CN108090613A - 一种进近管制扇区管制员工作负荷预测方法 - Google Patents
一种进近管制扇区管制员工作负荷预测方法 Download PDFInfo
- Publication number
- CN108090613A CN108090613A CN201711362363.XA CN201711362363A CN108090613A CN 108090613 A CN108090613 A CN 108090613A CN 201711362363 A CN201711362363 A CN 201711362363A CN 108090613 A CN108090613 A CN 108090613A
- Authority
- CN
- China
- Prior art keywords
- sector
- atc controller
- controller workload
- approach control
- forecasting methodology
- 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.)
- Pending
Links
- 238000013459 approach Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种进近管制扇区管制员工作负荷预测方法，首先，建立评估进近管制扇区管制员工作负荷的扇区复杂性指标；其次，采集扇区复杂性指标数据及管制员工作负荷自评估值；最后，建立基于PA与PCA的BP神经网络算法的管制员工作负荷模型，得出预测结果。采用本发明可及时评估管制员工作负荷水平，为扇区中的航空器安全、高效、有序运行提供有力支撑，且预测准确性和精确性更高。
Description
技术领域
本发明涉及一种进近管制扇区管制员工作负荷预测方法。
背景技术
随着中国民航运输业蓬勃发展，飞行量不断攀升，导致管制扇区出现饱和甚至超饱和的状态。管制员的工作是保证航空安全、高效、有序运行的重要环节之一，随着扇区交通流量已经越来越逼近管制员的负荷极限，且接近负荷极限的持续时间越来越长，管制员可能无法精确应对每一架航空器的交通态势和判断潜在冲突，发生管制中“错、忘、漏”事件，这对扇区中航空器的安全飞行及其不利的，甚至对航空安全造成极大隐患。由于管制工作负荷不能被直接观测，所以发明一种能够及时、准确预测管制员工作负荷的方法非常必要。
现有的进近管制员工作负荷预测方法主要有主成分分析算法和支持向量机算法；基于主成分分析法的回归算法先将扇区中复杂性指标降维，找出对管制员工作负荷最大的几个成分，随后建立这几个主要成分与管制员负荷的回归模型，从而预测管制员的工作负荷值；支持向量机方法是将数据投影到一个高维空间来建立一个超平面作为决策曲面对非线性数据进行高维映射，将非线性问题转化为线性问题来解决。但这两种算法都有缺点，基于主成分分析方法的回归模型中将个别指标剔除之后会造成对管制员工作负荷反映不全面的问题，虽然简化了指标，但是也削弱了指标对管制员工作反映的全面程度；支持向量机算法通过借助二次规划来求解支持向量，对大规模训练样本难以实施，样本数据量偏少，与通过大量数据样本减小管制员工作负荷预测误差的实验初衷违背，所以支持向量机算法求得的小样本数据预测值会与实际值误差较大。
发明内容
发明目的：本发明提供一种预测结果更准确、精确的进近管制扇区管制员工作负荷预测方法，能够动态预测管制员的工作负荷量的变化情况，为管理层作出及时、有效的调整决策提供支持，从而保障扇区内每架航班的安全运行。
技术方案：本发明公开了一种进近管制扇区管制员工作负荷预测方法，具体包括以下步骤：
(1)建立评估进近管制扇区管制员工作负荷的扇区复杂性指标；
(2)采集扇区复杂性指标数据及管制员工作负荷自评估值；
(3)建立基于PA与PCA的BP神经网络算法的管制员工作负荷模型。
其中，步骤(1)中所述复杂性指标主要包括：扇区内航空器数量、航空器数量峰值、移交航空器数量、上升航空器数量、下降航空器数量、冲突航空器数量、航向改变次数、高度改变次数、速度改变次数、进场路径数量、离场路径数量、飞越路径数量、扇区内路径数量、共用进离点数量、扇区边界长、扇区水平面积。
确定管制员工作负荷自评估值取值范围及每个值的含义。
所述步骤(3)包括以下步骤：
(31)运用PA与PCA算法将动态指标转化为新的主成分；
(32)设置初始权重、确定输入层节点数、输出层节点数、隐含层层数、每层节点数、训练次数及训练误差；
(33)确定传递函数、训练函数、学习函数及性能分析函数；
(34)采用MATLAB编程软件运行该模型，得出预测结果。
有益效果：与现有技术相比，本发明的有益效果：1、及时评估管制员工作负荷水平，为扇区中的航空器安全、高效、有序运行提供有力支撑；(2)相对于现有的预测方法，预测结果准确性和精确性更高。
附图说明
图1为本发明流程框图；
图2为进近扇区结构图；
图3为BP神经网络训练结果图；
图4为BP神经网络预测值与实际值对比图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式。
图1为本发明的流程图，首先，建立评估进近管制扇区管制员工作负荷的扇区复杂性指标。分为动态指标和静态指标，选取的动态指标有9个，分别为：扇区内航空器数量、航空器数量峰值、移交航空器数量、上升航空器数量、下降航空器数量、冲突航空器数量、航向改变次数、高度改变次数、速度改变次数；静态指标有7个，分别为：进场路径数量、离场路径数量、飞越路径数量、扇区内路径数量、共用进离点数量、扇区边界长、扇区水平面积。
其次，采集16个扇区复杂性指标数据，并记录管制员工作负荷自评估值作为实际值，取值范围[1,10]，每个值的含义如表1所示，管制员根据表中数值的含义来评估出自己的工作负荷等级。
表1 ATWIT测量表
选取实验人员20人，10人为正班，10人为副班，正班的任务是发布管制指令，副班的任务是监督正班人员的指令正确与否和记录正班的自评估负荷值。正班10人中每一人进行30分钟的管制模拟实验，每3分钟采集一次数据，每人做10组数据，随后正副班进行调换，正班6人进行管制实验，其中2人为一般管制任务，其他4人为特殊情况情景管制任务；两次实验共采集160组数据，其中120组数据是一般情景管制任务产生，40组数据是特殊情况情景管制任务产生，用来检测模型在非正常情况下预测的准确性。管制模拟实验所使用的进近管制扇区为南京莱斯公司所开发的实验平台，模拟场景为武汉进近扇区，设定扇区垂直范围高度0-5400m，管制员配备飞机高度(层)范围1200m-5400m，扇区由八个边界点连接构成：A1(31.15’52”N 113.41’13”E)、A2(31.21’33”N 114.58’22”E)、A3(29.52’58”N114.17’04”E)、HOK(31.21’33”N 114.58’22‘’E)、XSH(30.26’09”N 115.16’27”E)、WTM(30.38’14”N 113.08’27”E)、GUGAM(30.13’03”N 113.11’19”E)、LKO(29.54’10”N 114.41’29”E)，其中HOK、XSH、WTM、LKO为四个进离场点。另外特殊情况场景为在五边附近划定一个四边形，如图2所示黑色实线四边形，表示该区域有恶劣天气或特殊情况发生，航空器不被允许穿越，四个点的坐标为：(30.36’20”N 113.52’17”E)、(30.36’31”N 114.04’13”E)、(30.25’33”N 113.52’26”E)、(30.25’27”N 114.03’57”E)。
最后，建立基于PA与PCA的BP神经网络算法的管制员工作负荷模型。
1、运用PA与PCA算法将动态指标转化为新的主成分；
首先运用PA与PCA算法将9个动态指标转化为5个新主成分，此时的BP神经网络中的输入层节点数变为5+7＝12个，具体方法如下：
将9个动态指标数据输入至SPSS软件中，运行得到新的5个主成分，其中抽取的新主成分的特征值大于0.6，累积贡献率85％左右。
9个动态个指标160组数据的分析结果如表2所示：
表2扇区复杂性动态指标相关系数矩阵表
得到相关矩阵表之后，利用因子分析法(PA)，即可计算出因子特征值，随后可以计算出扇区复杂性动态指标进行因子分析之后新主成分贡献率与累积贡献率，结果如表3所示：
表3特征值、贡献率及累积贡献率
利用以上因子分析结果再进行主成分分析法(PCA)，依次计算特征向量矩阵，如表4所示。
表4特征向量矩阵
表4的数表示的是每个扇区复杂性指标在新主成分中所占比重，将C1～C9以此设为X1～X9，由此可以写出新主成分的表达式为：
Y1＝0.47X1+0.48X2-0.26X3+0.25X4+…+0.38X9
由此也可以得到Y2～Y5的主成分表达式，依次计算出五个新主成分的值。因此，这五个主成分就成为了模型的输入层节点数。
2、对BP神经网络中的参数与激励函数进行设置。
(1)设置初始权重：[-1,1]之间的随机数；确定输入层节点数、输出层节点数、隐含层层数与每层节点数：输入层为12，输入层为1，隐含层层数为2，隐含每层节点数在[4,14]之间取整数；确定训练次数：1000次；确定训练误差：1×10-8。
(2)确定传递函数：对数S型传递函数logsig与正切S型传递函数tansig；确定训练函数；trainlm；确定学习函数：learngdm；确定性能分析函数MSE。
其中隐含层每层的节点数是由公式1计算得出范围之后再由公式(2)得到两两组合之后的均方误差。
其中：m代表隐含层的节点数，l代表输入层节点数，n代表输出层节点数，a是常数,范围为[1,10]。
其中：MSE是样本的均方误差，n为样本数据的个数，xi为第i个样本值，为模型的第i个预测值。
3、运用MATLAB编程软件进行BP神经网络算法运算：将样本进行归一化处理，输入训练样本，每50次显示一次结果，迭代1000次，设置学习率为0.05，学习目标为1×10-8，当训练结果的误差小于学习目标，则该次学习结束；若训练结果的误差大于学习目标，则该组数据加入到训练样本中，学习继续。
4、运行BP神经网络算法模型得到管制员工作负荷的预测值和实际值之间的均方误差(MSE)。
本次实验共采集到160组数据，其中的120组数据作为训练数据，其余40组数据作为验证数据来验证模型评估的准确性，现运用MATLAB编程软件来实现神经网络算法。通过试算法来确定神经网络隐含层每层节点数，计算出部分不同结构的均方误差(MSE)，如表5所示：
表5不同结构的均方误差
表5中，选择结构为12-11时，MSE最小为0.1826，基于PA与PCA的BP神经网络模型结构为12-{12-11}-1，对应的训练误差收敛到6.8×10-10，小于设置的训练误差值1×10-8，测试网络模型训练结束。训练结果如图3所示，表示模型在迭代到第32次时，模型训练的均方误差就达到了10-8，满足训练误差的设定值；训练结果与实际值对比如图4所示。
支持向量机数据检测结果及基于主成分分析的回归模型检测结果分别如表6和表7所示：
表6支持向量机数据检测结果表
表7基于主成分分析的回归模型检测结果表
由表6、表7得到由支持向量机得到的管制员工作负荷值得均方误差为0.2900；基于主成分分析的回归模型算法计算均方误差为0.2995，二者都大于基于PA与PCA的BP神经网络算法得到的0.1826。可见，由基于PA与PCA的BP神经网络算法建立的管制员工作负荷评估模型准确性与精确性更高。
Claims (5)
1.一种进近管制扇区管制员工作负荷预测方法，其特征在于，包括以下步骤：
(1)建立评估进近管制扇区管制员工作负荷的扇区复杂性指标；
(2)采集扇区复杂性指标数据及管制员工作负荷自评估值；
(3)建立基于PA与PCA的BP神经网络算法的管制员工作负荷模型。
2.根据权利要求1所述的进近管制扇区管制员工作负荷预测方法，其特征在于，步骤(1)中所述复杂性指标主要包括：扇区内航空器数量、航空器数量峰值、移交航空器数量、上升航空器数量、下降航空器数量、冲突航空器数量、航向改变次数、高度改变次数、速度改变次数、进场路径数量、离场路径数量、飞越路径数量、扇区内路径数量、共用进离点数量、扇区边界长、扇区水平面积。
3.根据权利要求1所述的进近管制扇区管制员工作负荷预测方法，其特征在于，确定步骤(2)所述的管制员工作负荷自评估值取值范围及每个值的含义。
4.根据权利要求1所述的进近管制扇区管制员工作负荷预测方法，其特征在于，所述步骤(3)包括以下步骤：
(31)运用PA与PCA算法将动态指标转化为新的主成分；
(32)设置初始权重、确定输入层节点数、输出层节点数、隐含层层数、每层节点数、训练次数及训练误差；
(33)确定传递函数、训练函数、学习函数及性能分析函数；
(34)运行该模型，得出预测结果。
5.根据权利要求4所述的进近管制扇区管制员工作负荷预测方法，其特征在于，步骤(34)采用MATLAB编程软件运行模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711362363.XA CN108090613A (zh) | 2017-12-18 | 2017-12-18 | 一种进近管制扇区管制员工作负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711362363.XA CN108090613A (zh) | 2017-12-18 | 2017-12-18 | 一种进近管制扇区管制员工作负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108090613A true CN108090613A (zh) | 2018-05-29 |
Family
ID=62176897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711362363.XA Pending CN108090613A (zh) | 2017-12-18 | 2017-12-18 | 一种进近管制扇区管制员工作负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108090613A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110060513A (zh) * | 2019-01-24 | 2019-07-26 | 中国民用航空飞行学院 | 基于历史轨迹数据的空中交通管制员工作负荷评估方法 |
| CN111680913A (zh) * | 2020-06-08 | 2020-09-18 | 中国船舶工业综合技术经济研究院 | 一种舰员的超负荷工作检测方法及系统 |
| CN112489497A (zh) * | 2020-11-18 | 2021-03-12 | 南京航空航天大学 | 基于深度卷积神经网络的空域运行复杂度评估方法 |
| CN113362604A (zh) * | 2021-07-19 | 2021-09-07 | 中国电子科技集团公司第二十八研究所 | 一种基于扇区动态交通特征的管制员工作负荷评估方法 |
| CN113435655A (zh) * | 2021-07-05 | 2021-09-24 | 南京航空航天大学 | 扇区动态管理决策方法、服务器及系统 |
| CN113627798A (zh) * | 2021-08-12 | 2021-11-09 | 中国民航大学 | 一种用于高空航路飞行的管制效能量化测评方法 |
| CN114530059A (zh) * | 2022-01-14 | 2022-05-24 | 南京航空航天大学 | 一种多扇区监控席位的动态配置方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102306297A (zh) * | 2011-07-11 | 2012-01-04 | 南京航空航天大学 | 一种空中交通管制员工作负荷测量方法 |
| CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
| CN104636890A (zh) * | 2015-03-13 | 2015-05-20 | 中国民航大学 | 一种空中交通管制员工作负荷测量方法 |
| CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
| CN105160201A (zh) * | 2015-09-30 | 2015-12-16 | 成都民航空管科技发展有限公司 | 一种基于gabp神经网络的管制员工作负荷的预测方法及系统 |
| CN105225539A (zh) * | 2015-09-30 | 2016-01-06 | 中国民用航空总局第二研究所 | 基于主成分分析的扇区运行性能综合指数的方法及系统 |
| CN106251059A (zh) * | 2016-07-27 | 2016-12-21 | 中国电力科学研究院 | 一种基于概率神经网络算法的电缆状态评估方法 |
-
2017
- 2017-12-18 CN CN201711362363.XA patent/CN108090613A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102306297A (zh) * | 2011-07-11 | 2012-01-04 | 南京航空航天大学 | 一种空中交通管制员工作负荷测量方法 |
| CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
| CN104636890A (zh) * | 2015-03-13 | 2015-05-20 | 中国民航大学 | 一种空中交通管制员工作负荷测量方法 |
| CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
| CN105160201A (zh) * | 2015-09-30 | 2015-12-16 | 成都民航空管科技发展有限公司 | 一种基于gabp神经网络的管制员工作负荷的预测方法及系统 |
| CN105225539A (zh) * | 2015-09-30 | 2016-01-06 | 中国民用航空总局第二研究所 | 基于主成分分析的扇区运行性能综合指数的方法及系统 |
| CN106251059A (zh) * | 2016-07-27 | 2016-12-21 | 中国电力科学研究院 | 一种基于概率神经网络算法的电缆状态评估方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110060513A (zh) * | 2019-01-24 | 2019-07-26 | 中国民用航空飞行学院 | 基于历史轨迹数据的空中交通管制员工作负荷评估方法 |
| CN111680913A (zh) * | 2020-06-08 | 2020-09-18 | 中国船舶工业综合技术经济研究院 | 一种舰员的超负荷工作检测方法及系统 |
| CN111680913B (zh) * | 2020-06-08 | 2023-09-01 | 中国船舶工业综合技术经济研究院 | 一种舰员的超负荷工作检测方法及系统 |
| CN112489497A (zh) * | 2020-11-18 | 2021-03-12 | 南京航空航天大学 | 基于深度卷积神经网络的空域运行复杂度评估方法 |
| CN113435655A (zh) * | 2021-07-05 | 2021-09-24 | 南京航空航天大学 | 扇区动态管理决策方法、服务器及系统 |
| CN113362604A (zh) * | 2021-07-19 | 2021-09-07 | 中国电子科技集团公司第二十八研究所 | 一种基于扇区动态交通特征的管制员工作负荷评估方法 |
| CN113627798A (zh) * | 2021-08-12 | 2021-11-09 | 中国民航大学 | 一种用于高空航路飞行的管制效能量化测评方法 |
| CN113627798B (zh) * | 2021-08-12 | 2023-07-18 | 中国民航大学 | 一种用于高空航路飞行的管制效能量化测评方法 |
| CN114530059A (zh) * | 2022-01-14 | 2022-05-24 | 南京航空航天大学 | 一种多扇区监控席位的动态配置方法及系统 |
| CN114530059B (zh) * | 2022-01-14 | 2023-03-10 | 南京航空航天大学 | 一种多扇区监控席位的动态配置方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090613A (zh) | 一种进近管制扇区管制员工作负荷预测方法 | |
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
| CN103198437B (zh) | 一种电网量测数据和电网模型纠错方法及装置 | |
| CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
| CN103983453A (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
| CN105373703B (zh) | 一种基于遗忘曲线的自适应能力测试系统 | |
| CN105160437A (zh) | 基于极限学习机的负荷模型预测方法 | |
| CN107330521A (zh) | 无人飞行器状态评估方法及装置 | |
| CN110110933A (zh) | 一种智能变电站保护系统的检修周期优化方法 | |
| CN107368940A (zh) | 计及响应不确定性温控负荷聚合响应潜力评估方法及系统 | |
| CN112883522A (zh) | 一种基于gru循环神经网络的微电网动态等效建模方法 | |
| CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
| CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
| CN109918791A (zh) | 一种核电站数字化主控室操纵员人因可靠性分析方法 | |
| CN110889207A (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
| Zong et al. | Embedded software fault prediction based on back propagation neural network | |
| Mousavi et al. | Simulation-based real-time performance monitoring (simmon): A platform for manufacturing and healthcare systems | |
| Kyzym et al. | Simulating Development of Science in a Country with the Use of the Cognitive Approach | |
| CN108599147B (zh) | 基于正态指数平滑法与核密度估计的组合区间预测方法 | |
| CN108345996A (zh) | 一种降低风电功率考核电量的系统及方法 | |
| CN106709167A (zh) | 一种基于相似度理论的装配有效性评估方法 | |
| CN111063226A (zh) | 一种电力仿真培训评分方法、系统及存储介质 | |
| Sun et al. | An evaluation model for the teaching reform of the physical education industry | |
| Yang et al. | Research on the evaluation methods of bid of construction project based on improved BP neural network |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |
|
| RJ01 | Rejection of invention patent application after publication |