CN107818382B - 航班到达时间预测方法 - Google Patents

航班到达时间预测方法 Download PDF

Info

Publication number
CN107818382B
CN107818382B CN201711022408.9A CN201711022408A CN107818382B CN 107818382 B CN107818382 B CN 107818382B CN 201711022408 A CN201711022408 A CN 201711022408A CN 107818382 B CN107818382 B CN 107818382B
Authority
CN
China
Prior art keywords
data
flight
characteristic data
historical
arrival time
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
Application number
CN201711022408.9A
Other languages
English (en)
Other versions
CN107818382A (zh
Inventor
陈晓宇
权桁
王殿胜
薄满辉
唐红武
刘昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Travelsky Mobile Technology Co Ltd
Original Assignee
China Travelsky Mobile Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Travelsky Mobile Technology Co Ltd filed Critical China Travelsky Mobile Technology Co Ltd
Priority to CN201711022408.9A priority Critical patent/CN107818382B/zh
Publication of CN107818382A publication Critical patent/CN107818382A/zh
Application granted granted Critical
Publication of CN107818382B publication Critical patent/CN107818382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G06Q50/40—

Abstract

本发明提供了一种航班到达时间预测方法。该方法包括：获取历史数据，并对历史数据进行预处理，得到特征数据，其中，特征数据包括：天气特征数据、航班历史飞行特征数据和位置特征数据；将特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型；通过随机森林模型对待预测航班的特征数据进行分类，并对分类得到的结果进行投票，投票数最高的结果即为待预测航班的预测到达时间。通过本发明，解决了航班预计到达时间不准确的问题，提高了航班预计到达时间预测的准确性。

Description

航班到达时间预测方法
技术领域
本发明涉及民航信息数据处理领域，具体而言，涉及一种航班到达时间预测方法。
背景技术
术语解释
ADS-B：即广播式自动相关监视，本发明实施例中航班的空中位置信息的数据来源。
云组：云量云高以“NNNhhh”的形式报告，其中“NNN”为云量，“hhh”为云高。云量按八分量进行观测，即把天空分成八等分，看天空被遮住几分，云量就是八分之几。按照《国际航空气象电码》规定，对云量，按FEW(1-2)、SCT(3-4)、BKN(5-7)、OVC(8)进行报告；对云高，3000米以下，以30米(100英尺)为单位，3000米以上，以300米(1000英尺)为单位编报；对云状，只报告积雨云(CB)和浓积云(TCU)。如FEW010CB。当天空无云，且垂直能见度较好，而又不适合用CAVOK(例如，天空无云，能见度小于10000米)时，云组用SKC代替。
随机森林：在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而“Random Forests”是他们的商标。这个术语是1995年由贝尔实验室的TinKam Ho所提出的随机决策森林(random decision forests)而来的。这个方法则是结合Breimans的“Bootstrap aggregating”想法和Ho的“random subspace method”以建造决策树的集合。
随着中国经济的发展，航空旅客运输量每年都在增加，机场需要保障的航班越来越多。在机场硬件设备和人力相对固定的情况下，由于航班预计到达时间的误差，势必会导致机场对工作人员和车辆的调配问题。另一方面，各大城市的机场普遍在郊区，接机人员需要根据航班预计到达时间，调整自己的接机计划。对于这样的需求，目前国内的各种航班信息查询平台都不能提供类似的精确查询服务。
现有两种方式对航班的到达时间进行预估，一种是通过航班的历史统计数据进行预估。这种方法通过对相同航线、相同机型的航班历史数据进行统计，某航线该机型的历史实际平均飞行时长＝(航班的实际到达时间-航班实际起飞时间)/统计天数。在本次航班实际起飞后，用实际起飞时间加上历史实际平均飞行时长得到本次航班的预计到达时间。这种方法有两点问题：一是历史平均情况难以准确预估本次飞行，特别是在天气恶劣的情况下，航班可能会需要绕行盘旋。二是对于较长航线，即使航班正常飞行，飞行时长的差距也会较大，比如首都机场到乌鲁木齐机场的航线，不同日期飞行时长的差别在三十分钟以上。
第二种是根据到达机场的地面雷达进行预估，机场工作人员通过观察雷达图，当飞机进入雷达监控范围内，根据历史经验预估航班落地时间。这种方式虽然能较准确的预估航班的到达时间，但是受限于设备的监控范围，往往只能在航班实际落地前三十分钟左右才能做出预估。
对机场后勤保障工作和接机人员来说，上面这两种方式都不能较好的解决如何在航班实际到达前较早的时间范围内，精确的预估出航班的到达时间的问题。
发明内容
本发明提供了一种航班到达时间预测方法，以至少解决相关技术中航班预计到达时间不准确的问题。
根据本发明的一个方面，提供了一种航班到达时间预测方法，包括：
获取历史数据，并对所述历史数据进行预处理，得到特征数据，其中，所述特征数据包括：天气特征数据、航班历史飞行特征数据和位置特征数据；
将所述特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型；
通过所述随机森林模型对待预测航班的特征数据进行分类，并对分类得到的结果进行投票，投票数最高的结果即为所述待预测航班的预测到达时间。
可选地，对所述历史数据进行预处理包括：
清除所述历史数据中的噪点数据，并使用默认值替换对所述历史数据中部分缺失的数据；
抽取经过处理的所述历史数据的特征，得到所述特征数据。
可选地，抽取经过处理的所述历史数据的特征，得到所述特征数据包括：
对所述历史数据中的天气类别描述数据、能见度数据、风速数据、云组数据和温度数据进行独热one-hot编码，得到天气特征数据；和/或
将所述历史数据中的经纬度数据、飞行高度数据、飞行方向数据和飞行速度数据转换成位置标识变量，得到位置特征数据；和/或
根据所述历史数据中的航班基本信息，计算对应于航班位置的航班历史飞行特征数据，所述航班历史飞行特征数据包括：计划飞行时长均值及中位数、按航司分组的实际飞行时长均值及中位数、按航线分组的实际飞行时长均值及中位数、按天气类别分组的实际飞行时长及中位数。
可选地，将所述特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型包括：
将由所述特征数据构成的特征矩阵进行向量化处理；
将向量化处理后的所述特征数据随机划分为训练集和测试集；
使用所述训练集和所述测试集调试并确定所述随机森林模型的模型参数，所述模型参数包括：最大树深、树的数量。
可选地，在将所述特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型之后，所述方法还包括：
调整所述随机森林模型的模型参数，以优化所述随机森林模型的预测准确率和/或性能。
通过本发明，采用获取历史数据，并对历史数据进行预处理，得到特征数据，其中，特征数据包括：天气特征数据、航班历史飞行特征数据和位置特征数据；将特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型；通过随机森林模型对待预测航班的特征数据进行分类，并对分类得到的结果进行投票，投票数最高的结果即为待预测航班的预测到达时间的方式，解决了航班预计到达时间不准确的问题，提高了航班预计到达时间预测的准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的航班到达时间预测方法的流程图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种航班到达时间预测方法，图1是根据本发明实施例的航班到达时间预测方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取历史数据，并对历史数据进行预处理，得到特征数据，其中，特征数据包括：天气特征数据、航班历史飞行特征数据和位置特征数据；
步骤S102，将特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型；
步骤S103，通过随机森林模型对待预测航班的特征数据进行分类，并对分类得到的结果进行投票，投票数最高的结果即为待预测航班的预测到达时间。
通过上述的步骤，使用航班飞行相关的天气特征数据、航班历史飞行特征数据和位置特征数据在内的特征数据以及每条特征数据对应的航班实际到达时间作为原始数据，训练随机森林模型；进而通过训练得到的随机森林模型对航班的预测到达时间进行预测，从而解决了航班预计到达时间不准确的问题，提高了航班预计到达时间预测的准确性。由于随机森林模型可以不断采用新增的历史数据进行调整和优化，从而使得预测到达时间与实际到达时间越来越趋近，使得预测准确率不断提升。
可选地，在步骤S101中，对历史数据进行预处理包括：清除历史数据中的噪点数据，并使用默认值替换对历史数据中部分缺失的数据；以及抽取经过上述处理的历史数据的特征，得到特征数据。去除噪点数据并采用默认值补齐历史数据中部分缺失的数据能够提高预测结果的准确性。
可选地，在本实施例中，根据历史数据的不同类型来抽取经过处理的历史数据的特征，得到特征数据。例如，对历史数据中的天气类别描述数据、能见度数据、风速数据、云组数据和温度数据进行独热one-hot编码，得到天气特征数据；将历史数据中的经纬度数据、飞行高度数据、飞行方向数据和飞行速度数据转换成位置标识变量，得到位置特征数据；根据历史数据中的航班基本信息，计算对应于航班位置的航班历史飞行特征数据，航班历史飞行特征数据包括：计划飞行时长均值及中位数、按航司分组的实际飞行时长均值及中位数、按航线分组的实际飞行时长均值及中位数、按天气类别分组的实际飞行时长及中位数。
可选地，在步骤S102中，将特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型包括：将由特征数据构成的特征矩阵进行向量化处理；将向量化处理后的特征数据随机划分为训练集和测试集；使用训练集和测试集调试并确定随机森林模型的模型参数，模型参数包括：最大树深、树的数量。
可选地，为了使得预测结果更加准确，可以在将特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型之后，进一步调整随机森林模型的模型参数，以优化随机森林模型的预测准确率和/或性能。模型调优主要是对特征进行筛选以及对模型的参数进行调整。依据训练模型后得到的变量重要性排序去除没有贡献的特征，使主要特征更加显著。另外，随机森林模型主要参数包括树的深度、树的数量、以及不纯度指标等，其中预测飞行时长属于回归问题，所以不纯度指标选取为残差，树的深度和树的数量两个指标有多种组合，需要对训练数据进行交叉检验来选取效果最好的参数组合，最终达到模型调优的效果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
本发明的实施例还提供了一种软件，该软件用于执行上述实施例及优选实施方式中描述的技术方案。
本发明的实施例还提供了一种存储介质。在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
步骤S101，获取历史数据，并对历史数据进行预处理，得到特征数据，其中，特征数据包括：天气特征数据、航班历史飞行特征数据和位置特征数据；
步骤S102，将特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型；
步骤S103，通过随机森林模型对待预测航班的特征数据进行分类，并对分类得到的结果进行投票，投票数最高的结果即为待预测航班的预测到达时间。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
为了使本发明实施例的描述更加清楚，下面结合优选实施例进行描述和说明。
为了解决航班预测到达时间准确性低的问题，在本优选实施例中提出了一种基于飞行轨迹和航班统计信息的航班到达时间预测方法。采用本优选实施例提供的航班到达时间预测方法，可以在航班实际落地前一小时能保证预估的到达时间和最终实际到达时间误差在较小的范围之内，为机场地面保障工作和接机人员提供充足的准备时间。
本发明实施例提供的航班到达时间预测方法包括如下步骤：
步骤1，准备训练数据
训练数据，即历史数据，包括以下的数据类型：
天气信息，包括机场实时天气和机场预报天气。具体信息包括风速、能见度、温度、天气描述、云组。
航班基本信息：计划起飞时间、计划到达时间、航班实际起飞时间、航班实际落地时间、出发机场三字码、到达机场三字码、航空公司、机型、到达机场的经度、纬度、海拔信息。
航班位置信息：经度、纬度、高度、方向、速度
考虑到离当前时间越近，相关性越强，在本发明优选实施例中选取最近三个月的数据，用来预测当前数据。
在选取数据量充分的情况下，在本步骤中，还可以进一步对数据中的噪点数据进行清理，对缺失的数据使用默认值代替。
步骤2，抽取特征
本发明优选实施例中选取的特征包括天气特征、航班历史飞行特征以及位置特征三部分。天气特征包括经过One-hot处理的天气类别描述、能见度、温度；位置特征通过计算转化为一个位置标识变量，对应该位置产生航班特征包括计划飞行时长均值及中位数、按航司分组的实际飞行时长均值及中位数、按航线分组的实际飞行时长均值及中位数、按照天气类别分组的实际飞行时长及中位数。
步骤3，训练模型
本发明优选实施例采用随机森林模型进行航班到达时间的预测，将步骤2形成的特征矩阵进行向量化处理，随机按一定比例划分训练集以及测试集，经不断调试确定随机森林模型的最大树深度、树的数量等参数。
步骤4，优化模型
本发明优选实施例对于模型的优化包括预测准确率优化以及模型性能优化。为预测准确率需要进行交叉检验，调整模型参数使之达到最优并具有较强的泛化能力；性能优化主要是通过对模型的输入以及参数进行调节尽量缩短训练时长。经过优化后的模型对于航班到达时间的预测准确率有了一定的提升，提前一小时预测误差可控制在正负8分钟内，提前半小时预测误差在4.5分钟内的样本量可达99％。
本发明优选实施例提供的航班到达时间预测方法与基于历史统计数据的方法相比，预测误差明显降低；与基于到达机场雷达的方法相比，预测时间明显提前。
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。

Claims (3)

1.一种航班到达时间预测方法，其特征在于，包括：
获取历史数据，并对所述历史数据进行预处理，得到特征数据，其中，所述特征数据包括：天气特征数据、航班历史飞行特征数据和位置特征数据；
将所述特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型；
通过所述随机森林模型对待预测航班的特征数据进行分类，并对分类得到的结果进行投票，投票数最高的结果即为所述待预测航班的预测到达时间；
对所述历史数据进行预处理包括：
清除所述历史数据中的噪点数据，并使用默认值替换对所述历史数据中部分缺失的数据；
抽取经过处理的所述历史数据的特征，得到所述特征数据，包括：
对所述历史数据中的天气类别描述数据、能见度数据、风速数据、云组数据和温度数据进行独热one-hot编码，得到天气特征数据；和/或
将所述历史数据中的经纬度数据、飞行高度数据、飞行方向数据和飞行速度数据转换成位置标识变量，得到位置特征数据；和/或
根据所述历史数据中的航班基本信息，计算对应于航班位置的航班历史飞行特征数据，所述航班历史飞行特征数据包括：计划飞行时长均值及中位数、按航司分组的实际飞行时长均值及中位数、按航线分组的实际飞行时长均值及中位数、按天气类别分组的实际飞行时长及中位数。
2.根据权利要求1所述的方法，其特征在于，将所述特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型包括：
将由所述特征数据构成的特征矩阵进行向量化处理；
将向量化处理后的所述特征数据随机划分为训练集和测试集；
使用所述训练集和所述测试集调试并确定所述随机森林模型的模型参数，所述模型参数包括：最大树深、树的数量。
3.根据权利要求1所述的方法，其特征在于，在将所述特征数据以及每条特征数据对应的航班实际到达时间作为原始数据训练随机森林模型之后，所述方法还包括：
调整所述随机森林模型的模型参数，以优化所述随机森林模型的预测准确率和/或性能。
CN201711022408.9A 2017-10-27 2017-10-27 航班到达时间预测方法 Active CN107818382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711022408.9A CN107818382B (zh) 2017-10-27 2017-10-27 航班到达时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711022408.9A CN107818382B (zh) 2017-10-27 2017-10-27 航班到达时间预测方法

Publications (2)

Publication Number Publication Date
CN107818382A CN107818382A (zh) 2018-03-20
CN107818382B true CN107818382B (zh) 2021-01-05

Family

ID=61603109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711022408.9A Active CN107818382B (zh) 2017-10-27 2017-10-27 航班到达时间预测方法

Country Status (1)

Country Link
CN (1) CN107818382B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
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
CN109598373A (zh) * 2018-11-21 2019-04-09 青岛民航凯亚系统集成有限公司 一种基于ads-b数据的用于预测航班到达时间的预处理方法
CN109492334B (zh) * 2018-12-11 2023-12-22 青岛心中有数科技有限公司 航班延误的模型建立方法、预测方法及装置
CN110570693B (zh) * 2019-10-24 2020-08-07 南京航空航天大学 一种基于可靠性的航班运行时间预测方法
CN111860906B (zh) * 2020-04-24 2024-04-26 北京嘀嘀无限科技发展有限公司 一种确定预估到达时间的方法和系统
CN112862171B (zh) * 2021-01-29 2022-05-27 北京航空航天大学 一种基于时空神经网络的航班到达时间预测方法
CN113298286A (zh) * 2021-03-31 2021-08-24 捷佳润科技集团股份有限公司 一种基于机器学习的火龙果上市时间预测的方法
CN112836905B (zh) * 2021-04-22 2021-08-03 中航信移动科技有限公司 航班事件发生时间预测方法、装置、设备及存储介质
CN113807579A (zh) * 2021-09-02 2021-12-17 南京航空航天大学 一种基于机器学习的航班抵港延误时间预测方法
CN114254840B (zh) * 2022-03-02 2022-06-03 中航信移动科技有限公司 一种数据处理方法、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7542852B1 (en) * 2005-01-25 2009-06-02 Weather Channel Inc Derivation and production of high-resolution, very short-term weather forecasts
EP3214406A1 (en) * 2016-03-04 2017-09-06 Volvo Car Corporation Method and system for utilizing a trip history

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217605B (zh) * 2013-05-31 2017-05-10 张伟伟 一种公交车到站时间测算方法和装置
CN105427194A (zh) * 2015-12-21 2016-03-23 西安美林数据技术股份有限公司 一种基于随机森林回归的售电量预测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7542852B1 (en) * 2005-01-25 2009-06-02 Weather Channel Inc Derivation and production of high-resolution, very short-term weather forecasts
EP3214406A1 (en) * 2016-03-04 2017-09-06 Volvo Car Corporation Method and system for utilizing a trip history

Also Published As

Publication number Publication date
CN107818382A (zh) 2018-03-20

Similar Documents

Publication Publication Date Title
CN107818382B (zh) 航班到达时间预测方法
US11635545B2 (en) Real-time weather forecasting for transportation systems
WO2020240177A1 (en) System and method for flight arrival time prediction
CN110675007A (zh) 航班延误预测方法、装置及计算机存储介质
WO2019126707A1 (en) Improved real-time weather forecasting system
Kern et al. Data-driven aircraft estimated time of arrival prediction
CN110570693B (zh) 一种基于可靠性的航班运行时间预测方法
Grabbe et al. Clustering days with similar airport weather conditions
CN110633875A (zh) 航路流量预测方法、装置及计算机存储介质
CN110796315B (zh) 基于时效信息和深度学习的离港航班延误预测方法
KR20230159604A (ko) 항공편의 시즌별 분류 예측 방법 및 기구, 및 기계 판독가능 매체
Chatterji et al. National airspace system delay estimation using weather weighted traffic counts
CN113706931B (zh) 空域的流控策略推荐方法、装置、电子设备及存储介质
Klüver et al. A self-enforcing neural network as decision support system for air traffic control based on probabilistic weather forecasts
CN113284369B (zh) 一种基于ads-b实测航路数据的预测方法
CN112215416B (zh) 智能规划巡检航线系统及方法
Pretto et al. Web data for computing real-world noise from civil aviation
Hrastovec et al. Machine learning model for aircraft performances
Behere A reduced order modeling methodology for the parametric estimation and optimization of aviation noise
Bardach et al. Predicting flight delay risk using a random forest classifier based on air traffic scenarios and environmental conditions
Ying et al. Terminal Traffic Flow Prediction Method Under Convective Weather Using Deep Learning Approaches.
Meijers Data-driven predictive analytics of runway occupancy time for improved capacity at airports
Hluchý et al. Prediction of significant meteorological phenomena using advanced data Mining and integration methods
Šimić et al. Airport delay prediction using machine learning regression models as a tool for decision making process
Altinok et al. Modeling key predictors of airport runway configurations using learning algorithms

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