CN109978211A - 航班进离港率的预测方法和装置 - Google Patents
航班进离港率的预测方法和装置 Download PDFInfo
- Publication number
- CN109978211A CN109978211A CN201711462228.2A CN201711462228A CN109978211A CN 109978211 A CN109978211 A CN 109978211A CN 201711462228 A CN201711462228 A CN 201711462228A CN 109978211 A CN109978211 A CN 109978211A
- Authority
- CN
- China
- Prior art keywords
- departure
- rate
- function model
- flight
- port
- 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 51
- 238000013459 approach Methods 0.000 claims abstract description 177
- 230000006870 function Effects 0.000 claims description 282
- 238000005457 optimization Methods 0.000 claims description 26
- 238000013480 data collection Methods 0.000 claims description 2
- 230000005055 memory storage Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 108010063499 Sigma Factor Proteins 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000000007 visual effect 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
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000926 separation method Methods 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
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种航班进离港率的预测方法和装置,该方法包括根据云底高度、能见度对机场的气象条件进行分类,建立不同气象条件下航班的第一进港率函数模型和第一离港率函数模型;根据机场的历史数据集,并采用机会约束优化模型对第一进港率函数模型和第一离港率函数模型进行优化,建立航班的第二进港率函数模型和第二离港率函数模型;获取机场的当前气象条件,选择当前气象条件下对应的第二进港率函数模型和第二离港率函数模型;得到机场航班的预测进港率和预测离港率。本发明在机场历史数据集的基础上,建立航班的进离港率函数模型,可以准确预测航班的进离港率。
Description
技术领域
本发明涉及机场运行管理技术,尤其涉及一种航班进离港率的预测方法和装置。
背景技术
机场运行管理技术是保障航班安全、高效、有序地进出机场的核心技术。准确预测单位时间内航班进出机场的数量,即准确预测航班的进离港率是提升机场运行管理效率的前提条件。
现有技术中以航班计划的进出时间为基础,计算单位时间内的航班进离港率,由于航班的进离港率受到多种随机因素的影响,特别是不同气象条件如云底高度、能见度等的影响,现有技术进一步通过人工经验对航班的进离港率进行修正,例如:遇到雾霾天气,则预测航班的进离港率下降20%;遇到大雾天气,航班的进离港率下降10%。
现有技术对于航班进离港率的预测,缺少坚实的理论指导和信息技术的支撑,使得预测结果与实际航班进离港率存在较大偏差,无法满足大型机场精细化运行管理的需求,因此,急需提供一种适用于多气象条件下的航班进离港的自动化方法,准确预测机场航班的进离港率。
发明内容
本发明提供一种航班进离港率的预测方法和装置,在机场历史数据集的基础上,建立航班的进离港率函数模型,可以准确预测航班的进离港率。
本发明的第一方面提供一种航班进离港率的预测方法,包括:
根据云底高度、能见度对机场的气象条件进行分类,建立不同气象条件下航班的第一进港率函数模型和第一离港率函数模型;
根据不同气象条件下所述机场的历史数据集,并采用机会约束优化模型对所述第一进港率函数模型中的第一参数和所述第一离港率函数模型中的第二参数进行优化,建立不同气象条件下航班的第二进港率函数模型和第二离港率函数模型;其中,所述机场的历史数据集包括多个航班历史运行日的气象条件和航班实际进离港时刻;
获取所述机场的当前气象条件,选择所述当前气象条件下对应的所述第二进港率函数模型和所述第二离港率函数模型;
根据当前航班的计划进港时刻和所述第二进港率函数模型获取所述机场航班的预测进港率,根据当前航班的计划离港时刻和所述第二离港率函数模型,获取所述机场航班的预测离港率。
本发明的第二方面提供一种航班进离港率的预测装置,包括:
分类模块,用于根据云底高度、能见度对机场的气象条件进行分类;
第一进港率函数模型建立模块,用于根据所述机场的不同气象条件,建立不同气象条件下航班的第一进港率函数模型;
第一离港率函数模型建立模块,用于根据所述机场的不同气象条件,建立不同气象条件下航班的第一离港率函数模型;
优化模块,用于根据不同气象条件下所述机场的历史数据集,并采用机会约束优化模型对所述第一进港率函数模型中的第一参数和所述第一离港率函数模型中的第二参数进行优化,其中,所述机场的历史数据集包括多个航班历史运行日的气象条件和航班实际进离港时刻;
第二进港率函数模型建立模块,用于根据优化后的第一参数,建立不同气象条件下航班的第二进港率函数模型;
第二离港率函数模型建立模块,用于根据优化后的第二参数,建立不同气象条件下航班的第二离港率函数模型;
第一获取模块,用于获取所述机场的当前气象条件;
选择模块,用于根据所述机场的当前气象条件,选择所述当前气象条件下对应的所述第二进港率函数模型和所述第二离港率函数模型;
第二获取模块,用于根据当前航班的计划进港时刻和所述第二进港率函数模型获取所述机场航班的预测进港率;
第三获取模块,用于根据当前航班的计划离港时刻和所述第二离港率函数模型,获取所述机场航班的预测离港率。
本发明的第三方面提供一种航班进离港率的预测装置,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述航班进离港率的预测装置设备执行上述航班进离港率的预测方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机执行指令,当所述计算机执行指令被处理器执行时,实现上述航班进离港率的预测方法。
本发明提供一种航班进离港率的预测方法和装置,包括根据云底高度、能见度对机场的气象条件进行分类,建立不同气象条件下航班的第一进港率函数模型和第一离港率函数模型;根据机场的历史数据集,并采用机会约束优化模型对第一进港率函数模型中和第一离港率函数模型进行优化,建立航班的第二进港率函数模型和第二离港率函数模型;获取机场的当前气象条件,选择当前气象条件下对应的第二进港率函数模型和第二离港率函数模型;得到机场航班的预测进港率和预测离港率。本发明在机场历史数据集的基础上,建立不同气象条件航班的进离港率函数模型,拥有坚实的理论指导和信息技术的支撑,可以准确预测航班的进离港率。
附图说明
图1为本发明提供的航班进离港率的预测方法流程示意图一;
图2为本发明提供的建立不同气象条件下航班的第二进港率函数模型和第二离港率函数模型的流程示意图;
图3为本发明提供的航班进离港率的预测方法流程示意图二;
图4为本发明提供的航班进离港率的预测装置的结构示意图一;
图5为本发明提供的航班进离港率的预测装置的结构示意图二;
图6为本发明提供的航班进离港率的预测装置的结构示意图三。
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,下面将结合本发明的实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明提供的航班进离港率的预测方法流程示意图一,图1所示方法流程的执行主体可以为航班进离港率的预测装置,该航班进离港率的预测装置可由任意的软件和/或硬件实现。如图1所示,本实施例提供的航班进离港率的预测方法可以包括:
S101,根据云底高度、能见度对机场的气象条件进行分类,建立不同气象条件下航班的第一进港率函数模型和第一离港率函数模型。
机场航班在不同的气象条件下,航班计划进离港的时刻会发生变化,进而影响航班的进港率(Airport Arrival Rate,AAR)和航班的离港率(Airport Departure Rate,ADR),航班的进离港率分别表示单位时间内航班的进离港数量。若能正确预测不同气象条件下的航班进离港率,便可有效提升机场运行管理效率。
本实施例中根据云底高度、能见度对机场的气象条件进行分类,将机场的气象条件分为目视条件、临界条件、仪表条件和低仪表条件4类,其中,具体的气象分类条件如下表1所示:
表1 气象条件分类
本领域的技术人员可以想到的是也可按照其他规则对气象条件进行分类,气象条件的类别也可分为4类或者多类。本实施例中以云底高度、能见度对机场的气象条件进行分类,且将气象条件分为目视条件、临界条件、仪表条件和低仪表条件4类作为示例说明。
本实施例中建立不同气象条件下航班的第一进港率函数模型和第一离港率函数模型。本实施例中可以将航班单个运行日以小时为划分分为24个时间段,则航班的第一进港率函数模型可如下公式一所示:
AAR=fc(t),t∈{0,...,23},c∈{1,...,4} 公式一
航班的第一离港率函数模型可如下公式二所示:
ADR=gc(t),t∈{0,...,23},c∈{1,...,4} 公式二
其中,t表示航班的进离港时刻,c表示不同气象条件的类别;fc(t)表示航班的第一进港率函数模型,gc(t)表示航班的第一离港率函数模型。
其中,航班的第一进港率函数模型和第一离港率函数模型的具体函数表达式可以为任意函数,可以包括但不限于正弦函数、多项式函数、指数函数、对数函数、sigmoid函数。且本领域技术人员可以想到是航班的第一进港率函数模型和第一离港率函数模型也可以是在不同的时刻,以气象条件类别为自变量的模型,本实施例对此不做限制。
S102,根据不同气象条件下机场的历史数据集,并采用机会约束优化模型对第一进港率函数模型中的第一参数和第一离港率函数模型中的第二参数进行优化,建立不同气象条件下航班的第二进港率函数模型和第二离港率函数模型。
机场的历史数据集包括多个航班历史运行日的气象条件和航班实际进离港时刻。首先,按照上述相同的气象分类条件对历史运行日的气象条件进行分类,根据航班实际进离港时刻,统计得到航班历史运行日每个小时航班进港率、出港率。
将历史运行日每个小时航班进港率、出港率代入上述第一进港率函数模型中和第一离港率函数模型中,并采用机会约束优化模型对第一进港率函数模型中的第一参数和第一离港率函数模型中的第二参数进行优化,便在历史数据集实际航班的进离港率的基础上建立航班的第二进港率函数模型和第二离港率函数模型。
S103,获取机场的当前气象条件,选择当前气象条件下对应的第二进港率函数模型和第二离港率函数模型。
对机场的进离港率进行预测,首先获取机场的当前气象条件,确定机场当前气象条件属于上述一气象条件类别,根据该气象条件类别选择对应的第二进港率函数模型和第二离港率函数模型。
S104,根据当前航班的计划进港时刻和第二进港率函数模型获取机场航班的预测进港率,根据当前航班的计划离港时刻和第二离港率函数模型,获取机场航班的预测离港率。
获取当前机场的气象条件类别以及选择对应的第二进港率函数模型和第二离港率函数模型后,对一个航班实际进离港率的预测,还要获取航班的计划进离港时刻,将航班的计划进港时刻代入对应的第二进港率函数模型便可获取机场航班的预测进港率,将航班的计划离港时刻代入对应的第二离港率函数模型,便可获取机场航班的预测离港率。
本实施例中,根据云底高度、能见度对机场的气象条件进行分类,建立不同气象条件下航班的第一进港率函数模型和第一离港率函数模型;根据机场的历史数据集,并采用机会约束优化模型对第一进港率函数模型中和第一离港率函数模型进行优化,建立航班的第二进港率函数模型和第二离港率函数模型;获取机场的当前气象条件,选择当前气象条件下对应的第二进港率函数模型和第二离港率函数模型;得到机场航班的预测进港率和预测离港率。本发明在大量机场历史数据集的基础上,建立更加准确的第二进港率函数模型和第二离港率函数模型,相对于现有技术具有坚实的理论指导和信息技术支撑,可以准确预测航班的进离港率。
下面结合图2对根据不同气象条件下机场的历史数据集,并采用机会约束优化模型对第一进港率函数模型中的第一参数和第一离港率函数模型中的第二参数进行优化,建立不同气象条件下航班的第二进港率函数模型和第二离港率函数模型进行详细说明,图2为本发明提供的建立不同气象条件下航班的第二进港率函数模型和第二离港率函数模型的流程示意图,如图2所示,该流程可以包括:
S201,根据多个航班历史运行日的气象条件和航班的实际进离港时刻,获取多个航班历史运行日不同气象条件下的历史进港率数据集和历史出港率数据集。
按照上述气象分类条件对历史运行日的气象条件进行分类,根据航班实际进离港时刻,得到多个航班历史运行日不同气象条件下的历史进港率数据集和历史出港率数据集,其中,历史进港率数据集包括多个航班历史运行日中每个小时航班的历史进港率,历史出港率数据集包括多个航班历史运行日中每个小时航班的历史出港率。
本实施例中为了便于说明本发明提供的航班进离港率的预测方法,以正弦函数为例、且以时间为自变量进行详细说明。
航班的第一进港率函数模型可以是以时间为自变量的多个函数的线性组合,其中,每个函数对应一个时间段,具体的,第一进港率函数模型可如下公式三所示:
航班第一离港率函数模型可以是以时间为自变量的多个函数的线性组合,其中,每个函数对应一个时间段,具体的,第一离港率函数模型可如下公式四所示:
其中,pf表示第一进港率函数模型中函数的个数,m表示第一进港率函数模型中函数的编号,表示第一进港率函数模型中不同编号的函数中的第一参数,第一参数为常数,在不同的气象条件以及不同的航班进港时刻,第一参数的值可以相同,也可以不同;pg表示第一离港率函数模型中函数的个数,n表示第一离港率函数模型中函数的编号,表示第一离港率函数模型中不同编号的函数中的第二参数,第二参数为常数,在不同的气象条件以及不同的航班离港时刻,第二参数的值可以相同,也可以不同。
S202,采用机会约束优化模型使得第一进港率函数模型与历史进港率数据集之间的第一欧拉距离最小化,以优化第一进港率函数模型中的第一参数,其中,第一欧拉距离最小化可如下公式五所示:
其中,hf表示第一欧拉距离,表示历史进港率数据集;i表示历史进港率数据集中的样本编号,Nc表示历史进港率数据集中的样本数量;subject to表示以历史进港率数据集与第一进港率函数模型之间的第一欧拉距离逐渐减小使得第一欧拉距离最小化。
S203,根据第一欧拉距离和优化后的第一参数,建立不同气象条件下航班的第二进港率函数模型。
具体的,建立不同气象条件下航班的第二进港率函数模型可以包括:
步骤11:将第一参数、第一欧拉距离、第一离港率函数模型中函数的个数赋予初值,并令第一支撑样本集为空集,第一支撑样本集为历史进港率数据集中影响第一参数的样本的集合。
其中,在赋予初值时,可先选择历史进港率数据集中的多个样本,根据该多个样本形成的函数图像,依据该函数图像计算函数图像中的各参数,可依据该参数的取值将第一进港率函数模型中的第一参数赋予初值,可依据该函数图像进一步对第一欧拉距离和第一离港率函数模型中函数的个数赋予初值。
步骤12,分别计算历史进港率数据集中的每个样本的进港率与第一进港率函数模型之间的第一差值,其中,第一差值可如下公式六所示:
其中,表示第一差值。
步骤13,若历史进港率数据集中的每个样本的进港率与第一进港率函数模型之间的第一差值均小于第一欧拉距离,则确定第一欧拉距离达到最小化,第一参数为最优第一参数,得到不同气象条件下航班的第二进港率函数模型
其中,表示最优第一参数。
步骤14,若历史进港率数据集中的样本的进港率与第一进港率函数模型之间的多个第一差值中存在大于第一欧拉距离的差值,将多个第一差值中的最大值对应的历史进港率数据集中的样本记为第一样本,并在第一支撑样本集中添加第一样本。
采用非凸优化方法,计算第一样本的进港率与第一进港率函数模型之间的第一差值,其中,可如下公式七所示:
其中,表示第一样本,Lf表示第一支撑样本集。
重复步骤13、14,直至历史进港率数据集中的每个样本的进港率与第一进港率函数模型之间的第一差值均小于第一欧拉距离,迭代停止;当前第一参数为最优第一参数,得到不同气象条件下航班的第二进港率函数模型
其中,在公式七中采用非凸优化的方式,在得到最优第一参数后,历史进港率数据集中的每个样本的进港率与第一进港率函数模型之间的第一差值即为更新后的第一欧拉距离且在每一次计算第一差值后,都将第一样本添加至第一支撑样本集中,得到更新后的第一支撑样本集
S204,采用机会约束优化模型使得第一离港率函数模型与历史出港率数据集之间的第二欧拉距离最小化,以优化第一离港率函数模型中的第二参数,其中,第二欧拉距离最小化可如下公式八所示:
其中,hg表示第二欧拉距离,表示历史进港率数据集;subject to表示以历史离港率数据集与第一离港率函数模型之间的第二欧拉距离逐渐减小使得第二欧拉距离最小化。
S205,根据第二欧拉距离和优化后的第二参数,建立不同气象条件下航班的第二离港率函数模型。
具体的,建立不同气象条件下航班的第二离港率函数模型可以包括:
步骤21,将第二参数、第二欧拉距离、第一离港率函数模型中函数的个数赋予初值,并令第二支撑样本集为空集,第二支撑样本集为历史离港率数据集中影响第二参数的样本的集合。
其中,赋予初值的方法与上述步骤11中的方法相同,在此不做赘述。
步骤22,分别计算历史离港率数据集中的每个样本的离港率与第一离港率函数模型之间第二差值,其中,第二差值可如下公式九所示:
其中,表示第二差值。
步骤23,若历史离港率数据集中的每个样本的离港率与第一离港率函数模型之间的第二差值均小于第二欧拉距离,则确定第二欧拉距离达到最小化,第二参数为最优第二参数,得到不同气象条件下航班的第二离港率函数模型
其中,表示最优第二参数。
步骤24,若历史离港率数据集中的样本的离港率与第一离港率函数模型之间的多个第二差值中存在大于第二欧拉距离的差值,将多个第二差值中的最大值对应的历史离港率数据集中的样本记为第二样本,并在第二支撑样本集中添加第二样本。
采用非凸优化方法,计算第二样本的离港率与第一离港率函数模型之间的第二差值,其中,可如下公式十所示:
其中,表示第二样本,Lg表示第二支撑样本集。
重复步骤23、24,直至历史离港率数据集中的每个样本的离港率与第一离港率函数模型之间的第二差值均小于第二欧拉距离,迭代停止;当前第二参数为最优第二参数,得到不同气象条件下航班的第二离港率函数模型
其中,在公式七中采用非凸优化的方式,在得到最优第二参数后,历史进港率数据集中的每个样本的离港率与第一离港率函数模型之间的第二差值即为更新后的第二欧拉距离且在每一次计算第一差值后,都将第二样本添加至第二支撑样本集中,得到更新后的第二支撑样本集
其中S202-S203与S204-S205之间没有先后顺序,二者也可以同时执行。
其中,上述S203和S205之后可以得到更新后的第一支撑样本集和更新后的第二支撑样本集可分别得到第一支撑样本集中的样本数量Kf和第二支撑样本集中的样本数量Kg。进而可以得到不同气象条件下航班的第二进港率函数模型的概率保证计算公式,可如下公式十一所示:
其中,ò(Kf)表示第二进港率函数模型的准确度的概率,σ表示置信因子,σ∈(0,1);本实施例中为了使得第二进港率函数模型的准确度的概率具有高的置信度,可提前设置σ为非常小的值,如10-10。
当第一样支撑样本集中样本个数等于历史进港率数据集中的样本数量时,概率为1,而第一样支撑样本集中样本个数小于历史进港率数据集中的样本数量时,概率小于1,其中,ò(Kf)∈(0,1)。
第二离港率函数模型的概率保证计算公式可如下公式十二所示:
其中,ò(Kg)表示第二离港率函数模型的准确度的概率,σ表示置信因子,σ∈(0,1);本实施例中为了使得第二离港率函数模型的准确度的概率具有高的置信度,可提前设置σ为非常小的值,如10-10。
当第二样支撑样本集中样本个数等于历史离港率数据集中的样本数量时,概率为1,而第二样支撑样本集中样本个数小于历史离港率数据集中的样本数量时,概率小于1,其中,ò(Kg)∈(0,1)。
本实施例中采用机会约束优化模型、迭代方法以及非凸优化方式优化对第一进港率函数模型中的第一参数和第一离港率函数模型中的第二参数进行优化,建立更加准确的第二进港率函数模型和第二离港率函数模型;且在优化和迭代的过程中获得了支撑样本集,可以较为方便地计算第二进港率函数模型和第二离港率函数模型的预测准确性概率,且在支撑样本集数量已知时可以使得该预测准确性概率满足一定的置信度。
下面结合图3对建立不同气象条件下航班的第二进港率函数模型和第二离港率函数模型后获取当前机场的预测进离港率进行详细说明,图3为本发明提供的航班进离港率的预测方法流程示意图二,如图3所示,本发明提供的航班进离港率的预测方法还包括:
S301,根据云底高度、能见度对机场的气象条件进行分类,建立不同气象条件下航班的第一进港率函数模型和第一离港率函数模型。
S302,根据不同气象条件下机场的历史数据集,并采用机会约束优化模型对第一进港率函数模型中的第一参数和第一离港率函数模型中的第二参数进行优化,建立不同气象条件下航班的第二进港率函数模型和第二离港率函数模型。
S303,获取机场的当前气象条件,选择当前气象条件下对应的第二进港率函数模型和第二离港率函数模型。
S304,根据当前航班的计划进港时刻和第二进港率函数模型获取机场航班的预测进港率,根据当前航班的计划离港时刻和第二离港率函数模型,获取机场航班的预测离港率。
其中,S301至S304与上述实施例中的S101至S104类似,具体可参照上述实施例的描述,本实施例此处不再赘述。
S305,根据预测进港率和第一欧拉距离,获取航班预测进港率的上、下界值。
在上述实施例中得到航班的第二进港率函数模型后,可以根据当前机场的气象条件类别选择对应的第二进港率函数模型,再将航班的计划进港时刻代入对应的第二进港率函数模型便可获取机场航班的预测进港率,其中,可如下公式十三所示:
其中,表示机场当前航班的预测进港率模型,表示机场的当前气象条件,表示机场的计划进港时刻。
再由上述实施例中获取的更新后的第一欧拉距离,可以获取航班预测进港率的上界值,其中,可如下公式十四所示:
还可以获取航班预测进港率的下界值,其中,可如下公式十五所示:
其中,表示机场当前航班的预测进港率的上界值模型;表示机场当前航班的预测进港率的下界值模型。
S306,根据预测离港率和第二欧拉距离,获取航班预测离港率的上、下界值。
在上述实施例中得到航班的第二离港率函数模型后,可以根据当前机场的气象条件类别选择对应的第二离港率函数模型,再将航班的计划离港时刻代入对应的第二离港率函数模型便可获取机场航班的预测离港率,其中,可如下公式十六所示:
其中,表示机场当前航班的预测离港率模型。
再由上述实施例中获取的更新后的第二欧拉距离,可以获取航班预测离港率的上界值,其中,可如下公式十七所示:
还可以获取航班预测离港率的下界值,其中,可如下公式十八所示:
其中,表示机场当前航班的预测离港率的上界值模型;表示机场当前航班的预测离港率的下界值模型。
其中S305与S306之间没有先后顺序,二者也可以同时执行。
本实施例中,采用机会约束优化模型、迭代方法以及非凸优化方式优化对第一进港率函数模型中的第一参数和第一离港率函数模型中的第二参数进行优化,建立更加准确的第二进港率函数模型和第二离港率函数模型;并获得了历史进港率数据集与第二进港率函数模型之间的第一欧拉距离,以及历史离港率数据集与第二离港率函数模型之间的第二欧拉距离,据此可以获取航班预测进离港率的上下界值,进一步提高了航班进离港率的预测准确率。
图4为本发明提供的航班进离港率的预测装置的结构示意图一,如图4所示,该航班进离港率的预测装置400包括:第一进港率函数模型建立模块401、第一离港率函数模型建立模块402、第二进港率函数模型建立模块403、第二离港率函数模型建立模块404、第一获取模块405、第二获取模块406。
第一进港率函数模型建立模块401,根据云底高度、能见度对机场的气象条件进行分类,建立不同气象条件下航班的第一进港率函数模型。。
第一离港率函数模型建立模块402,根据云底高度、能见度对机场的气象条件进行分类,建立不同气象条件下航班的第一离港率函数模型。
第二进港率函数模型建立模块403,用于根据不同气象条件下机场的历史数据集,并采用机会约束优化模型对第一进港率函数模型中的第一参数进行优化,建立不同气象条件下航班的第二进港率函数模型。
第二离港率函数模型建立模块404,用于根据不同气象条件下机场的历史数据集,并采用机会约束优化模型对第一离港率函数模型中的第二参数进行优化,建立不同气象条件下航班的第二离港率函数模型。
其中,机场的历史数据集包括多个航班历史运行日的气象条件和航班实际进离港时刻
第一获取模块405,用于获取机场的当前气象条件,选择当前气象条件下对应的所述第二进港率函数模型和所述第二离港率函数模型;
第二获取模块406,用于根据当前航班的计划进港时刻和所述第二进港率函数模型获取所述机场航班的预测进港率,根据当前航班的计划离港时刻和所述第二离港率函数模型,获取所述机场航班的预测离港率。
可选的,所述第一进港率函数模型是以时间为自变量的多个函数的线性组合,其中,每个函数对应一个时间段;所述第一离港率函数模型是以时间为自变量的多个函数的线性组合,其中,每个函数对应一个时间段。
可选的,第二进港率函数模型建立模块403,具体用于根据所述多个航班历史运行日的气象条件和航班的实际进离港时刻,获取所述多个航班历史运行日不同气象条件下的历史进港率数据集,所述历史进港率数据集包括所述多个航班历史运行日中每个小时航班的历史进港率,采用机会约束优化模型使得所述第一进港率函数模型与历史进港率数据集之间的第一欧拉距离最小化,以优化所述第一进港率函数模型中的第一参数;根据所述第一欧拉距离和优化后的所述第一参数,建立不同气象条件下航班的所述第二进港率函数模型。
可选的,第二离港率函数模型建立模块404,具体用于根据所述多个航班历史运行日的气象条件和航班的实际进离港时刻,获取所述多个航班历史运行日不同气象条件下的历史出港率数据集,采用机会约束优化模型使得所述第一离港率函数模型与历史出港率数据集之间的第二欧拉距离最小化,以优化所述第一离港率函数模型中的第二参数;根据所述第二欧拉距离和优化后的所述第二参数,建立不同气象条件下航班的所述第二离港率函数模型。
图5为本发明提供的航班进离港率的预测装置的结构示意图二,如图5所示,该航班进离港率的预测装置400还包括:赋值模块407、计算模块408、确定模块409、第三获取模块410和第四获取模块411。
赋值模块407,用于将第一参数、第一欧拉距离、第一离港率函数模型中函数的个数赋予初值,并令第一支撑样本集为空集,第一支撑样本集为历史进港率数据集中影响第一参数的样本的集合。
计算模块408,用于分别计算历史进港率数据集中的每个样本的进港率与第一进港率函数模型之间的第一差值。
确定模块409,用于当历史进港率数据集中的每个样本的进港率与第一进港率函数模型之间的第一差值均小于第一欧拉距离,则确定第一欧拉距离达到最小化,第一参数为最优第一参数,得到不同气象条件下航班的第二进港率函数模型。
计算模块408,还用于当历史进港率数据集中的样本的进港率与第一进港率函数模型之间的多个第一差值中存在大于第一欧拉距离的差值,多个第一差值中的最大值对应的历史进港率数据集中的样本为第一样本,采用非凸优化方法,计算第一样本的进港率与第一进港率函数模型之间的第一差值;直至所述历史进港率数据集中的每个样本的进港率与所述第一进港率函数模型之间的所述第一差值均小于所述第一欧拉距离,迭代停止;当前第一参数为所述最优第一参数,得到不同气象条件下航班的所述第二进港率函数模型。
可选的,赋值模块407,具体用于将第二参数、第二欧拉距离、第一离港率函数模型中函数的个数赋予初值,并令第二支撑样本集为空集,第二支撑样本集为历史离港率数据集中影响第二参数的样本的集合。
可选的,计算模块408,具体用于分别计算历史离港率数据集中的每个样本的离港率与第一离港率函数模型之间第二差值。
可选的,确定模块409,具体用于当历史离港率数据集中的每个样本的离港率与第一离港率函数模型之间的第二差值均小于第二欧拉距离,则确定第二欧拉距离达到最小化,第二参数为最优第二参数,得到不同气象条件下航班的第二离港率函数模型。
可选的,计算模块408,具体用于当历史离港率数据集中的样本的离港率与第一离港率函数模型之间的多个第二差值中存在大于第二欧拉距离的差值,多个第二差值中的最大值对应的历史离港率数据集中的样本为第二样本,采用非凸优化方法,计算第二样本的离港率与第一离港率函数模型之间的第二差值;直至所述历史离港率数据集中的每个样本的离港率与所述第一离港率函数模型之间的所述第二差值均小于所述第二欧拉距离,迭代停止;当前第二参数为所述最优第二参数,得到不同气象条件下航班的所述第二离港率函数模型。
第三获取模块410,用于根据预测进港率和第一欧拉距离,获取航班预测进港率的上、下界值。
第四获取模块411,用于根据预测离港率和第二欧拉距离,获取航班预测离港率的上、下界值。
本实施例提供的航班进离港率的预测装置与上述航班进离港率的预测方法实现的原理和技术效果类似,在此不作赘述。
图6为本发明提供的航班进离港率的预测装置的结构示意图三,该航班进离港率的预测装置例如可以是终端设备,比如智能手机、平板电脑、计算机等。如图6所示,该航班进离港率的预测装置500包括:存储器501和至少一个处理器502。
存储器501,用于存储程序指令。
处理器502,用于在程序指令被执行时实现本实施例中的航班进离港率的预测方法,具体实现原理可参见上述实施例,本实施例此处不再赘述。
该航班进离港率的预测装置还可以包括及输入/输出接口503。
输入/输出接口503可以包括独立的输出接口和输入接口,也可以为集成输入和输出的集成接口。其中,输出接口用于输出数据,输入接口用于获取输入的数据,上述输出的数据为上述方法实施例中输出的统称,输入的数据为上述方法实施例中输入的统称。
本发明还提供一种可读存储介质,可读存储介质中存储有执行指令,当航班进离港率的预测装置的至少一个处理器执行该执行指令时,当计算机执行指令被处理器执行时,实现上述实施例中的航班进离港率的预测方法。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。套管设计装置的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得套管设计装置实施上述的各种实施方式提供的套管设计方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述网络设备或者终端设备的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:ApplicationSpecific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种航班进离港率的预测方法,其特征在于,包括:
根据云底高度、能见度对机场的气象条件进行分类,建立不同气象条件下航班的第一进港率函数模型和第一离港率函数模型;
根据不同气象条件下所述机场的历史数据集,并采用机会约束优化模型对所述第一进港率函数模型中的第一参数和所述第一离港率函数模型中的第二参数进行优化,建立不同气象条件下航班的第二进港率函数模型和第二离港率函数模型;其中,所述机场的历史数据集包括多个航班历史运行日的气象条件和航班实际进离港时刻;
获取所述机场的当前气象条件,选择所述当前气象条件下对应的所述第二进港率函数模型和所述第二离港率函数模型;
根据当前航班的计划进港时刻和所述第二进港率函数模型获取所述机场航班的预测进港率,根据当前航班的计划离港时刻和所述第二离港率函数模型,获取所述机场航班的预测离港率。
2.根据权利要求1所述的预测方法,其特征在于,所述第一进港率函数模型是以时间为自变量的多个函数的线性组合,其中,每个函数对应一个时间段;
所述第一离港率函数模型是以时间为自变量的多个函数的线性组合,其中,每个函数对应一个时间段。
3.根据权利要求2所述的预测方法,其特征在于,所述根据不同气象条件下所述机场的历史数据集,并采用机会约束优化模型对所述第一进港率函数模型中的第一参数和所述第一离港率函数模型中的第二参数进行优化,建立不同气象条件下航班的所述第二进港率函数模型和所述第二离港率函数模型,包括:
根据所述多个航班历史运行日的气象条件和航班的实际进离港时刻,获取所述多个航班历史运行日不同气象条件下的历史进港率数据集和历史出港率数据集,所述历史进港率数据集包括所述多个航班历史运行日中每个小时航班的历史进港率,所述历史出港率数据集包括所述多个航班历史运行日中每个小时航班的历史出港率;
采用机会约束优化模型使得所述第一进港率函数模型与历史进港率数据集之间的第一欧拉距离最小化,以优化所述第一进港率函数模型中的第一参数;
采用机会约束优化模型使得所述第一离港率函数模型与历史出港率数据集之间的第二欧拉距离最小化,以优化所述第一离港率函数模型中的第二参数;
根据所述第一欧拉距离和优化后的所述第一参数,建立不同气象条件下航班的所述第二进港率函数模型;
根据所述第二欧拉距离和优化后的所述第二参数,建立不同气象条件下航班的所述第二离港率函数模型。
4.根据权利要求3所述的预测方法,其特征在于,所述根据所述第一欧拉距离和优化后的所述第一参数,建立不同气象条件下航班的所述第二进港率函数模型,包括:
步骤11:将所述第一参数、所述第一欧拉距离、所述第一离港率函数模型中函数的个数赋予初值,并令第一支撑样本集为空集,所述第一支撑样本集为所述历史进港率数据集中影响所述第一参数的样本的集合;
步骤12,分别计算所述历史进港率数据集中的每个样本的进港率与所述第一进港率函数模型之间的第一差值;
步骤13,若所述历史进港率数据集中的每个样本的进港率与所述第一进港率函数模型之间的所述第一差值均小于所述第一欧拉距离,则确定所述第一欧拉距离达到最小化,所述第一参数为最优第一参数,得到不同气象条件下航班的所述第二进港率函数模型;
步骤14,若所述历史进港率数据集中的样本的进港率与所述第一进港率函数模型之间的多个所述第一差值中存在大于所述第一欧拉距离的差值,将多个所述第一差值中的最大值对应的所述历史进港率数据集中的样本记为第一样本,并在所述第一支撑样本集中添加所述第一样本;
采用非凸优化方法,计算所述第一样本的进港率与所述第一进港率函数模型之间的所述第一差值;
重复步骤13、14,直至所述历史进港率数据集中的每个样本的进港率与所述第一进港率函数模型之间的所述第一差值均小于所述第一欧拉距离,迭代停止;当前第一参数为所述最优第一参数,得到不同气象条件下航班的所述第二进港率函数模型。
5.根据权利要求3所述的预测方法,其特征在于,所述根据所述第二欧拉距离和优化后的所述第二参数,建立不同气象条件下航班的所述第二离港率函数模型,包括:
步骤21,将所述第二参数、所述第二欧拉距离、所述第一离港率函数模型中函数的个数赋予初值,并令第二支撑样本集为空集,所述第二支撑样本集为所述历史离港率数据集中影响所述第二参数的样本的集合;
步骤22,分别计算所述历史离港率数据集中的每个样本的离港率与所述第一离港率函数模型之间所述第二差值;
步骤23,若所述历史离港率数据集中的每个样本的离港率与所述第一离港率函数模型之间的所述第二差值均小于所述第二欧拉距离,则确定所述第二欧拉距离达到最小化,所述第二参数为最优第二参数,得到不同气象条件下航班的所述第二离港率函数模型;
步骤24,若所述历史离港率数据集中的样本的离港率与所述第一离港率函数模型之间的多个所述第二差值中存在大于所述第二欧拉距离的差值,将多个所述第二差值中的最大值对应的所述历史离港率数据集中的样本记为第二样本,并在所述第二支撑样本集中添加所述第二样本;
采用非凸优化方法,计算所述第二样本的离港率与所述第一离港率函数模型之间的所述第二差值;
重复步骤23、24,直至所述历史离港率数据集中的每个样本的离港率与所述第一离港率函数模型之间的所述第二差值均小于所述第二欧拉距离,迭代停止;当前第二参数为所述最优第二参数,得到不同气象条件下航班的所述第二离港率函数模型。
6.根据权利要求4所述的预测方法,其特征在于,所述根据当前航班的实际进港时刻和所述第二进港率函数模型,获取所述机场航班的预测进港率之后,还包括:
根据所述预测进港率和所述第一欧拉距离,获取所述航班预测进港率的上、下界值。
7.根据权利要求5所述的预测方法,其特征在于,根据当前航班的实际离港时刻和所述第二离港率函数模型,获取所述机场航班的预测离港率之后,还包括:
根据所述预测离港率和所述第二欧拉距离,获取所述航班预测离港率的上、下界值。
8.一种航班进离港率的预测装置,其特征在于,包括:
分类模块,用于根据云底高度、能见度对机场的气象条件进行分类;
第一进港率函数模型建立模块,用于根据所述机场的不同气象条件,建立不同气象条件下航班的第一进港率函数模型;
第一离港率函数模型建立模块,用于根据所述机场的不同气象条件,建立不同气象条件下航班的第一离港率函数模型;
优化模块,用于根据不同气象条件下所述机场的历史数据集,并采用机会约束优化模型对所述第一进港率函数模型中的第一参数和所述第一离港率函数模型中的第二参数进行优化,其中,所述机场的历史数据集包括多个航班历史运行日的气象条件和航班实际进离港时刻;
第二进港率函数模型建立模块,用于根据优化后的第一参数,建立不同气象条件下航班的第二进港率函数模型;
第二离港率函数模型建立模块,用于根据优化后的第二参数,建立不同气象条件下航班的第二离港率函数模型;
第一获取模块,用于获取所述机场的当前气象条件;
选择模块,用于根据所述机场的当前气象条件,选择所述当前气象条件下对应的所述第二进港率函数模型和所述第二离港率函数模型;
第二获取模块,用于根据当前航班的实际进港时刻和所述第二进港率函数模型获取所述机场航班的预测进港率;
第三获取模块,用于根据当前航班的实际离港时刻和所述第二离港率函数模型,获取所述机场航班的预测离港率。
9.一种航班进离港率的预测装置,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述航班进离港率的预测装置执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机执行指令,当所述计算机执行指令被处理器执行时,实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711462228.2A CN109978211B (zh) | 2017-12-28 | 2017-12-28 | 航班进离港率的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711462228.2A CN109978211B (zh) | 2017-12-28 | 2017-12-28 | 航班进离港率的预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978211A true CN109978211A (zh) | 2019-07-05 |
CN109978211B CN109978211B (zh) | 2021-04-06 |
Family
ID=67074804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711462228.2A Active CN109978211B (zh) | 2017-12-28 | 2017-12-28 | 航班进离港率的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978211B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096449A (zh) * | 2021-03-25 | 2021-07-09 | 上海行沙科技有限公司 | 一种基于航班大数据的停机位资源编排方法及系统 |
WO2022252847A1 (zh) * | 2021-05-31 | 2022-12-08 | 中国民航信息网络股份有限公司 | 航班季节性归类的预测方法、装置及机器可读介质 |
CN115983613A (zh) * | 2023-03-21 | 2023-04-18 | 民航成都信息技术有限公司 | 一种航班拼接方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030104861A1 (en) * | 2001-12-05 | 2003-06-05 | Peter Gaidarev | Payout distributions for games of chance |
CN105576699A (zh) * | 2016-01-12 | 2016-05-11 | 四川大学 | 一种独立微电网储能裕度检测方法 |
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 |
CN106529734A (zh) * | 2016-11-18 | 2017-03-22 | 中国民航大学 | 一种基于knn和svr的航班滑出时间预测方法 |
CN107092985A (zh) * | 2017-04-13 | 2017-08-25 | 大连理工大学 | 一种面向电动汽车群柔性充放电响应的主动配电网阻塞调度方法 |
-
2017
- 2017-12-28 CN CN201711462228.2A patent/CN109978211B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030104861A1 (en) * | 2001-12-05 | 2003-06-05 | Peter Gaidarev | Payout distributions for games of chance |
CN105576699A (zh) * | 2016-01-12 | 2016-05-11 | 四川大学 | 一种独立微电网储能裕度检测方法 |
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 |
CN106529734A (zh) * | 2016-11-18 | 2017-03-22 | 中国民航大学 | 一种基于knn和svr的航班滑出时间预测方法 |
CN107092985A (zh) * | 2017-04-13 | 2017-08-25 | 大连理工大学 | 一种面向电动汽车群柔性充放电响应的主动配电网阻塞调度方法 |
Non-Patent Citations (3)
Title |
---|
DR GILLIAN CLARE等: "Air Traffic Flow Management Under Uncertainty: Application of Chance Constraints", 《ATACCS"2012》 * |
YUANPING GUO等: "Multiobjective Evolutionary Algorithm with Constraint Handling for Aircraft Landing Scheduling", 《2008IEEE CONGRESS ON EVOLUTIONARY COMPUTATION(IEEE WORLD CONGRESS ON COMPUTATIONAL INTELLIGENCE) 》 * |
俞盛朋: "航班着陆调度的实时优化方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096449A (zh) * | 2021-03-25 | 2021-07-09 | 上海行沙科技有限公司 | 一种基于航班大数据的停机位资源编排方法及系统 |
WO2022252847A1 (zh) * | 2021-05-31 | 2022-12-08 | 中国民航信息网络股份有限公司 | 航班季节性归类的预测方法、装置及机器可读介质 |
CN115983613A (zh) * | 2023-03-21 | 2023-04-18 | 民航成都信息技术有限公司 | 一种航班拼接方法、装置、电子设备及存储介质 |
CN115983613B (zh) * | 2023-03-21 | 2023-06-16 | 民航成都信息技术有限公司 | 一种航班拼接方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109978211B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657465B (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN106204522A (zh) | 对单个图像的联合深度估计和语义标注 | |
CN113642431B (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN110399476A (zh) | 人才画像的生成方法、装置、设备及存储介质 | |
CN103870604B (zh) | 旅游推荐方法和装置 | |
CN109978211A (zh) | 航班进离港率的预测方法和装置 | |
CN110363333A (zh) | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 | |
CN108805174A (zh) | 聚类方法及装置 | |
CN112560985A (zh) | 神经网络的搜索方法、装置及电子设备 | |
CN113361721A (zh) | 模型训练方法、装置、电子设备、存储介质及程序产品 | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
WO2022039675A1 (en) | Method and apparatus for forecasting weather, electronic device and storage medium thereof | |
CN113642727B (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
CN114494776A (zh) | 一种模型训练方法、装置、设备以及存储介质 | |
CN115730555A (zh) | 一种芯片布局方法、装置、设备及存储介质 | |
CN116518979B (zh) | 一种无人机路径规划方法、系统、电子设备及介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN115761360A (zh) | 一种肿瘤基因突变分类方法、装置、电子设备及存储介质 | |
CN115331048A (zh) | 图像分类方法、装置、设备以及存储介质 | |
CN115052154A (zh) | 一种模型训练和视频编码方法、装置、设备及存储介质 | |
CN113326885A (zh) | 训练分类模型和数据分类的方法及装置 | |
CN114065646A (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
CN112905896A (zh) | 一种推荐个数模型的训练方法、混合内容推荐方法及装置 |
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 |