关系。

请参阅图18，显示了天气指数WI和所有航班的平均地面等待时间GHT_D的线性拟合函数关系，从图18中可以看出，所有拟合所用训练数据呈点状分布在拟合曲线的周围，虽然看起来拟合度相对较低，但去掉一些误差点，大致呈现一个线性的正相关分布，这与之前利用SPSS软件得到的0.304的低度正相关的线性相关度也互相匹配。

根据MATLAB的拟合，得到的线性函数即公式六为：

GHT_D＝p1×WI+p2

根据给出结果，式中p1＝0.02232，p2＝17.73。

请参阅图19，显示了天气指数WI和所有延误航班的平均地面等待时间GHT_Y的线性拟合函数图样，可以看出，所有拟合所用训练数据呈点状分布在拟合曲线的周围，虽然看起来拟合度相对较低，但去掉一些误差点，大致呈现一个线性的正相关分布，这与本文之前利用SPSS软件得到的0.357的低度正相关的线性相关度也互相匹配。

根据MATLAB的拟合，得到的线性函数即公式七为：

GHT_Y＝p1×WI+p2

根据给出结果，式中p1＝0.04998，p2＝20.68。

步骤S240：所述环境数据包括环境指数校正数据，基于所述机场地面等待时间的预测模型以及所述环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值。

本实施例将利用之前原始数据处理后得到的检验数据组对公式六和公式七的正确度进行检验。

具体检验方法如下：将原始数据处理后的检验数据组中的天气指数WI定义为自变量(输入变量)输入公式六和公式七，将对应每一个WI值得到两个因变量值，即GHT_D和GHT_Y，同时我们的检验数据组中同样对应每一个天气指数WI值有一组GHT_D和GHT_Y值与之对应。我们分别用公式六合公式七八计算出来的GHT_D和GHT_Y值和检验数据组中原有的GHT_D和GHT_Y值进行相减得到每组值之间的差值的绝对值，用这些差值的绝对值进行概率分析，看会得到怎样的概率分布图，从而获得到不同规定要求时公式六和公式七的正确度分别是多少。

请参阅图20，显示的是利用校验数据的天气指数WI和公式六计算出来的GHT_D和用实际统计的航班信息利用公式四计算出来的GHT_D相减得到的差值的绝对值利用MATLAB的概率统计工具得到的概率分布图，图20是以1分钟为区间长度得到的图样。对图20进行分析，大致呈现正态分布(连续曲线表示)，有几个较大数值干扰。

请参阅图21，显示的整体信息与图20基本相同，同样是利用校验数据的天气指数WI和公式六计算出来的GHT_D和用实际统计的航班信息利用公式四计算出来的GHT_D相减得到的差值的绝对值利用MATLAB的概率统计工具得到的概率分布图，图21是以0.5分钟为区间长度得到的图样。对图20进行分析，大致呈现正态分布(连续曲线表示)，有几个较大数值干扰。

结合参阅图20和图21，可以对公式六的正确度进行分类理解，即要求不同时，公式六的正确度也不同，具体分类及正确度统计请参阅图22，D表示上文中提到的用公式六计算出的GHT_D值和实际的GHT_D值差值的绝对值，单位以分钟计。显示的结果是，公式六能在相差2.5分钟的时候正确度达到65％，相比于GHT_D大概20分钟上下浮动的实际值，也还是可以接受的。

请参阅图23，显示的是利用检测数据的天气指数WI和公式七计算出来的GHT_Y和用实际统计的航班信息利用公式七计算出来的GHT_Y相减得到的差值的绝对值利用MATLAB的概率统计工具得到的概率分布图，图23是以1分钟为区间长度得到的图样。对图23进行分析，大致呈现正态分布(连续曲线表示)，有几个较大数值干扰。

最后，决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。在机器学习中，决策树是一个预测模型，它代表的是对象属性和对象值之间的一种映射关系。

决策树分类方法首先要利用训练集建立决策树模型，然后根据这个决策树模型对输入数据进行分类。其中，关键问题在于决策树的构建过程，这一过程包括建树和剪枝两个步骤：第一个步骤为建树阶段，选取部分训练数据，按广度优先递归算法建立决策树，直到每个叶子结点属于同一类为止；第二个步骤为剪枝阶段，它是用剩余的数据对生成的决策树进行检验，将不正确的问题进行调整，对决策树进行剪枝和增加结点，直到建立一个正确的决策树。总而言之，决策树的构造过程是通过递归学习，最终得到一棵决策树，而剪枝则是为了降低噪声数据对分类正确率的影响。

熵(Entropy)：这是衡量一个随机变量取值的不确定程度的量值，通俗来讲，它的职责是测量信息的混乱程度。定义公式八为：

相比于上面的公式，更加正式一些的公式九为：

这里随机变量x的熵就是H(x)，它是衡量随机变量取值的不确定性的度量。

信息增益(Information Gain)：它是衡量不同随机变量的特征能够为分类系统带来多少信息来进行各类不同随机变量重要程度的度量。说的简明一些就是它是熵的上级单位，它衡量不同随机变量对分类结果的影响程度，信息增益越大，说明它对分类结果提供的信息量越大，就是影响程度越大，那么这个随机变量就在决策树的更高级结点。定义公式十为：

Gain(Sample,Action)＝E(Sample)-∑(|Sample(v)|÷Sample×E(Sample(v)))

要确定不同变量在决策树中所处的叶节点等级，那么首先要确定都有哪几类变量会对决策树的分类产生一定程度的影响。经分析，本文研究内容中会对决策树地面等待时间分类产生一定影响的随机变量有如下两种：雷雨(x1)以及航班是否延误(x2)。

确定了会产生影响的随机变量之后，接下来就要确定每种随机变量的熵和信息增益，来根据它们影响程度的不同确定各个随机变量在决策树构建中的所在位置。

首先是熵的计算：

H(x1)＝-(62/80)*log2(62/80)-(18/80)*log2(18/80)＝0.769

H(x2)＝-(80/80)*log2(80/80)-(80/80)*log2(80/80)＝0

其中，熵的值越小。即是对样本分类的期望信息。熵值越小，划分的纯度越高，对样本分类的不确定性越低。也就是说，航班是否延误不论怎样，对得到分类结果是没有影响的，即航班是否延误都一定会有明确的分类结果。

对于信息增益的计算，计算方法及意义已经在之前表述，由于本实施例分类形式并不需要计算信息增益，故在此不再赘述。

由此可得，其实可以看出，只有雷雨天气信息分类时会对最终分类结果产生不确定的影响，而我们另外两个变量能见度和航班是否延误则是确定分类。

在此说明，由于决策树模型相比较页面大小而言比较“庞大”。于是发明实施例分为三棵决策树来绘制，如图24-26所示，其中图25第二棵树和图26第三棵树是图24第一棵树的分支。请结合参照图24和图25，图25绘制的是接着图24天气项下面的决策树结点。它显示出天气项下，还有很多其他的影响因素，本发明实施例仅就能见度和雷雨项进行了定量研究，得到了公式六和公式七的线性结果。但图24可以有另外一种画法，就是取消延误项的结点影响，直接由天气指数WI项开始向下一一对应公式六，由此得到的结果就是所有航班的地面等待时间由公式六计算出的预测结果。

请结合参阅图24和图26，图26绘制的是接着图24其他影响因素下的决策树结点的一部分。树根据民航局88号令文件绘制，它显示出的信息是，除了天气项对航班地面等待时间的影响之外还有很多很多对地面等待时间影响的因素，包括航空公司原因、流量、军事活动、空管、机场、联检、油料、离港系统、旅客、公共安全等因素，每种因素又可以下划分很多具体影响项。这些因素也是对航班地面等待时间影响的重要项，但不在本文的研究范围之内，在此不再赘述。

通过决策树的建立，综合分析了影响航班地面等待时间的具体因素项，同时对利用天气指数对航班地面等待时间做出预测绘制了一个比较清楚的决策树模型(图24)并针对其做了一定分析。

本发明实施例提供了一种机场地面等待等待时间预测方法，所述方法包括：获取选定机场在预设的时间段内的环境数据以及与所述环境数据对应的航班交通数据；基于所述环境数据以及预设的指数计算数据规则，获得环境指数数据；基于所述航班交通数据，获得机场地面等待时间实际数据；所述环境指数数据包括环境指数训练数据，所述机场地面等待时间实际数据包括机场地面等待时间实际训练数据，对所述环境指数训练数据与所述机场地面等待时间实际训练数据进行相关性分析并根据相关性分析的结果，进行线性拟合，建立机场地面等待时间的预测模型；所述环境数据包括环境指数校正数据，基于所述机场地面等待时间的预测模型以及所述环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值，从而提前预测出机场地面等待时间，避免空中交通阻塞问题。

第二实施例

请参阅图27，本发明实施例提供了一种机场地面等待时间预测装置300，所述装置300包括：

原始数据获取单元310，用于获取选定机场在预设的时间段内的环境数据以及与所述环境数据对应的航班交通数据；

环境指数数据获取单元320，用于基于所述环境数据以及预设的指数计算数据规则，获得环境指数数据；

环境指数数据获取单元320，具体地用于根据所述能见度数据以及预设的能见度分类规则，获得能见度权重Vi；根据所述雷雨数据以及预设的雷雨分类规则，获得雷雨权重Ri；基于

获得所述环境指数数据WI。

机场等待时间数据获取单元330，用于基于所述航班交通数据，获得机场地面等待时间实际数据；

机场等待时间数据获取单元330，具体地用于所述航班交通数据包括航班的下轮档时间，航班实际关舱门时间，一天的起飞统计的总航班数，根据

获得一天的平均机场地面等待时间实际数据GHT，其中，Xi为第i架航班的下轮档时间，Ci为第i架航班实际关舱门时间，m为一天的起飞统计的总航班数。

预测模型建立单元340，用于所述环境指数数据包括环境指数训练数据，所述机场地面等待时间实际数据包括机场地面等待时间实际训练数据，对所述环境指数训练数据与所述机场地面等待时间实际训练数据进行相关性分析并根据相关性分析的结果，进行线性拟合，建立机场地面等待时间的预测模型；

预测值获取单元350，用于所述环境数据包括环境指数校正数据，基于所述机场地面等待时间的预测模型以及所述环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值。

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。

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)

1.一种机场地面等待时间预测方法，其特征在于，所述方法包括：

获取选定机场在预设的时间段内的环境数据以及与所述环境数据对应的航班交通数据；

基于所述环境数据以及预设的指数计算数据规则，获得环境指数数据；

基于所述航班交通数据，获得机场地面等待时间实际数据；

所述环境指数数据包括环境指数训练数据，所述机场地面等待时间实际数据包括机场地面等待时间实际训练数据，对所述环境指数训练数据与所述机场地面等待时间实际训练数据进行相关性分析并根据相关性分析的结果，进行线性拟合，建立机场地面等待时间的预测模型；

所述环境数据包括环境指数校正数据，基于所述机场地面等待时间的预测模型以及所述环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值；

所述环境数据包括能见度数据和雷雨数据，所述基于所述环境数据以及预设的指数计算数据规则，获得环境指数数据，包括：

根据所述能见度数据以及预设的能见度分类规则，获得能见度权重Vi；

根据所述雷雨数据以及预设的雷雨分类规则，获得雷雨权重Ri；

基于

n≤48，获得所述环境指数数据WI。

2.根据权利要求1所述的方法，其特征在于，所述基于所述航班交通数据，获得机场地面等待时间实际数据，包括：

所述航班交通数据包括航班的下轮档时间，航班实际关舱门时间，一天的起飞统计的总航班数，根据

获得一天的平均机场地面等待时间实际数据GHT，其中，Xi为第i架航班的下轮档时间，Ci为第i架航班实际关舱门时间，m为一天的起飞统计的总航班数。

3.根据权利要求1所述的方法，其特征在于，所述环境指数数据包括环境指数训练数据，所述机场地面等待时间实际数据包括机场地面等待时间实际训练数据，对所述环境指数训练数据与所述机场地面等待时间实际训练数据进行相关性分析并根据相关性分析的结果，进行线性拟合，建立机场地面等待时间的预测模型，包括：

对所述环境指数训练数据与所述机场地面等待时间实际训练数据进行相关性分析，并根据有相关性的结果，基于机场地面等待时间实际训练数据＝p1×环境指数训练数据+p2，计算出p1和p2的数值，从而建立已知p1和p2的机场地面等待时间的预测模型。

4.根据权利要求3所述的方法，其特征在于，所述环境数据包括环境指数校正数据，基于所述机场地面等待时间的预测模型以及所述环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值，包括：

基于环境指数校正数据的机场地面等待时间预测值＝p1×环境指数校正数据+p2，获得所述环境指数校正数据的机场地面等待时间预测值。

5.根据权利要求1所述的方法，其特征在于，所述机场地面等待时间实际数据包括机场地面等待时间实际校正数据，在所述环境数据包括环境指数校正数据，基于所述机场地面等待时间的预测模型以及所述环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值的步骤之后，所述方法还包括：

基于所述机场地面等待时间实际校正数据与机场地面等待时间预测值之间的差值的绝对值，进行概率分析，并根据概率分析的结果统计所述机场地面等待时间预测值的正确度。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

以所述环境数据作为根节点，以所述机场地面等待时间预测值为叶节点，建立决策树，获得机场地面等待时间预测值。

7.一种机场地面等待时间预测装置，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预设的时间段内的环境数据以及与所述环境数据对应的航班交通数据；

环境指数数据获取单元，用于基于所述环境数据以及预设的指数计算数据规则，获得环境指数数据；

机场等待时间数据获取单元，用于基于所述航班交通数据，获得机场地面等待时间实际数据；

预测模型建立单元，用于所述环境指数数据包括环境指数训练数据，所述机场地面等待时间实际数据包括机场地面等待时间实际训练数据，对所述环境指数训练数据与所述机场地面等待时间实际训练数据进行相关性分析并根据相关性分析的结果，进行线性拟合，建立机场地面等待时间的预测模型；

预测值获取单元，用于所述环境数据包括环境指数校正数据，基于所述机场地面等待时间的预测模型以及所述环境指数校正数据，获得所述环境指数校正数据的机场地面等待时间预测值；

所述环境数据包括能见度数据和雷雨数据，所述环境指数数据获取单元，用于根据所述能见度数据以及预设的能见度分类规则，获得能见度权重Vi；根据所述雷雨数据以及预设的雷雨分类规则，获得雷雨权重Ri；基于

n≤48，获得所述环境指数数据WI。

8.根据权利要求7所述的装置，其特征在于，所述机场等待时间数据获取单元，用于所述航班交通数据包括航班的下轮档时间，航班实际关舱门时间，一天的起飞统计的总航班数，根据

获得一天的平均机场地面等待时间实际数据GHT，其中，Xi为第i架航班的下轮档时间，Ci为第i架航班实际关舱门时间，m为一天的起飞统计的总航班数。

Images