CN108615411A - 一种实现航班信息处理的方法及装置 - Google Patents
一种实现航班信息处理的方法及装置 Download PDFInfo
- Publication number
- CN108615411A CN108615411A CN201611145599.3A CN201611145599A CN108615411A CN 108615411 A CN108615411 A CN 108615411A CN 201611145599 A CN201611145599 A CN 201611145599A CN 108615411 A CN108615411 A CN 108615411A
- Authority
- CN
- China
- Prior art keywords
- flight
- time
- simulation model
- related information
- aircraft
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000010365 information processing Effects 0.000 title claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 114
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
一种实现航班信息处理的方法及装置,包括:以在前的航班关联信息作为输入参数,采用仿真算法建立第一数值个仿真模型;将当前的航班关联信息输入建立的各仿真模型,获得相应的航班起飞估计时间;航班起飞后,确定航班起飞估计时间与实际时间最接近的第二数值个仿真模型,并进行权重校正;对航班起飞后的每个在后的航段,将当前的航班关联信息输入所有仿真模型,拟合获得相应的航班飞行估计时间;确定航班飞行估计时间与实际时间最接近的第二数值个仿真模型,并进行权重校正;通过当前确定的第二数值个仿真模型的拟合结果确定航班飞行时间。本发明实施例实现了实时对仿真模型的调整,提高了航班飞行时间的计算精度。
Description
技术领域
本文涉及但不限于航空航天技术,尤指一种实现航班信息处理的方法及装置。
背景技术
航班延误预测应用于民航空管领域的交通管理,主要用于提供实时的航班运行状况。
目前对航班延误的分析主要包括:静态统计和仿真模型两种预测方法;其中,静态统计的预测方法包括:静态统计历史航班延误数据后,对历史航班延误数据建立模型,根据建立的模型形成概率性的预测。仿真模型的预测方法包括:分布地面运动、上升/下降、加速/减速、巡航等建立的多个数据模型,通过指定数据模型,对航班的各个阶段进行仿真。
上述静态统计的预测方法是航班的总体的概率模型,无法预测单次航班的延误情况,无法处理单次航班面对的突发状态;即容易出现单次航班预测失效的情况;另外,航班整个飞行周期内,情况复杂,在多变环境因素下,静态统计的预测方法无法处理复杂多变的状态,因此无法实现动态跟踪。相关技术中的仿真模型的预测方法,虽然通过建立多个模型的方式实现分段仿真,但未根据实际情况进行校正,航班信息的跟踪精度低。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供一种实现航班信息处理的方法及装置,能够提高航班信息的跟踪精度。
本发明实施例提供了一种实现航班信息处理的方法,包括:
以预设时长的在前的航班关联信息作为输入参数,采用预设的仿真算法建立第一数值个仿真模型;
将当前的航班关联信息分别输入建立的各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班起飞估计时间;
航班起飞后,确定航班起飞估计时间与航班起飞实际时间最接近的第二数值个仿真模型,基于预设的权重校正算法对确定出的第二数值个仿真模型进行权重校正;
对航班起飞后的每一个在后的航段,对包含权重校正后的仿真模型在内的所有仿真模型,将当前的航班关联信息分别输入各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班飞行估计时间;确定航班飞行估计时间与航班飞行实际时间最接近的第二数值个仿真模型,基于权重校正算法对确定出的第二数值个仿真模型进行权重校正;
在航班未起飞前或航班起飞后的各航段,分别通过当前确定的第二数值个仿真模型的拟合结果确定航班飞行时间。
可选的,所述仿真算法包括:
随机森林算法。
可选的,所述权重校正算法包括:高斯算法。
可选的,所述航班关联信息包括以下部分或全部:
航班计划、航班动态、飞行器信息、航迹信息、气象信息、航空情报信息。
可选的,所述航班关联信息包括航班计划时,所述航班计划包括以下部分或全部:
飞行器类别、起飞机场、到达机场、计划离港时间、计划到港时间、计划撤轮档时间、计划起飞时间、飞行的航路信息;
所述航班关联信息包括航班动态时,所述航班动态包括以下部分或全部:
实际到港时间、实际撤轮挡时间、申请推出时间、松刹车推出时间、实际上轮挡时间、滑行入位时间、进港航班入位后刹车时间;
所述航班关联信息包括飞行器信息时,所述飞行器信息包括以下部分或全部:飞行器型号、飞行器工作时长、飞行器载重、飞行器油耗、飞行器飞行速度;
所述航班关联信息包括航迹信息时,所述航迹信息包括以下部分或全部:
飞机位置、飞行的状态、预计下一个航迹点;
所述航班关联信息包括气象信息时,所述气象信息包括以下部分或全部:
气象位置、气象类型、气象涉及范围、发布中心、发布时间、有效时间、风速、风向、天气现象、能见度、高度层、变化趋势;
所述航班关联信息包括情报信息时,所述情报信息包括以下部分或全部:
情报类型、涉及到的位置、起始时刻。
可选的,所述航段包括:
按照航班实时飞行速度确定的航班飞行预设距离时所需的时长。
另一方面,本发明实施例还提供一种实现航班信息处理的装置,包括:建立单元、拟合单元、校正单元、确定单元;其中,
建立单元用于,以预设时长的在前的航班关联信息作为输入参数,采用预设的仿真算法建立第一数值个仿真模型;
拟合单元用于,将当前的航班关联信息分别输入建立的各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班起飞估计时间;对航班起飞后的每一个在后的航段,对包含权重校正后的仿真模型在内的所有仿真模型,将当前的航班关联信息分别输入各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班飞行估计时间;
校正单元用于,航班起飞后,确定航班起飞估计时间与航班起飞实际时间最接近的第二数值个仿真模型,基于预设的权重校正算法对确定出的第二数值个仿真模型进行权重校正;对航班起飞后的每一个在后的航段,确定航班飞行估计时间与航班飞行实际时间最接近的第二数值个仿真模型,基于权重校正算法对确定出的第二数值个仿真模型进行权重校正;
确定单元用于,在航班未起飞前或航班起飞后的各航段,分别通过当前确定的第二数值个仿真模型的拟合结果确定航班飞行时间。
可选的,所述仿真算法包括:
随机森林算法。
可选的,所述权重校正算法包括:高斯算法。
可选的,所述航班关联信息包括以下部分或全部:
航班计划、航班动态、飞行器信息、航迹信息、气象信息、航空情报信息。
可选的,所述航班关联信息包括航班计划时,所述航班计划包括以下部分或全部:
飞行器类别、起飞机场、到达机场、计划离港时间、计划到港时间、计划撤轮档时间、计划起飞时间、飞行的航路信息;
所述航班关联信息包括航班动态时,所述航班动态包括以下部分或全部:
实际到港时间、实际撤轮挡时间、申请推出时间、松刹车推出时间、实际上轮挡时间、滑行入位时间、进港航班入位后刹车时间;
所述航班关联信息包括飞行器信息时,所述飞行器信息包括以下部分或全部:飞行器型号、飞行器工作时长、飞行器载重、飞行器油耗、飞行器飞行速度;
所述航班关联信息包括航迹信息时,所述航迹信息包括以下部分或全部:
飞机位置、飞行的状态、预计下一个航迹点;
所述航班关联信息包括气象信息时,所述气象信息包括以下部分或全部:
气象位置、气象类型、气象涉及范围、发布中心、发布时间、有效时间、风速、风向、天气现象、能见度、高度层、变化趋势;
所述航班关联信息包括情报信息时,所述情报信息包括以下部分或全部:
情报类型、涉及到的位置、起始时刻。
可选的,所述航段包括:
按照航班实时飞行速度确定的航班飞行预设距离时所需的时长。
与相关技术相比,本申请技术方案包括:以预设时长的在前的航班关联信息作为输入参数,采用预设的仿真算法建立第一数值个仿真模型;将当前的航班关联信息分别输入建立的各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班起飞估计时间;航班起飞后,确定航班起飞估计时间与航班起飞实际时间最接近的第二数值个仿真模型,基于预设的权重校正算法对确定出的第二数值个仿真模型进行权重校正;对航班起飞后的每一个在后的航段,对包含权重校正后的仿真模型在内的所有仿真模型,将当前的航班关联信息分别输入各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班飞行估计时间;确定航班飞行估计时间与航班飞行实际时间最接近的第二数值个仿真模型,基于权重校正算法对确定出的第二数值个仿真模型进行权重校正;在航班未起飞前或航班起飞后的各航段,分别通过当前确定的第二数值个仿真模型的拟合结果确定航班飞行时间。本发明实施例实现了实时对仿真模型的调整,提高了航班飞行时间的计算精度。
本发明的其它特征和优点将在随后的说明书中阐述,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而了解。本发明的目的和其他优点可通过在说明书、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
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施例实现航班信息处理的方法的流程图;
图2为本发明实施例实现航班信息处理的装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。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任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提供一种实现航班信息处理的方法,包括:
步骤100、以预设时长的在前的航班关联信息作为输入参数,采用预设的仿真算法建立第一数值个仿真模型;
需要说明的是,预设时长可以是最近的一段时长,例如、最近一年,时间长短可以参考包括计算航班飞行时间的精度要求和仿真模型的计算量大小等因素进行确定,航管关联信息可以包括所有航班的航班关联信息,也可以根据实际情况选择部分航班的航班关联信息。
可选的,本发明实施例,仿真算法包括:随机森林算法。
需要说明的是,采用随机森林算法可以根据算法运算规则赋值本发明实施例航班关联信息中各变量相应的权重参数,进而获得第一数值个仿真模型;由于航班信息影响因素较多,第一数值可以是一个较大的数值,例如、大于50的一个数值,第一数值个数可以根据确定航班飞行时间的精度要求、计算量的大小等进行确定。建立仿真模型的过程可以采用spark(Spark是加州大学伯克利分校的AMP实验室(UC Berkeley AMP lab)所开源的类Hadoop MapReduce的通用并行框架,拥有Hadoop MapReduce所具有的优点;但不同于MapReduce的是Job中间输出结果可以保存在内存中,从而不再需要读写HDFS,因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法)集群建立随机森林算法的数据挖掘建立仿真模型,实现航班的起飞时间点模拟计算。
可选的,本发明实施例航班关联信息包括以下部分或全部:
航班计划、航班动态、飞行器信息、航迹信息、气象信息、航空情报信息。
需要说明的是,航班关联信息可以通过与航班关联的测量系统获得。
可选的,
航班关联信息包括航班计划时,航班计划包括以下部分或全部:
飞行器类别、起飞机场、到达机场、计划离港时间、计划到港时间、计划撤轮档时间、计划起飞时间、飞行的航路信息;
航班关联信息包括航班动态时,航班动态包括以下部分或全部:
实际到港时间、实际撤轮挡时间、申请推出时间、松刹车推出时间、实际上轮挡时间、滑行入位时间、进港航班入位后刹车时间;
航班关联信息包括飞行器信息时,飞行器信息包括以下部分或全部:飞行器型号、飞行器工作时长、飞行器载重、飞行器油耗、飞行器飞行速度;
航班关联信息包括航迹信息时,航迹信息包括以下部分或全部:
飞机位置、飞行的状态、预计下一个航迹点;
航班关联信息包括气象信息时,气象信息包括以下部分或全部:
气象位置、气象类型、气象涉及范围、发布中心、发布时间、有效时间、风速、风向、天气现象、能见度、高度层、变化趋势;
航班关联信息包括情报信息时,情报信息包括以下部分或全部:
情报类型、涉及到的位置、起始时刻。
需要说明的是,本发明实施例航班关联信息还可以包括其他与航班起飞和飞行时间关联的参数,只要将这一类参数添加作为仿真算法的输入即可。
步骤101、将当前的航班关联信息分别输入建立的各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班起飞估计时间;
这里,航班起飞估计时间可以包括航班起飞可能的延时时间;
步骤102、航班起飞后,确定航班起飞估计时间与航班起飞实际时间最接近的第二数值个仿真模型,基于预设的权重校正算法对确定出的第二数值个仿真模型进行权重校正;
这里,航班起飞实际时间可以包括航班实际起飞的延时时间;
可选的,本发明实施例权重校正算法包括:高斯算法。
需要说明的是,高斯算法为相关技术中已有的算法,采用高斯算法可以参照相关技术的实现原理实现本发明实施例仿真模型的权重校正。本发明实施例还可以对航班起飞估计时间与航班起飞实际时间差距最大的第三数值个仿真模型进行权重校正,校正原理和步骤102中的校正原理相同;例如、对航班起飞估计时间与航班起飞实际时间差距最大的第三数值个仿真模型的10个预测结果,采用高斯算法(正态曲线的形式)进行消减,以实现进行权重校正;对确定航班起飞估计时间与航班起飞实际时间最接近的第二数值个仿真模型10个预测结果,采用高斯算法(正态曲线的形式)进行增添,以实现进行权重校正,一般总的增减量10%。其中每一个仿真模型的结果权重的最大值不大于10%,最小值不小于2%;正态曲线即是高斯分布,就是距离正确值越接近的预测结果的模型,其值越大。正态消减就是把预测权重中的5%提取出来,也就是每一个仿真模型保留自身95%的权重值,建立与准确值最远点之间建立正态分布函数,把所有的模型的拟合结果以实际结果为f点,然后计算各个点强度值,其中μ表示实际的结果,实现在(μ-1,μ+1)内的面积为68.268949%,(μ-1*1.96,μ+1.96)内的面积为95.44%,1.96在计算中为2,若是剩余无法分配,则平均余值再次放回各个仿真模型。
步骤103、对航班起飞后的每一个在后的航段,对包含权重校正后的仿真模型在内的所有仿真模型,将当前的航班关联信息分别输入各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班飞行估计时间;确定航班飞行估计时间与航班飞行实际时间最接近的第二数值个仿真模型,基于权重校正算法对确定出的第二数值个仿真模型进行权重校正;
可选的,本发明实施例航段包括:
按照航班实时飞行速度确定的航班飞行预设距离时所需的时长。
需要说明的是,由于航班飞行速度一般处于变化过程,因此每一个航段的时长不同,是一个动态的过程,预设距离可以参照计算精度和实时性要求进行确定,计算预设距离时,可以基于经度和纬度进行计算。一个航段的时长可以包括:5分钟以内的时长,例如、1分钟。
步骤104、在航班未起飞前或航班起飞后的各航段,分别通过当前确定的第二数值个仿真模型的拟合结果确定航班飞行时间。
需要说明的是,本发明实施例航班飞行时间包括航班延误时间,每完成一个航段的权重校正,就可以采用仿真模型对航班飞行时间进行一次拟合计算,飞行航段越多,完成航班飞行时间计算的百分比越大。
图2为本发明实施例实现航班信息处理的装置的结构框图,如图2所示,包括:建立单元、拟合单元、校正单元、确定单元;其中,
建立单元用于,以预设时长的在前的航班关联信息作为输入参数,采用预设的仿真算法建立第一数值个仿真模型;
可选的,本发明实施例,仿真算法包括:随机森林算法。
可选的,本发明实施例航班关联信息包括以下部分或全部:
航班计划、航班动态、飞行器信息、航迹信息、气象信息、航空情报信息。
可选的,本发明实施例,航班关联信息包括航班计划时,航班计划包括以下部分或全部:
飞行器类别、起飞机场、到达机场、计划离港时间、计划到港时间、计划撤轮档时间、计划起飞时间、飞行的航路信息;
航班关联信息包括航班动态时,航班动态包括以下部分或全部:
实际到港时间、实际撤轮挡时间、申请推出时间、松刹车推出时间、实际上轮挡时间、滑行入位时间、进港航班入位后刹车时间;
航班关联信息包括飞行器信息时,飞行器信息包括以下部分或全部:飞行器型号、飞行器工作时长、飞行器载重、飞行器油耗、飞行器飞行速度;
航班关联信息包括航迹信息时,航迹信息包括以下部分或全部:
飞机位置、飞行的状态、预计下一个航迹点;
航班关联信息包括气象信息时,气象信息包括以下部分或全部:
气象位置、气象类型、气象涉及范围、发布中心、发布时间、有效时间、风速、风向、天气现象、能见度、高度层、变化趋势;
航班关联信息包括情报信息时,情报信息包括以下部分或全部:
情报类型、涉及到的位置、起始时刻。
拟合单元用于,将当前的航班关联信息分别输入建立的各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班起飞估计时间;对航班起飞后的每一个在后的航段,对包含权重校正后的仿真模型在内的所有仿真模型,将当前的航班关联信息分别输入各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班飞行估计时间;
校正单元用于,航班起飞后,确定航班起飞估计时间与航班起飞实际时间最接近的第二数值个仿真模型,基于预设的权重校正算法对确定出的第二数值个仿真模型进行权重校正;对航班起飞后的每一个在后的航段,确定航班飞行估计时间与航班飞行实际时间最接近的第二数值个仿真模型,基于权重校正算法对确定出的第二数值个仿真模型进行权重校正;
可选的,本发明实施例权重校正算法包括:高斯算法。
确定单元用于,在航班未起飞前或航班起飞后的各航段,分别通过当前确定的第二数值个仿真模型的拟合结果确定航班飞行时间。
可选的,本发明实施例航段包括:
按照航班实时飞行速度确定的航班飞行预设距离时所需的时长。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件(例如处理器)完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的每个模块/单元可以采用硬件的形式实现,例如通过集成电路来实现其相应功能,也可以采用软件功能模块的形式实现,例如通过处理器执行存储于存储器中的程序/指令来实现其相应功能。本发明不限制于任何特定形式的硬件和软件的结合。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (12)
1.一种实现航班信息处理的方法,其特征在于,包括:
以预设时长的在前的航班关联信息作为输入参数,采用预设的仿真算法建立第一数值个仿真模型;
将当前的航班关联信息分别输入建立的各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班起飞估计时间;
航班起飞后,确定航班起飞估计时间与航班起飞实际时间最接近的第二数值个仿真模型,基于预设的权重校正算法对确定出的第二数值个仿真模型进行权重校正;
对航班起飞后的每一个在后的航段,对包含权重校正后的仿真模型在内的所有仿真模型,将当前的航班关联信息分别输入各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班飞行估计时间;确定航班飞行估计时间与航班飞行实际时间最接近的第二数值个仿真模型,基于权重校正算法对确定出的第二数值个仿真模型进行权重校正;
在航班未起飞前或航班起飞后的各航段,分别通过当前确定的第二数值个仿真模型的拟合结果确定航班飞行时间。
2.根据权利要求1所述的方法,其特征在于,所述仿真算法包括:
随机森林算法。
3.根据权利要求1所述的方法,其特征在于,所述权重校正算法包括:高斯算法。
4.根据权利要求1~3任一项所述的方法,其特征在于,所述航班关联信息包括以下部分或全部:
航班计划、航班动态、飞行器信息、航迹信息、气象信息、航空情报信息。
5.根据权利要求1~3任一项所述的方法,其特征在于,
所述航班关联信息包括航班计划时,所述航班计划包括以下部分或全部:
飞行器类别、起飞机场、到达机场、计划离港时间、计划到港时间、计划撤轮档时间、计划起飞时间、飞行的航路信息;
所述航班关联信息包括航班动态时,所述航班动态包括以下部分或全部:
实际到港时间、实际撤轮挡时间、申请推出时间、松刹车推出时间、实际上轮挡时间、滑行入位时间、进港航班入位后刹车时间;
所述航班关联信息包括飞行器信息时,所述飞行器信息包括以下部分或全部:飞行器型号、飞行器工作时长、飞行器载重、飞行器油耗、飞行器飞行速度;
所述航班关联信息包括航迹信息时,所述航迹信息包括以下部分或全部:
飞机位置、飞行的状态、预计下一个航迹点;
所述航班关联信息包括气象信息时,所述气象信息包括以下部分或全部:
气象位置、气象类型、气象涉及范围、发布中心、发布时间、有效时间、风速、风向、天气现象、能见度、高度层、变化趋势;
所述航班关联信息包括情报信息时,所述情报信息包括以下部分或全部:
情报类型、涉及到的位置、起始时刻。
6.根据权利要求1~3任一项所述的方法,其特征在于,所述航段包括:
按照航班实时飞行速度确定的航班飞行预设距离时所需的时长。
7.一种实现航班信息处理的装置,其特征在于,包括:建立单元、拟合单元、校正单元、确定单元;其中,
建立单元用于,以预设时长的在前的航班关联信息作为输入参数,采用预设的仿真算法建立第一数值个仿真模型;
拟合单元用于,将当前的航班关联信息分别输入建立的各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班起飞估计时间;对航班起飞后的每一个在后的航段,对包含权重校正后的仿真模型在内的所有仿真模型,将当前的航班关联信息分别输入各仿真模型,各仿真模型分别进行拟合运算获得各仿真模型对应的航班飞行估计时间;
校正单元用于,航班起飞后,确定航班起飞估计时间与航班起飞实际时间最接近的第二数值个仿真模型,基于预设的权重校正算法对确定出的第二数值个仿真模型进行权重校正;对航班起飞后的每一个在后的航段,确定航班飞行估计时间与航班飞行实际时间最接近的第二数值个仿真模型,基于权重校正算法对确定出的第二数值个仿真模型进行权重校正;
确定单元用于,在航班未起飞前或航班起飞后的各航段,分别通过当前确定的第二数值个仿真模型的拟合结果确定航班飞行时间。
8.根据权利要求7所述的装置,其特征在于,所述仿真算法包括:
随机森林算法。
9.根据权利要求7所述的装置,其特征在于,所述权重校正算法包括:高斯算法。
10.根据权利要求6~8任一项所述的装置,其特征在于,所述航班关联信息包括以下部分或全部:
航班计划、航班动态、飞行器信息、航迹信息、气象信息、航空情报信息。
11.根据权利要求6~8任一项所述的装置,其特征在于,
所述航班关联信息包括航班计划时,所述航班计划包括以下部分或全部:
飞行器类别、起飞机场、到达机场、计划离港时间、计划到港时间、计划撤轮档时间、计划起飞时间、飞行的航路信息;
所述航班关联信息包括航班动态时,所述航班动态包括以下部分或全部:
实际到港时间、实际撤轮挡时间、申请推出时间、松刹车推出时间、实际上轮挡时间、滑行入位时间、进港航班入位后刹车时间;
所述航班关联信息包括飞行器信息时,所述飞行器信息包括以下部分或全部:飞行器型号、飞行器工作时长、飞行器载重、飞行器油耗、飞行器飞行速度;
所述航班关联信息包括航迹信息时,所述航迹信息包括以下部分或全部:
飞机位置、飞行的状态、预计下一个航迹点;
所述航班关联信息包括气象信息时,所述气象信息包括以下部分或全部:
气象位置、气象类型、气象涉及范围、发布中心、发布时间、有效时间、风速、风向、天气现象、能见度、高度层、变化趋势;
所述航班关联信息包括情报信息时,所述情报信息包括以下部分或全部:
情报类型、涉及到的位置、起始时刻。
12.根据权利要求6~8任一项所述的装置,其特征在于,所述航段包括:
按照航班实时飞行速度确定的航班飞行预设距离时所需的时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611145599.3A CN108615411B (zh) | 2016-12-13 | 2016-12-13 | 一种实现航班信息处理的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611145599.3A CN108615411B (zh) | 2016-12-13 | 2016-12-13 | 一种实现航班信息处理的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108615411A true CN108615411A (zh) | 2018-10-02 |
CN108615411B CN108615411B (zh) | 2021-03-05 |
Family
ID=63657032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611145599.3A Active CN108615411B (zh) | 2016-12-13 | 2016-12-13 | 一种实现航班信息处理的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108615411B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109649673A (zh) * | 2018-12-17 | 2019-04-19 | 飞友科技有限公司 | 一种自动上报上下轮挡时间的飞机轮挡及其工作方法 |
CN109649674A (zh) * | 2018-12-17 | 2019-04-19 | 飞友科技有限公司 | 一种自动记录上下轮挡时间的系统和方法 |
CN110570693A (zh) * | 2019-10-24 | 2019-12-13 | 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 |
CN110826840A (zh) * | 2019-08-14 | 2020-02-21 | 东航技术应用研发中心有限公司 | 一种航班计划恢复方法和系统 |
CN111554127A (zh) * | 2019-02-12 | 2020-08-18 | 通用电气公司 | 飞行器停机位恢复优化 |
CN112185176A (zh) * | 2020-09-17 | 2021-01-05 | 中国商用飞机有限责任公司 | 一种机载飞行管理系统以及利用该系统显示等时点的方法 |
CN112199816A (zh) * | 2020-08-31 | 2021-01-08 | 中国人民解放军国防科技大学 | 航班ads-b数据模拟方法 |
CN115392886A (zh) * | 2022-10-28 | 2022-11-25 | 中国民用航空总局第二研究所 | 一种到港飞机的报时方法、报时装置、存储介质和处理器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7085726B1 (en) * | 2000-11-01 | 2006-08-01 | Ita Software, Inc. | Robustness and notifications in travel planning system |
CN104008674A (zh) * | 2014-06-16 | 2014-08-27 | 中国民航大学 | 一种基于模式匹配的终端区进场飞行时间预测方法 |
CN105303896A (zh) * | 2015-09-07 | 2016-02-03 | 合肥飞友网络科技有限公司 | 航班预计到达时间精确预估方法 |
EP3007154A1 (en) * | 2014-10-11 | 2016-04-13 | Air China Limited | Simulation device of flight management system |
CN105844346A (zh) * | 2016-03-17 | 2016-08-10 | 福州大学 | 基于arima模型的航班延误预测方法 |
-
2016
- 2016-12-13 CN CN201611145599.3A patent/CN108615411B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7085726B1 (en) * | 2000-11-01 | 2006-08-01 | Ita Software, Inc. | Robustness and notifications in travel planning system |
CN104008674A (zh) * | 2014-06-16 | 2014-08-27 | 中国民航大学 | 一种基于模式匹配的终端区进场飞行时间预测方法 |
EP3007154A1 (en) * | 2014-10-11 | 2016-04-13 | Air China Limited | Simulation device of flight management system |
CN105303896A (zh) * | 2015-09-07 | 2016-02-03 | 合肥飞友网络科技有限公司 | 航班预计到达时间精确预估方法 |
CN105844346A (zh) * | 2016-03-17 | 2016-08-10 | 福州大学 | 基于arima模型的航班延误预测方法 |
Non-Patent Citations (3)
Title |
---|
KHUSNUL NOVIANINGSIH ET AL.: "Modeling flight departure delay distributions", 《2014 INTERNATIONAL CONFERENCE ON COMPUTER, CONTROL, INFORMATICS AND ITS APPLICATIONS (IC3INA)》 * |
MYUNG SUKKIM: "Analysis of short-term forecasting for flight arrival time", 《JOURNAL OF AIR TRANSPORT MANAGEMENT》 * |
刘小飞: "基于数据挖掘的航班延误预测模型及方法的研究", 《万方学位论文数据库》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109649673A (zh) * | 2018-12-17 | 2019-04-19 | 飞友科技有限公司 | 一种自动上报上下轮挡时间的飞机轮挡及其工作方法 |
CN109649674A (zh) * | 2018-12-17 | 2019-04-19 | 飞友科技有限公司 | 一种自动记录上下轮挡时间的系统和方法 |
CN109649674B (zh) * | 2018-12-17 | 2021-04-30 | 飞友科技有限公司 | 一种自动记录上下轮挡时间的系统和方法 |
CN111554127A (zh) * | 2019-02-12 | 2020-08-18 | 通用电气公司 | 飞行器停机位恢复优化 |
CN110826840B (zh) * | 2019-08-14 | 2020-07-17 | 东航技术应用研发中心有限公司 | 一种航班计划恢复方法和系统 |
CN110826840A (zh) * | 2019-08-14 | 2020-02-21 | 东航技术应用研发中心有限公司 | 一种航班计划恢复方法和系统 |
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 |
CN110570693A (zh) * | 2019-10-24 | 2019-12-13 | 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 |
CN112199816A (zh) * | 2020-08-31 | 2021-01-08 | 中国人民解放军国防科技大学 | 航班ads-b数据模拟方法 |
CN112199816B (zh) * | 2020-08-31 | 2023-08-15 | 中国人民解放军国防科技大学 | 航班ads-b数据模拟方法 |
CN112185176A (zh) * | 2020-09-17 | 2021-01-05 | 中国商用飞机有限责任公司 | 一种机载飞行管理系统以及利用该系统显示等时点的方法 |
CN115392886A (zh) * | 2022-10-28 | 2022-11-25 | 中国民用航空总局第二研究所 | 一种到港飞机的报时方法、报时装置、存储介质和处理器 |
CN115392886B (zh) * | 2022-10-28 | 2023-03-24 | 中国民用航空总局第二研究所 | 一种到港飞机的报时方法、报时装置、存储介质和处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN108615411B (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615411A (zh) | 一种实现航班信息处理的方法及装置 | |
US11248930B2 (en) | Microclimate wind forecasting | |
EP2490199B1 (en) | Method for selecting meteorological data for updating an aircraft trajectory | |
US7248949B2 (en) | System and method for stochastic aircraft flight-path modeling | |
US20150379408A1 (en) | Using Sensor Information for Inferring and Forecasting Large-Scale Phenomena | |
Kern et al. | Data-driven aircraft estimated time of arrival prediction | |
JPWO2018034142A1 (ja) | 航空管制支援システム、航空管制支援方法、及び、プログラム | |
CN104778294A (zh) | 管理翱翔飞行器的飞行路线 | |
EP2743739B1 (en) | Using aircraft trajectory data to infer atmospheric conditions | |
Liu et al. | Predicting aircraft trajectory choice–a nominal route approach | |
Colabone et al. | Application of artificial neural networks for fog forecast | |
Lyu et al. | Flight performance analysis with data-driven mission parameterization: mapping flight operational data to aircraft performance analysis | |
Lee et al. | Performance of trajectory models with wind uncertainty | |
CN106529835A (zh) | 一种终端区日通行能力确定方法及装置 | |
Wijaya et al. | Take Off and Landing Prediction using Fuzzy Logic | |
Polishchuk et al. | Evaluation of flight efficiency for stockholm arlanda airport using opensky network data | |
US20230316932A1 (en) | System and method for fast and reliable detection of the complexity of air sectors | |
CN110533241B (zh) | 终端区起降容量预测系统 | |
Sharma et al. | Gradient descent feed forward neural networks for forecasting the trajectories | |
Kiss-Toth et al. | A dynamic programming approach for 4D flight route optimization | |
Lymperopoulos et al. | Adaptive aircraft trajectory prediction using particle filters | |
Ren et al. | Meteorological influences on the design of advanced aircraft approach procedures for reduced environmental impacts | |
Kim et al. | Aircraft mission analysis enhancement by using data science and machine learning techniques | |
Kharchenko et al. | Principles of improvement of air traffic flow and capacity management in terminal control areas under uncertainty conditions | |
CN114973777B (zh) | 基于物联网的机场环境监测方法和系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240115 Address after: No. 301 Weigou (East Campus), Chaoyang District, Beijing, 100015 Patentee after: Civil Aviation Air Traffic Control Technology and Equipment Development Co.,Ltd. Address before: 100192 802, block B, science and technology wealth center, 8 Xueqing Road, Haidian District, Beijing Patentee before: AERO-INFO TECHNOLOGIES Co.,Ltd. |