CN109448366A - 一种基于随机森林的空域扇区拥挤程度预测方法 - Google Patents
一种基于随机森林的空域扇区拥挤程度预测方法 Download PDFInfo
- Publication number
- CN109448366A CN109448366A CN201811217530.6A CN201811217530A CN109448366A CN 109448366 A CN109448366 A CN 109448366A CN 201811217530 A CN201811217530 A CN 201811217530A CN 109448366 A CN109448366 A CN 109448366A
- Authority
- CN
- China
- Prior art keywords
- sector
- data
- aircraft
- input vector
- degree
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于随机森林的空域扇区拥挤程度预测方法,属于空中交通拥挤程度预测领域,能够对空域扇区拥挤程度进行科学地、合理地预测。本发明包括读入历史数据、数据预处理、构建特征集、构建决策树、利用随机森林预测扇区拥挤等级这五个步骤,对扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离这五个指标数据进行处理,利用模糊评价法得到该扇区每个时间段对应的拥挤等级,再采用ID3算法作为核心算法构建决策树,最后抽取样本代入决策树,逐层分类,得到预测结果,根据结果计算预测准确率、预测平均绝对误差、预测平均百分比误差三种评估指标数据,每个指标取均值,评估预测是否准确。
Description
技术领域
本发明属于空中交通拥挤程度预测领域,尤其涉及一种基于随机森林的空域扇区拥挤程度预测方法。
背景技术
随着航空运输业务的迅猛发展,在相对有限的空域资源条件下,交通拥挤现象日益严重,严重影响着空中交通运行的安全与效率,虽说国内在识别空中交通拥挤程度上已经取得了突破性进展,但仅仅是识别已经不能满足现阶段以及未来对空中交通拥挤的研究。面对日趋饱和的空域和混合多元的运行方式,如何准确预测空域扇区交通拥挤程度并根据预测提前部署相应的交通管理措施已经成为空中交通管理亟需解决的问题。
空中交通拥挤是指在某一时段内,由于某空中交通单元(机场、航路、终端区、区域)的交通需求与其交通容量发生矛盾而引起的交通滞留现象或滞留态势。目前我国对空中交通拥挤程度的预测尚处于起步阶段,缺少相关研究,更是缺乏具体的应用方法。
目前,基于机器学习智能算法预测空中交通拥挤程度已成为主流趋势,因此选择的机器学习的方法就尤为重要。而想要达到这一目的,就要结合空中交通的实际情况去选取预测方法。随机森林算法本身就是一个包含多个决策树的分类器,并且其输出的类别是由决策树输出的类别的众数而定。空中交通拥挤预测本身就是非确定性问题,利用随机森林算法预测扇区拥挤程度,根据分类众数而定,不仅合理,而且还能提高预测精度,对一线空管如何做出防范性管理措施具有指导性意义。
发明内容
本发明提供了一种基于随机森林的空域扇区拥挤程度预测方法,能够对空域扇区拥挤程度进行科学合理预测,为一线空中交通管制员提供合理分配空中交通流决策支持。
为实现以上目的,本发明采用以下技术方案:
一种基于随机森林的空域扇区拥挤程度预测方法,包括以下步骤:
(1)读入历史数据:对扇区轨迹数据进行处理,将星期、时间段、扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离这七个指标从左到右排列形成数据集的第一行指标名称,将后五个指标的数据与星期以及时间段一一对应,得到每天各时间段该扇区包含扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离五个指标数据的数据集。
(2)数据预处理(离散化):对扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离这五个指标数据根据百分位法把该扇区每一时间段的数据进行分类,总共为五类:
第1类:[0,T1]
第2类:(T1,T2]
第3类:(T2,T3]
第4类:(T3,T4]
第5类:(T4,T5]
其中T1、T2、T3、T4和T5分别是历史一周数据中20%、40%、60%、80%以及100%分位数所对应的值,最后利用模糊评价法得到该扇区每个时间段对应的拥挤等级。将星期、时间段、扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离、拥挤等级这八个指标从左到右排列形成数据集的第一行指标名称,将后六个指标的数据与星期以及时间段一一对应,其中扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离这五个指标的数据根据百分位分类用特殊符号表示:第1类数据用0020表示、第2类数据用2040表示、第3类数据用4060表示、第4类数据用6080表示、第5类数据用80100表示;用数字1至5表示拥挤等级,1代表畅通、2代表基本畅通、3代表轻度拥挤、4代表中度拥挤、5代表重度拥挤,以此得到对历史数据离散化处理后的数据集。
(3)构建特征集:根据步骤(2)中对历史数据离散化处理后得到的数据集,将星期、时间段、以及预测时间段的前4个时间段每个时间段的扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器平均距离这5个指标以及拥挤等级指标作为特征集的第一行指标名称,第一行指标名称总共有1+1+4×5+1=23个指标;将扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器平均距离的离散化处理后的指标数据以及拥挤等级与星期以及时间段一一对应,以此构建特征集。
(4)构建决策树:针对步骤(3)中创建的特征集,采用迭代二叉树3代算法作为决策树分类的核心算法。
(ⅰ)计算输出向量Y(拥挤等级)信息熵,计算公式如下:
其中,E——输出向量拥挤等级信息熵;
c——拥挤评价等级个数;
ui——输出向量中各拥挤评价等级所占评价总体的概率。
(ⅱ)计算各输入向量每列中每种分类的联合概率,计算公式如下:
其中,Pi——各输入向量中每种分类的联合概率;
Ni——各输入向量每列中每一种分类的个数;
D——测试集时间段总数。
(ⅲ)计算各输入向量的条件概率熵,计算公式如下:
其中,Si——各输入向量中每一种分类的条件概率熵;
n——各输入向量每列中各分类对应的输出评价等级中每个等级的数目;
m——各输入向量每列中各分类对应的输出评价等级中包含的实际评价等级的数目。
(ⅳ)计算各输入向量条件熵,计算公式如下:
其中,L(P,S)——各输入向量的信息熵;
a——各输入向量每列中实际的分类数目。
(ⅴ)计算各输入向量互信息熵,计算公式如下:
G=E-L(P,S)
其中,G——各输入向量互信息熵。
(ⅵ)构建决策树:根据步骤(ⅴ)中算出的互信息熵,选择出各输入向量的互信息熵中的最大值,那么该值对应的输入向量为第一分支点。
决策树第一次分类后的每一步分类重复步骤(ⅰ)—步骤(ⅴ)中的计算,择出最佳输入向量最为分支点并以此进行分类,直到最终不能分类为止,以此构建完整的决策树。
(5)利用随机森林预测扇区拥挤等级:将步骤(3)中创建的特征集按照行顺序随机打乱,采用有放回的随机抽样法从随机打乱的特征集中抽取数据样本,每个样本数目与原特征集样本数相同,抽取样本个数根据决策树数目决定。按照步骤 4中的迭代二叉树3代算法构建100颗以上的决策树,将抽取出的每一个样本代入每一颗决策树中,根据步骤(ⅰ)—步骤(ⅴ)中的算法选取最佳分支点进行逐层分类,直到不能分类为止,将最终分类结果中最多个数的结果作为预测结果;第一次预测后,将特征集按照行顺序多次打乱,每次打乱后重复上述步骤有放回随机抽取样本,构建决策树,样本代入决策树得出预测结果。对于每次预测结果,根据结果计算预测准确率、预测平均绝对误差、预测平均百分比误差三种评估指标数据,最后每个指标取均值,以此来评估预测是否准确。
本发明的有益效果为:本发明提出了一种基于随机森林的空域扇区拥挤程度预测方法,本专利方法通过利用随机森林方法对空中交通拥挤程度进行了科学合理的预测,从空域整体考虑可以影响拥挤程度的因素,并将这些因素作为预测拥挤程度的特征向量,能够从多个方面综合预测空域扇区的拥挤程度,具有准确性、全面性以及指导意义;将具体的指标数值在历史数据的基础上利用百分位法进行离散化分类,科学合理地建立了训练数据集以及测试集,并提出了两种计算预测精度的方法,将评估预测精度转化为基于数值的定量评价,力求预测在基于全面性的基础上准确且具有指导意义,实现了对空域扇区拥挤程度科学合理的预测, 为一线空中交通管制员提供合理分配空中交通流决策支持。
附图说明
图1为基于随机森林的空域扇区拥挤程度预测方法流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明:
如图1所示,基于随机森林的空域扇区拥挤程度预测方法,包括以下步骤:
(1)读入历史数据:对扇区轨迹数据(利用一个扇区1周的数据进行实验) 进行处理,将星期、时间段、扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离这七个指标从左到右排列形成数据集的第一行指标名称,将后五个指标的数据与星期以及时间段一一对应,得到每天各时间段该扇区包含扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离五个指标数据的数据集。
(2)数据预处理(离散化):对扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离这五个指标数据根据百分位法把该扇区每一时间段的数据进行分类,总共为五类:
第1类:[0,T1]
第2类:(T1,T2]
第3类:(T2,T3]
第4类:(T3,T4]
第5类:(T4,T5]
其中T1、T2、T3、T4和T5分别是历史一周数据中20%、40%、60%、80%以及100%分位数所对应的值,最后利用模糊评价法得到该扇区每个时间段对应的拥挤等级。将星期、时间段、扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离、拥挤等级这八个指标从左到右排列形成数据集的第一行指标名称,将后六个指标的数据与星期以及时间段一一对应,其中扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离这五个指标的数据根据百分位分类用特殊符号表示:第1类数据用0020表示、第2类数据用2040表示、第3类数据用4060表示、第4类数据用6080表示、第5类数据用80100表示;用数字1至5表示拥挤等级,1代表畅通、2代表基本畅通、3代表轻度拥挤、4代表中度拥挤、5代表重度拥挤,以此得到对历史数据离散化处理后的数据集。
(3)构建特征集:根据步骤(2)中对历史数据离散化处理后得到的数据集,将星期、时间段、以及预测时间段的前4个时间段每个时间段的扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器平均距离这5个指标以及拥挤等级指标作为特征集的第一行指标名称,第一行指标名称总共有1+1+4×5+1=23个指标;将扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器平均距离的离散化处理后的指标数据以及拥挤等级与星期以及时间段一一对应,以此构建特征集。
其中,输入特征向量:x1=星期,x2=t+1时间段,x3=ρ(t),x4=ε(t),x5=α(t)、 x6=c(t)、x7=r(t)、x8=ρ(t-1)、x9=ε(t-1)、x10=α(t-1)、x11=c(t-1)、x12=r(t-1)、 x13=ρ(t-2)、x14=ε(t-2)、x15=α(t-2)、x16=c(t-2)、x17=r(t-2)、x18=ρ(t-3)、 x19=ε(t-3)、x20=α(t-3)、x21=c(t-3)、x22=r(t-4),其中ρ(t)表示x2时间段t 的扇区容量饱和度数据所占类别;ε(t)表示x2时间段t的潜在冲突次数数据所占类别;α(t)表示x2时间段t的扇区航空器密度数据所占类别;c(t)表示x2时间段 t的扇区航空器平均速度饱和度数据所占类别;r(t)表示x2时间段t的扇区航空器平均距离数据所占类别,其余时间段数据含义与上述相同,输入向量有 2(星期和时间段)+5(五个指标)×4(预测时间段前四个时间段)=22个元素。
输出特征向量:Y=H(t+1)。其中Y表示最后输出的拥挤等级,H(t+1)表示输出的拥挤等级为t+1时间段的拥挤等级。
(4)构建决策树:针对步骤3中创建的特征集,采用迭代二叉树3代算法作为决策树分类的核心算法。
(ⅰ)计算输出向量Y(拥挤等级)信息熵,具体计算公式如下:
其中,E——输出向量拥挤等级信息熵;
c——拥挤评价等级个数;
ui——输出向量中各拥挤评价等级所占评价总体的概率。
(ⅱ)计算各输入向量每列中每种分类的联合概率,具体计算公式如下:
其中,Pi——各输入向量中每种分类的联合概率;
Ni——各输入向量每列中每一种分类的个数;
D——测试集时间段总数。
(ⅲ)计算各输入向量的条件概率熵,具体计算公式如下:
其中,Si——各输入向量中每一种分类的条件概率熵;
n——各输入向量每列中各分类对应的输出评价等级中每个等级的数目;
m——各输入向量每列中各分类对应的输出评价等级中包含的实际评价等级的数目。
(ⅳ)计算各输入向量条件熵,具体计算公式如下:
其中,L(P,S)——各输入向量的信息熵;
a——各输入向量每列中实际的分类数目。
(ⅴ)计算各输入向量互信息熵,具体计算公式如下:
G=E-L(P,S)
其中,G——各输入向量互信息熵。
(ⅵ)构建决策树:根据步骤(ⅴ)中算出的互信息熵,选择出各输入向量中互信息熵中的最大值,那么该值对应的输入向量为第一分支点。
决策树第一次分类后的每一步分类重复步骤(ⅰ)-步骤(ⅴ)中的计算,择出最佳输入向量最为分支点并以此进行分类,直到最终不能分类为止,以此构建完整的决策树。
(5)利用随机森林预测扇区拥挤等级:将步骤(3)中创建的特征集按照行顺序随机打乱,采用有放回的随机抽样法从随机打乱的特征集中抽取数据样本,每个样本数目与原特征集样本数相同,抽取样本个数根据决策树数目决定。按照步骤 4中的迭代二叉树3代算法构建100颗以上的决策树,将抽取出的每一个样本代入每一颗决策树中,根据步骤(ⅰ)—步骤(ⅴ)中的算法选取最佳分支点进行逐层分类,直到不能分类为止,将最终分类结果中最多个数的结果作为预测结果;第一次预测后,将特征集按照行顺序多次打乱,每次打乱后重复上述步骤有放回随机抽取样本,构建决策树,样本代入决策树得出预测结果。对于每次预测结果,根据结果计算预测准确率、预测平均绝对误差、预测平均百分比误差三种评估指标数据,最后每个指标取均值,以此来评估预测是否准确。
以中南区2014年3月1日至3月7日的历史运行数据为基础,以扇区1为例,根据特征集集将1号到6号以及7号00:00—12:00的数据中的输入特征向量作为训练数据集;将1号到6号以及7号00:00—12:00的数据中的输出特征向量作为训练标签集;将7号12:00—24:00的数据中的输入特征向量作为测试数据集;决策树数目:1000。最终预测结果准确率:76.4%;预测平均绝对误差:0.2361;预测平均百分比误差:7.1%。从结果中可以看出,随机森林预测扇区拥挤等级得出的结果科学合理,具有指导意义。
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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于随机森林的空域扇区拥挤程度预测方法,其特征在于,包括以下步骤:
(1)读入历史数据:对扇区轨迹数据进行处理,得到每天各时间段该扇区包含扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离五个指标数据的数据集;
(2)数据预处理:对扇区的扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离这五个指标数据根据百分位法把该扇区每一时间段的数据进行分类,利用模糊评价法得到该扇区每个时间段对应的拥挤等级,再对扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离、拥挤等级这六个指标进行处理得到对历史数据离散化处理后的数据集;
(3)构建特征集:根据步骤(2)中对历史数据离散化处理后得到的数据集,将星期、预测时间段、以及预测时间段的前4个时间段每个时间段的扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器平均距离这5个指标、预测时间段拥挤等级作为特征集的第一行指标名称,第一行指标名称总共有1+1+4×5+1=23个指标;将扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器平均距离的离散化处理后的指标数据以及拥挤等级与星期以及时间段一一对应,以此构建特征集;
(4)构建决策树:针对步骤(3)中创建的特征集,采用迭代二叉树3代算法作为决策树分类的核心算法,重复计算,择出最佳输入向量最为分支点并以此进行分类,直到最终不能分类为止,以此构建完整的决策树;
(5)利用随机森林预测扇区拥挤等级:将步骤(3)中创建的特征集按照行顺序随机打乱,采用有放回的随机抽样法从随机打乱的特征集中抽取数据样本,按照步骤(4)中的迭代二叉树3代算法构建决策树,将抽取出的每一个样本代入每一颗决策树中,根据步骤(4)中的算法选取最佳分支点进行逐层分类,直到不能分类为止,将最终分类结果中最多个数的结果作为预测结果,对于每次预测结果,根据结果计算预测准确率、预测平均绝对误差、预测平均百分比误差三种评估指标数据,最后每个指标取均值,以此来评估预测是否准确。
2.根据权利要求1所述的基于随机森林的空域扇区拥挤程度预测方法,其特征在于,步骤(1)中对扇区轨迹数据进行处理是以一个扇区1周的数据进行实验,将星期、时间段、扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离这七个指标从左到右排列形成数据集的第一行指标名称,将后五个指标的数据与星期以及时间段一一对应,得到所述数据集。
3.根据权利要求1所述的基于随机森林的空域扇区拥挤程度预测方法,其特征在于,步骤(2)中所述将该扇区每一时间段的数据进行分类,总共分为五类:
第1类:[0,T1]
第2类:(T1,T2]
第3类:(T2,T3]
第4类:(T3,T4]
第5类:(T4,T5]
其中T1、T2、T3、T4和T5分别是历史一周数据中20%、40%、60%、80%以及100%分位数所对应的值,对所述八个指标进行处理是将星期、时间段、扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离、拥挤等级这八个指标从左到右排列形成数据集的第一行指标名称,将后六个指标的数据与星期以及时间段一一对应,其中扇区容量饱和度、潜在冲突次数、扇区航空器密度、扇区航空器平均速度饱和度、扇区航空器间平均距离这五个指标的数据根据百分位分类用特殊符号表示:第1类数据用0020表示、第2类数据用2040表示、第3类数据用4060表示、第4类数据用6080表示、第5类数据用80100表示,用数字1至5表示拥挤等级,1代表畅通、2代表基本畅通、3代表轻度拥挤、4代表中度拥挤、5代表重度拥挤,以此得到对历史数据离散化处理后的数据集。
4.根据权利要求1所述的基于随机森林的空域扇区拥挤程度预测方法,其特征在于,步骤(4)构建决策树包括以下步骤:
(ⅰ)计算输出向量Y拥挤等级的信息熵,计算公式如下:
其中,E——输出向量拥挤等级信息熵,
c——拥挤评价等级个数,
ui——输出向量中各拥挤评价等级所占评价总体的概率;
(ⅱ)计算各输入向量每列中每种分类的联合概率,计算公式如下:
其中,Pi——各输入向量中每种分类的联合概率,
Ni——各输入向量每列中每一种分类的个数,
D——测试集时间段总数;
(ⅲ)计算各输入向量的条件概率熵,计算公式如下:
其中,Si——各输入向量中每一种分类的条件概率熵,
n——各输入向量每列中各分类对应的输出评价等级中每个等级的数目,
m——各输入向量每列中各分类对应的输出评价等级中包含的实际评价等级的数目;
(ⅳ)计算各输入向量条件熵,计算公式如下:
其中,L(P,S)——各输入向量的信息熵,
a——各输入向量每列中实际的分类数目;
(ⅴ)计算各输入向量互信息熵,计算公式如下:
G=E-L(P,S)
其中,G——各输入向量互信息熵;
(ⅵ)构建决策树:根据步骤4.5中算出的互信息熵,选择出各输入向量的互信息熵中的最大值,该值对应的输入向量为第一分支点,决策树第一次分类后的每一步分类重复步骤(ⅰ)—步骤(ⅴ)中的计算,择出最佳输入向量最为分支点并以此进行分类,直到最终不能分类为止,构建完整的决策树。
5.根据权利要求1或4所述的基于随机森林的空域扇区拥挤程度预测方法,其特征在于,步骤(5)中所述抽取样本个数根据决策树数目决定,按照步骤(4)中的ID3算法构建100颗以上的决策树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217530.6A CN109448366B (zh) | 2018-10-18 | 2018-10-18 | 一种基于随机森林的空域扇区拥挤程度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217530.6A CN109448366B (zh) | 2018-10-18 | 2018-10-18 | 一种基于随机森林的空域扇区拥挤程度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109448366A true CN109448366A (zh) | 2019-03-08 |
CN109448366B CN109448366B (zh) | 2021-09-17 |
Family
ID=65546943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811217530.6A Active CN109448366B (zh) | 2018-10-18 | 2018-10-18 | 一种基于随机森林的空域扇区拥挤程度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109448366B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533241A (zh) * | 2019-08-26 | 2019-12-03 | 南京航空航天大学 | 终端区起降容量预测系统 |
CN110555552A (zh) * | 2019-08-26 | 2019-12-10 | 南京航空航天大学 | 基于天气危险指数的终端区起降容量预测方法 |
EP3893224A1 (en) * | 2020-04-07 | 2021-10-13 | The Boeing Company | Systems, methods, and apparatus to improve aircraft traffic control |
CN114724414A (zh) * | 2022-03-14 | 2022-07-08 | 中国科学院地理科学与资源研究所 | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
CN116913097A (zh) * | 2023-09-14 | 2023-10-20 | 江西方兴科技股份有限公司 | 一种交通状态预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014056746A1 (de) * | 2012-10-09 | 2014-04-17 | Bayerische Motoren Werke Aktiengesellschaft | Schätzung des strassentyps mithilfe von sensorbasierten umfelddaten |
CN103942623A (zh) * | 2014-04-22 | 2014-07-23 | 中国民航大学 | 一种基于需求与容量不确定性的机场拥挤风险预测方法 |
CN105261240A (zh) * | 2015-09-30 | 2016-01-20 | 中国民用航空总局第二研究所 | 一种基于聚类分析的扇区运行性能综合检测方法及系统 |
CN106023655A (zh) * | 2016-06-30 | 2016-10-12 | 南京航空航天大学 | 一种扇区空中交通拥堵状态监测方法 |
CN107316503A (zh) * | 2017-06-28 | 2017-11-03 | 中国电子科技集团公司第二十八研究所 | 一种基于多级物元熵权的拥堵热点空域扇区识别方法 |
CN108399748A (zh) * | 2018-03-08 | 2018-08-14 | 重庆邮电大学 | 一种基于随机森林与聚类算法的道路旅行时间预测方法 |
US20180234166A1 (en) * | 2017-02-15 | 2018-08-16 | Viasat, Inc. | Dynamic spatial allocation of satellite capacity based on mobile vessel load forecasting |
-
2018
- 2018-10-18 CN CN201811217530.6A patent/CN109448366B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014056746A1 (de) * | 2012-10-09 | 2014-04-17 | Bayerische Motoren Werke Aktiengesellschaft | Schätzung des strassentyps mithilfe von sensorbasierten umfelddaten |
CN103942623A (zh) * | 2014-04-22 | 2014-07-23 | 中国民航大学 | 一种基于需求与容量不确定性的机场拥挤风险预测方法 |
CN105261240A (zh) * | 2015-09-30 | 2016-01-20 | 中国民用航空总局第二研究所 | 一种基于聚类分析的扇区运行性能综合检测方法及系统 |
CN106023655A (zh) * | 2016-06-30 | 2016-10-12 | 南京航空航天大学 | 一种扇区空中交通拥堵状态监测方法 |
US20180234166A1 (en) * | 2017-02-15 | 2018-08-16 | Viasat, Inc. | Dynamic spatial allocation of satellite capacity based on mobile vessel load forecasting |
CN107316503A (zh) * | 2017-06-28 | 2017-11-03 | 中国电子科技集团公司第二十八研究所 | 一种基于多级物元熵权的拥堵热点空域扇区识别方法 |
CN108399748A (zh) * | 2018-03-08 | 2018-08-14 | 重庆邮电大学 | 一种基于随机森林与聚类算法的道路旅行时间预测方法 |
Non-Patent Citations (2)
Title |
---|
YUNXIANG LIU,HAO WU: "Prediction of Road Traffic Congestion Based on Random Forest", 《2017 10TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN (ISCID)》 * |
田文,明华: "空域拥挤风险管理时间决策模型与方法", 《南京航空航天大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533241A (zh) * | 2019-08-26 | 2019-12-03 | 南京航空航天大学 | 终端区起降容量预测系统 |
CN110555552A (zh) * | 2019-08-26 | 2019-12-10 | 南京航空航天大学 | 基于天气危险指数的终端区起降容量预测方法 |
CN110533241B (zh) * | 2019-08-26 | 2022-02-01 | 南京航空航天大学 | 终端区起降容量预测系统 |
CN110555552B (zh) * | 2019-08-26 | 2022-05-03 | 南京航空航天大学 | 基于天气危险指数的终端区起降容量预测方法 |
EP3893224A1 (en) * | 2020-04-07 | 2021-10-13 | The Boeing Company | Systems, methods, and apparatus to improve aircraft traffic control |
US11651697B2 (en) | 2020-04-07 | 2023-05-16 | The Boeing Company | Systems, methods, and apparatus to improve aircraft traffic control |
CN114724414A (zh) * | 2022-03-14 | 2022-07-08 | 中国科学院地理科学与资源研究所 | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
CN114724414B (zh) * | 2022-03-14 | 2023-06-09 | 中国科学院地理科学与资源研究所 | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
CN116913097A (zh) * | 2023-09-14 | 2023-10-20 | 江西方兴科技股份有限公司 | 一种交通状态预测方法及系统 |
CN116913097B (zh) * | 2023-09-14 | 2024-01-19 | 江西方兴科技股份有限公司 | 一种交通状态预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109448366B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448366A (zh) | 一种基于随机森林的空域扇区拥挤程度预测方法 | |
CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
CN106777703A (zh) | 一种公交乘客实时分析系统及其构建方法 | |
Zhang et al. | A modified multi-objective genetic algorithm for two-sided assembly line re-balancing problem of a shovel loader | |
KR102161256B1 (ko) | 주식 포트폴리오 구성을 위한 주식 종목 선택 장치 및 그 방법 | |
Vu et al. | Convolutional neural networks improve fungal classification | |
Kasemset et al. | A PSO-based procedure for a bi-level multi-objective TOC-based job-shop scheduling problem | |
CN105808582A (zh) | 基于分层策略的决策树并行生成方法和装置 | |
CN111950910B (zh) | 基于dbscan-ga的机场保障车辆任务调度方法 | |
CN109492093A (zh) | 基于高斯混合模型和em算法的文本分类方法及电子装置 | |
CN116110234B (zh) | 基于人工智能的车流量预测方法、装置及其应用 | |
CN104966106A (zh) | 一种基于支持向量机的生物年龄分步预测方法 | |
Li et al. | A hybrid evolutionary hyper-heuristic approach for intercell scheduling considering transportation capacity | |
CN112416588B (zh) | 一种基于随机森林算法的资源分配方法 | |
Schösser et al. | On the Performance of Machine Learning Based Flight Delay Prediction–Investigating the Impact of Short-Term Features | |
CN108491968A (zh) | 基于农产品质量安全应急资源调度模型计算方法 | |
Chen et al. | An efficient and practical approach to obtain a better optimum solution for structural optimization | |
CN115759470A (zh) | 一种基于机器学习的航班飞行全过程燃油消耗预测方法 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 | |
Lee et al. | A sequential search framework for selecting weights of dispatching rules in manufacturing systems | |
Dai | A hybrid machine learning-based model for predicting flight delay through aviation big data | |
Ou-Yang et al. | Hybrid self-adaptive-velocity particle swarm optimisation-Cooper heuristic for the facility location allocation problem in Jakarta | |
Wang | SVR short-term traffic flow forecasting model based on spatial-temporal feature selection | |
CN113379125B (zh) | 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法 |
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 |