CN109242243A - 一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法 - Google Patents
一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法 Download PDFInfo
- Publication number
- CN109242243A CN109242243A CN201810840749.5A CN201810840749A CN109242243A CN 109242243 A CN109242243 A CN 109242243A CN 201810840749 A CN201810840749 A CN 201810840749A CN 109242243 A CN109242243 A CN 109242243A
- Authority
- CN
- China
- Prior art keywords
- bayesian network
- random set
- operation risk
- weather
- flight
- 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 22
- 230000001788 irregular Effects 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 6
- 208000025274 Lightning injury Diseases 0.000 description 5
- 206010052428 Wound Diseases 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明基于改进随机集贝叶斯网络的航班运行风险动态分析方法,包括影响航班运行风险的参数处理和运行风险的三个不同阶段分析计算。影响航班运行风险的参数处理包括:确定影响参数的数量;利用随机集理论进行参数处理;确定贝叶斯网络中的节点;划分贝叶斯网络中的父节点并赋基本概率值;计算随机集焦元所在区间及其概率;计算随机集焦元的像所在区间和概率赋值;得出贝叶斯网络条件概率表。运行风险的动态分析计算包括:结合具体机场的统计数据确定相关影响参数的初始值;根据天气状况对随机集贝叶斯网络中的天气参数进行相关调整;计算出每个时间段的航班运行风险的预测值;做出航班运行风险随时间变化的动态曲线。
Description
技术领域:
本发明涉及一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法,其属于 航班运行风险预测领域。
背景技术:
航班运行风险是民航运行安全领域的研究重点,在保障航班安全运行方面有重要的 研究意义,同时航班运行风险的预测也利用多种方法(如多元统计法、模糊归属函数、模糊集理论等),对于准确预测航班运行风险的方法还在不断改进。
贝叶斯网络理论应用于故障诊断、寿命预测方面有一些成功的应用,随机集理论对 于数据的处理进行近似处理,在保证计算精度的前提下,能够保持较好地准确性和便捷性,对于预测航班运行风险有一定的帮助作用。在国外的研究方面贝叶斯网络模型也广 泛应用于评估安全、环境是否符合要求的基准。
当前航班运行风险方面偏重于静态分析,缺乏动态的分析研究,因此本文研究的是 基于随机集贝叶斯网络的航班运行风险动态分析。运用随机集理论的方法可以处理一些 不确定的信息。贝叶斯网络利用随机集理论处理过的数据对于航班运行风险进行推断,从而得到航班运行的风险,同时较其他的计算方法(蒙特卡洛模拟法)而言,随机集理 论在与贝叶斯网络的结合,有着较为便捷的优点,有一定的参考价值。
发明内容:
本发明是为了解决上述现有技术存在的问题而提供一种基于改进随机集贝叶斯网 络的航班运行风险动态分析方法,其对贝叶斯网络和随机集理论进行改进,实现了对于航班运行风险的预测,并且根据实际的机场环境和天气的实时变化做出相应的风险预测值,对于不同的天气阶段有不同的预测值,对于航班的安全运行具有一定的参考作用。
本发明所采用的技术方案有:一种基于改进随机集贝叶斯网络的航班运行风险动态 分析方法,包括如下步骤:
(1).根据民航2018年综合统计调查,对于不正常航班的原因确定相关影响因素;
(2).根据航班运行风险的影响参数分类为主观因素和客观因素确定贝叶斯网络的 节点,建立贝叶斯网络;
(3).根据随机集理论对已经建立好的贝叶斯网络中的节点进行参数处理,包括以下步骤:
1.在贝叶斯网络建立好的基础下,将每一个父节点的区间Ii划分为k个子区间并且对于每个子区间的基本概率赋予一个值
2.对于随机集的每一个焦元An,计算其所在区间和相应的概率Mn,运算方法是利用随机集的表达以及关系函数的表达形式;
3.由ζ=f(ξ)可以计算出An的像所在值区间f(An),以及其概率的赋值 p=∑{Mn|Rn=f(An)};
(4).根据随机集处理参数得出贝叶斯网络的条件概率表;
(5).根据机场的统计数据确定较稳定参数的状态,收集天气状况,参考在三个不同的天气阶段下参数的调整方式,对其天气参数进行调整;
(6).根据改进随机集贝叶斯网络计算出航班运行的风险预测值,并且根据时间的变化作出航班运行风险预测值的动态曲线。
进一步地,步骤(4)根据不同区间变量的概率赋值表做出相应的变量所在区间的上下概率折线图,得到变量在不同概率区间的分布情况,即为所处理变量的条件概率表。
进一步地,步骤(5)根据机场的统计数据确定改进随机集贝叶斯网络中部分的参数的均值,对于随着天气变化较为明显的参数,需要根据当天的天气变化状况具体调整 其数值,参考在不同的天气阶段下参数的调整方式,对其天气参数进行调整,从而进行 航班运行风险的预测计算。
进一步地,步骤(6)根据步骤(5)中所计算出的航班运行风险随着天气变化的预测值,具体的天气变化导致的天气参数的变化体现在航班高风险预测值的变化,由此做 出航班高风险预测值的折线图,即为当天航班运行风险的动态预测图,参考所得预测图 对航班运行有所调整。
本发明具有如下有益效果:本发明所采用的基于改进随机集贝叶斯网络的航班运行 风险动态分析方法,结合了随机集理论和贝叶斯网络的计算,而不是仅仅利用单一的贝叶斯网络进行数据处理,随机集理论不仅仅处理少量数据样本相关参数,明确有效;而 且计算的精度可以根据实际的要求调整,灵活可靠。利用改进随机集以及贝叶斯网络的 理论可以对于样本统计数据和随机变量的关系建立贝叶斯网络并对其进行相应的估计, 得到的模型可以客观反映出一系列影响因素对于航班运行风险的影响。结合相应的天气 变化和部分运行数据即可进行航班运行风险的动态预测,对于不同阶段的天气均可得风 险预测值,在一定程度上对航班的起飞和降落有着参考意义。
附图说明:
图1为本发明基于改进随机集贝叶斯网络的结构框架示意图。
图2为贝叶斯网络算法流程。
图3为本发明航路环境风险的上下概率折线示例。
图4为本发明航班运行高风险概率预测值曲线图示例。
图5为综合算法流程。
具体实施方式:
下面结合附图对本发明作进一步的说明。
本发明基于改进随机集贝叶斯网络的航班运行风险动态分析方法,包括如下步骤:
(1).根据民航局2018年综合统计调查,对于不正常航班的原因确定相关影响因素;
(2).根据航班运行风险的影响参数分类为主观因素(人为的操作差错等)和客观因素(机场环境状况、航路环境状况等)确定贝叶斯网络的节点,建立贝叶斯网络;
(3).根据随机集理论对已经建立好的贝叶斯网络中的节点进行参数处理,包括以下步骤:
1.在贝叶斯网络建立好的基础下,将每一个父节点的区间Ii划分为k个子区间并且对于每个子区间的基本概率赋予一个值具体条件概率赋值表1所示:
表1
2.对于随机集的每一个焦元An,计算其所在区间和相应的概率Mn,主要的运算方法是利用随机集的表达以及关系函数的表达形式。
3.由ζ=f(ξ)可以计算出An的像所在值区间f(An),以及其概率的赋值 p=∑{Mn|Rn=f(An)},所得航路环境风险分布区间和概率赋值如表2所示:
表2
(4).根据随机集处理参数得出贝叶斯网络的条件概率表,航路环境风险的上下概率折线如图5所示。
(5).根据机场的统计数据确定改进随机集贝叶斯网络中部分的参数的均值(如航路环境中的交通流量、航路乱流等;机场环境中的机场保障能力、外物击伤等)。对于 一些随着天气变化较为明显的参数(如航路环境中的雷暴雨、雷击等;机场环境中的降 雨、风等),需要根据当天的天气变化状况具体调整其数值,参考在三个不同的天气阶 段下参数的调整方式,对其天气参数进行调整,从而进行航班运行风险的预测计算。
(6).根据改进随机集贝叶斯网络计算出航班运行的风险预测值,并且根据时间的变化作出航班运行高风险预测值的动态曲线,航班运行高风险概率预测值曲线图如图4 所示。
其中,步骤(1)中根据民航局2018年综合统计调查中的导致不正常航班的相关因素进行统计确定。
其中,步骤(2)中包括如下步骤:
2.1)将步骤(1)中确定的导致不正常航班的相关因素进行分类为主观因素和客观因素,其中客观因素归结为机场环境状况、航路环境状况等。
2.2)将主观因素归结为人为的操作差错等。
进一步地,步骤(3)中,对于已经建立好的贝叶斯网络进行参数处理,包括如下步骤:
3.1).在贝叶斯网络建立好的基础下,将每一个父节点的区间Ii划分为k个子区间并且对于每个子区间的基本概率赋予一个值
假设各个因素相互独立,节点之间的函数关系为线性关系,各个因素的影响符合指 数分布。变量之间的函数关系有ζ=f(ξ),ξ=(ξ1,ξ2,…).I=[0,100%],将其划分为10个区间[0,10%),[10%,20%),[20%,30%),[30%,40%),[40%,50%),[50%,60%),[60%,70%), [70%,80%),[80%,90%),[90%,100%)。各个因素之间相互独立并且满足指数分布,根据 其统计均值可得u的值;以及指数分布函数可以得到概率赋值表。
3.2).对于随机集的每一个焦元An,计算其所在区间和相应的概率Mn,主要的运 算方法是利用随机集的表达以及关系函数的表达形式。
所求的
3.3).由ζ=f(ξ)可以计算出An的像所在值区间f(An),以及其概率的赋值 p=∑{Mn|Rn=f(An)},由此可以列出在不同区间变量的概率赋值表。
其中,步骤(4)中根据不同区间变量的概率赋值表做出相应的变量所在区间的上下概率折线图,由此得到变量在不同概率区间的分布情况,即为所处理变量的条件概率表,并且基于改进随机集贝叶斯网络也随之完善。
其中,步骤(5)中包括如下步骤:
5.1)根据机场的统计数据确定改进随机集贝叶斯网络中部分的参数的均值(如航路 环境中的交通流量、航路乱流等;机场环境中的机场保障能力、外物击伤等)。
5.2)对于一些随着天气变化较为明显的参数(如航路环境中的雷暴雨、雷击等;机场环境中的降雨、风等),需要根据当天的天气变化状况具体调整其数值,从而达到对 航班运行风险进行预测。
对于天气变化的调整具体为:
5.3).第一阶段:阴天
在天气转阴的情况下,航路环境中的交通流量因素、雷击因素,没有产生一定的变化,而航路乱流因素和雷暴雨的影响因素会随着天气转阴而产生相应变化,从而导致航 路环境风险的高风险预测值有所增长。
在机场环境中,航路占用因素、外物击伤因素、机场保障因素、降雨因素随着天气转阴所受影响较小,保持在一个稳定的范围内;能见度因素随着天气的转阴会产生一些 变化;风和风切变因素也随之产生一些变化,从而机场环境的高风险预测值也有所增加。
5.4).第二阶段:雨天
在天气有雨的状况下,航路环境中的交通流量因素会因为下雨的影响产生相应的减 少;雷击因素会因为季节的不同具有不同的变化,需要根据具体的地区统计数据进行调整;雷暴雨因素也随着下雨影响因素有所增长;航路乱流因素会随着雨量的大小产生相 应的变化,对于航路环境的高风险预测值,雨天产生了较大的高风险。
在机场环境中,跑道占用、外物击伤等因素的影响在雨天的情况伴随着快速下降的 航班数量有所减小;机场保障因素在雨天依然处于一个较为稳定的状态;雨天对于风、风切变、能见度等因素都具有一定的影响(降雨会降低机场能见度)风切变随着风的变 化产生相应的变化,具体变化数值根据雨量大小调整,雨天使得机场环境的高风险预测 值增长较多。
5.5).第三阶段:傍晚
在天气渐渐暗下来的情况下,航路环境中的交通流量因素和航路乱流因素保持在一 个较为稳定的状态;雷暴雨和雷击因素在晴朗天气的情况下也保持在一个较低的稳定状 态,对于航路环境的高风险预测值,傍晚天气状况并没有产生较大影响,与通常统计风险值保持在相对一致的状态。
在机场环境中,受到天气变暗影响较大的就是能见度,能见度随着天气的变暗逐渐 降低;降雨因素、风、风切变因素在晴朗天气保持在一个稳定的状态,具体数值的确定需要根据机场统计数据确定;外物击伤和跑道占用因素也随着天气变暗产生部分的增 长。在傍晚天气情况下,机场环境的高风险预测值较正常情况有较小的增长。
其中,步骤(6)根据步骤(5)中所计算出的航班运行风险随着天气变化的预测值,具体的天气变化导致的天气参数的变化体现在航班高风险预测值的变化,在不同的天气阶段风险预测值有所不同,由此做出航班高风险预测值的折线图,即为当天航班运行风 险的动态预测图,参考所得预测图对航班运行有所调整。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员 来说,在不脱离本发明原理的前提下还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (4)
1.一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法,其特征在于:包括如下步骤:
(1).根据民航2018年综合统计调查,对于不正常航班的原因确定相关影响因素;
(2).根据航班运行风险的影响参数分类为主观因素和客观因素确定贝叶斯网络的节点,建立贝叶斯网络;
(3).根据随机集理论对已经建立好的贝叶斯网络中的节点进行参数处理,包括以下步骤:
3.1).在贝叶斯网络建立好的基础下,将每一个父节点的区间Ii划分为k个子区间并且对于每个子区间的基本概率赋予一个值
3.2).对于随机集的每一个焦元An,计算其所在区间和相应的概率Mn,运算方法是利用随机集的表达以及关系函数的表达形式;
3.3).由ζ=f(ξ)可以计算出An的像所在值区间f(An),以及其概率的赋值p=Σ{Mn|Rn=f(An)};
(4).根据随机集处理参数得出贝叶斯网络的条件概率表;
(5).根据机场的统计数据确定较稳定参数的状态,收集天气状况,参考在三个不同的天气阶段下参数的调整方式,对其天气参数进行调整;
(6).根据改进随机集贝叶斯网络计算出航班运行的风险预测值,并且根据时间的变化做出航班运行风险预测值的动态曲线。
2.如权利要求1所述的基于改进随机集贝叶斯网络的航班运行风险动态分析方法,其特征在于:步骤(4)根据不同区间变量的概率赋值表做出相应的变量所在区间的上下概率折线图,得到变量在不同概率区间的分布情况,即为所处理变量的条件概率表。
3.如权利要求2所述的基于改进随机集贝叶斯网络的航班运行风险动态分析方法,其特征在于:步骤(5)根据机场的统计数据确定改进随机集贝叶斯网络中部分的参数的均值,对于随着天气变化较为明显的参数,需要根据当天的天气变化状况具体调整其数值,参考在不同的天气阶段下参数的调整方式,对其天气参数进行调整,从而进行航班运行风险的预测计算。
4.如权利要求3所述的基于改进随机集贝叶斯网络的航班运行风险动态分析方法,其特征在于:步骤(6)根据步骤(5)中所计算出的航班运行风险随着天气变化的预测值,具体的天气变化导致的天气参数的变化体现在航班高风险预测值的变化,由此做出航班高风险预测值的折线图,即为当天航班运行风险的动态预测图,参考所得预测图对航班运行有所调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810840749.5A CN109242243B (zh) | 2018-07-27 | 2018-07-27 | 一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810840749.5A CN109242243B (zh) | 2018-07-27 | 2018-07-27 | 一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242243A true CN109242243A (zh) | 2019-01-18 |
CN109242243B CN109242243B (zh) | 2022-08-05 |
Family
ID=65073083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810840749.5A Active CN109242243B (zh) | 2018-07-27 | 2018-07-27 | 一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242243B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942260A (zh) * | 2019-12-12 | 2020-03-31 | 长安大学 | 一种基于贝叶斯最大熵的高校交通安全评价方法 |
CN113379331A (zh) * | 2021-07-19 | 2021-09-10 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
CN113642887A (zh) * | 2021-08-12 | 2021-11-12 | 中国民航大学 | 一种基于dddas的航班运行风险分析与预测方法 |
CN113807649A (zh) * | 2021-07-30 | 2021-12-17 | 浙江工商大学 | 一种基于贝叶斯网络的民航飞行安全评估系统 |
CN115860486A (zh) * | 2023-02-22 | 2023-03-28 | 中国民用航空总局第二研究所 | 机场运行重要程度的确定方法、装置、电子设备及介质 |
CN116629449A (zh) * | 2023-06-16 | 2023-08-22 | 中国民航科学技术研究院 | 机场风切变不安全事件模型预测方法、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6314204B1 (en) * | 1998-11-03 | 2001-11-06 | Compaq Computer Corporation | Multiple mode probability density estimation with application to multiple hypothesis tracking |
CN103942739A (zh) * | 2014-05-05 | 2014-07-23 | 上海建科工程咨询有限公司 | 建筑项目风险知识库的构建方法 |
-
2018
- 2018-07-27 CN CN201810840749.5A patent/CN109242243B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6314204B1 (en) * | 1998-11-03 | 2001-11-06 | Compaq Computer Corporation | Multiple mode probability density estimation with application to multiple hypothesis tracking |
CN103942739A (zh) * | 2014-05-05 | 2014-07-23 | 上海建科工程咨询有限公司 | 建筑项目风险知识库的构建方法 |
Non-Patent Citations (1)
Title |
---|
贡英杰等: "基于随机集贝叶斯网的航班延误分析", 《武汉理工大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942260A (zh) * | 2019-12-12 | 2020-03-31 | 长安大学 | 一种基于贝叶斯最大熵的高校交通安全评价方法 |
CN110942260B (zh) * | 2019-12-12 | 2024-02-13 | 长安大学 | 一种基于贝叶斯最大熵的高校交通安全评价方法 |
CN113379331A (zh) * | 2021-07-19 | 2021-09-10 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
CN113379331B (zh) * | 2021-07-19 | 2022-03-25 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
WO2023000666A1 (zh) * | 2021-07-19 | 2023-01-26 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
CN113807649A (zh) * | 2021-07-30 | 2021-12-17 | 浙江工商大学 | 一种基于贝叶斯网络的民航飞行安全评估系统 |
CN113642887A (zh) * | 2021-08-12 | 2021-11-12 | 中国民航大学 | 一种基于dddas的航班运行风险分析与预测方法 |
CN113642887B (zh) * | 2021-08-12 | 2024-04-26 | 中国民航大学 | 一种基于dddas的航班运行风险分析与预测方法 |
CN115860486A (zh) * | 2023-02-22 | 2023-03-28 | 中国民用航空总局第二研究所 | 机场运行重要程度的确定方法、装置、电子设备及介质 |
CN116629449A (zh) * | 2023-06-16 | 2023-08-22 | 中国民航科学技术研究院 | 机场风切变不安全事件模型预测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109242243B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242243A (zh) | 一种基于改进随机集贝叶斯网络的航班运行风险动态分析方法 | |
CN109738970B (zh) | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
AU2020372283A1 (en) | Lightning prediction method | |
EP4009466A1 (en) | System and method for generating a transmission line reliability rating | |
CN106505631B (zh) | 智能风电风功率预测系统 | |
Pawlowski et al. | Application of time-series methods to disturbance estimation in predictive control problems | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN104200081A (zh) | 基于历史数据的登陆台风特征因子的预报方法及系统 | |
CN112884601B (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
CN112215416B (zh) | 智能规划巡检航线系统及方法 | |
CN105679103A (zh) | 一种机场环境容许空中交通量评估方法 | |
CN108415884A (zh) | 一种结构模态参数实时追踪方法 | |
CN112114384A (zh) | 一种输电线覆冰发生概率预报方法 | |
CN106203839A (zh) | 输电线路舞动影响关键因素辨识方法及系统 | |
Li et al. | Passenger flow forecasting research for airport terminal based on SARIMA time series model | |
CN110110937B (zh) | 一种跨区交直流大电网智能调度自动巡航方法 | |
CN114254833A (zh) | 基于多元线性回归和气象数据的水库水位预测及调度方法 | |
CN106530841A (zh) | 机场延误预测方法及装置 | |
CN115662196B (zh) | 飞机积冰预报信息处理方法、装置、电子设备及存储介质 | |
CN111967661A (zh) | 机场跑道运行方向的决策方法、系统、存储介质和设备 | |
JP6364923B2 (ja) | 予測装置及び予測方法 | |
CN110941032A (zh) | 台风的预报方法、装置、设备和计算机可读存储介质 | |
CN113627668B (zh) | 一种超算环境下的数据分析处理系统 | |
CN114936640A (zh) | 一种新能源发电智能预测模型的在线训练方法 |
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 |