CN110009939A - 基于asm的航班延误预测及波及分析方法 - Google Patents

Abstract

本发明提出一种基于ASM的航班延误预测及波及分析方法，首先，面向延误预测问题，利用航班报文数据、飞机前站起飞时间、机型、是否有要客等信息，构建MNR模型来预测航班到达时间；其次，面向延误波及问题，利用MPM构建延误波及的对称性模型ASM，并定义变形梯度的概念，如果变形梯度小于0，证明航班没有受到延误波及，否则，说明航班来自自身因素或者外界因素的影响而发生了延误；最后，若受波及影响，基于ASM模型对MNR进行改进，对MNR模型的各个参数引入传递因子来分析延误波及，在波及分析的基础上，实时更新航班延误时间，可以实时更新到达延误的方程，充分考虑了延误波及问题，得到的结果更加精确、计算更加快速。

Description

基于ASM的航班延误预测及波及分析方法

技术领域

本发明涉及民航航空技术领域，具体涉及一种基于ASM的航班延误预测及波及分析方法。

背景技术

航班延误，作为航空运输服务纠纷的焦点，近几年，随着中国民航运输量的不断增长，这个问题受到越来越多的关注。航班延误不仅给机场、航空公司带来直接的经济损失，给旅客的正常出行造成很大的不便，还会严重扰乱机场的正常秩序。对于航空公司来说，每一架飞机在一天之内执行多个航班，在上游航班发生延误的情况下对下游航班延误状况进行有效的预测，对于提高航空公司的服务质量，提升航空公司的竞争力具有重要的现实意义。

例如，申请公布号为【CN106530841A】的发明专利公开一种机场延误预测方法及装置，通过获取选定机场在选定时间的环境数据以及所述环境数据在所述选定时间匹配的机场实际延误值；根据机场实际延误值获得在选定时间内的日平均机场延误时间，并基于环境数据、日平均机场延误时间以及环境容量衰减延时计算规则，获得环境数据的环境容量衰减延时数据，通过建立延误回归模型，获得机场延误预测值。另外，申请公布号为【CN105844346A】的发明专利公开一种基于ARIMA模型的航班延误预测方法。上述两种预测方式在对航班延误预测时多依赖于历史数据，且所构建的模型为静态的，无法随实际情况的实时变化而更新，导致特殊情况时，预测结果与实际相差甚远。

针对现有航班延误预测方式的缺陷，亟待提出一种新的预测方式，结合波及分析对航班延误进行动态、精准高效的预测，以实现更高的预测精度，缩短使用时间，有效预测航班延误并计算波及的影响。

发明内容

本发明针对现有航班延误分析方法多采用静态模型预测，计算量大、且特殊情况时预测精度差的缺陷，提出一种基于ASM的航班延误预测及波及分析方法。

本发明是采用以下的技术方案实现的：基于ASM的航班延误预测及波及分析方法，包括以下步骤：

步骤A、基于航班延误的影响因素构建数据集，并将所构建的数据集进行归一化处理；

步骤B、基于所构建的数据集，建立航班延误预测模型MNR，并得到预达时间；

步骤C、构建ASM模型，通过Eulerian坐标和Lagrangian坐标两种不同方式描述航班状态，并将Eulerian坐标x_i对Lagrangian坐标X_i的偏导数定义变形梯度θ；

基于变形梯度θ的大小对延误预测模型MNR进行更新校正，在延误预测的基础上，基于波及分析实时更新航班延误时间。

进一步的，所述步骤A中，所述数据集所依据的数据字段包括前站起飞时间、前站延误时间、前站起飞地点、是否有要客、航班类型、航班座位数、飞机型号、航空气相报信息和航班号。

进一步的，所述步骤A中，依据式(13)对数据集进行归一化处理：

其中，K为某个数据字段包含的值的个数，z为数据字段，σ(z)_j为归一化之后的值。

进一步的，所述步骤B具体包括以下步骤：

步骤B1、基于泛函数方程建立MNR模型：

所述泛函数方程为：

其中，c为权重系数，x是自变量，l、i为中间变量；

基于基函数j＝1，2，...，m；i＝1，2，...，n；l＝1，2，...，p}，来表示f_li(x_l)，得到：

a_lij是泛函数网格的参数，取

联立式10和式11，

式(12)称为MNR模型；

步骤B2、将步骤A中归一化之后的所有数据字段的值组合为x_l，取传递因子ξ，长度为m，初始取值为：

ξ＝[1，1，...，1]^T (14)

将修改为代入式(12)MSN模型，得到预达时间

在航班延误问题中，使用一次函数进行拟合，式(15)改写成

其中，ω是各个字段的系数。

进一步的，所述步骤C具体包括：

步骤C1、构建ASM模型，通过不同方式描述航班状态，以求解变形梯度；

步骤C2、基于步骤B所得到的预达时间以及实际航班状态，计算并判断变形梯度θ的大小；

在实际情况中，如果θ＜0，则说明航班没有受到延误波及，预测结果准确；如果θ＜0，则说明航班受到了来自自身或者其他航班的延误波及，需要结合ASM模型进行校正，则执行步骤C3对MNR模型进行校正；

步骤C3、如果通过ASM模型判断所获得的θ≥0，则令

ζ＝[θ，θ，...θ］T (17)

重新代入式(16)计算到达时间，并基于重新计算得到的到达时间判断其对应的变形梯度θ的大小，直至θ＜0，此时的预达时间即为最终预达时间。

进一步的，所述步骤C1具体包括：

(1)设航班在开始时刻t＝0所处的初始状态为初始构型Ω₀，初始构型Ω₀包含了航班当前的状态信息，所述状态信息包括位置信息、保障信息和天气信息，随着航班的运动，设在时刻t₁所处的状态为现时构型Ω₁，任意选择一个时刻的构型作为参考构型；

(2)在参考构型中，航班的状态信息利用信息矢量X进行存储，并基于Lagrangian描述表示为：

X＝X_ie_i i∈N (1)

其中，e_i是参考构型的基矢量，表示状态信息的类型，X_i为X在e_i上的投影，表示e_i类型的值；

在现时构形Ω₁中，基于Eulerian描述将任意一个航班的信息矢量X表示为：

X＝x_ie_i i∈N (4)

其中，e_i是参考构型的基矢量，表示状态信息的类型，x_i为X在e_i上的投影，表示航班本次发生e_i类型和上次发生e_i类型的差值；

(3)构建航班X运动方程，并表示为：

x_i＝x_i(X，t) (7)

同时，将Eulerian坐标x_i对Lagrangian坐标X_i的偏导数定义为变形梯度θ，即：

进一步的，所述步骤C2具体通过以下方式实现：

假设当前的时间为t_m，根据当前的数据字段的值，利用公式(16)得到达到时间t_n，此时得到了两个构型，即t_m时刻的构型Ω_m和t_n时刻的构型Ω_n；

针对步骤B中所得到的预达时间，通过公式(8)来计算并获得变形梯度θ的值，以判断预测是否准确。与现有技术相比，本发明的优点和积极效果在于：

本发明方案利用航班报文数据、飞机前站起飞时间、机型、是否有要客等信息，构建MNR模型来预测航班到达时间，并对MNR模型的各个参数引入传递因子来分析延误波及，传递因子通过所构建的ASM模型获得，可以实时更新到达延误的方程，充分考虑了延误波及问题，得到的结果更加精确、计算更加快速，对于提高航空公司的服务质量，提升航空公司的竞争力具有重要的现实意义。

附图说明

图1为本发明实施例中所述的泛函网络模型示意图；

图2为本发明实施例中多元非线性回归模型示意图；

图3为本发明实施例所述航班延误与波及分析方法原理框图；

图4为本发明实施例所述方法与现有延误预测方法的预测误差对比示意图。

具体实施方式

本发明基于ASM对机场的航班延误预测、波及分析进行建模与计算，航班延误问题中任何一个环节故障或者任一个飞行器的延误对上下游产生影响的行为定位为延误波及。为了更好的模拟航班延误预测以及波及分析，首先，面向延误预测问题，利用泛函网络的非线性回归算法，建立了延误预测模型MNR(Multiple Nonlinear Regression DelayModel)；其次，面向波及问题，利用航班的状态信息构建ASM(AIRPORTP Symmetry Model)系统，进而求解变形梯度，并基于变形梯度对MNR模型进行改进，可以在延误分析的基础上，有效预测航班延误以及计算波及的影响，实时更新航班延误时间，以实现更高的预测精度。

为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明，如图3所示，具体包括：

一、构建数据集，并将所构建的数据集进行归一化处理：

(1)本实施例中，所依据的数据字段包括前站起飞时间、前站延误时间、前站起飞地点、是否有要客、航班类型、航班座位数、飞机型号、航空气相报信息和航班号等，并通过数值化方法进行定义，具体如表1所示：

表1 字段表

字段名	数值化方法
		前站起飞时间	自当天0点至起飞时间隔时间，单位：分钟
前站延误时间	单位：分钟
		前站起飞地点	起飞地点距当前机场的航线距离，单位：km
是否有要客	是为1；否为0，无单位
		航班类型	国际航班为0；国内航班为1；区域航班为2无单位
航班座位数	单位：个
		飞机型号	转换为翼展长度，单位：m
航空气象报信息	取其中的能见度(m)、气温(℃)、降水量(mm)、海拔(m)
		航班号	将机场所有航班由0开始计数，无单位

(2)依据下式对字段表中的数据进行归一化处理，以实现更加快速收敛，让字段有合理的差异：

其中，K为字段历史数据的个数，假如前站起飞时间共有100个历史数据，则K＝100；z为字段的值，则归一化之后，σ(z)j为归一化值。比如针对前站起飞时间进行归一化，假设前站起飞时间有K个值，分别为z₁，z₂，...，z_k。则第j个值归一化为

二、基于所构建的数据集，建立航班延误预测模型MNR，并计算预达时间t_n：

泛函网络模型图的主要成分如图1所示，图1中，实心圆{x₁，x₂，x₃}为输入层单元；实心圆{x₄，x₅}为储存层单元；函数{f₁，f₂，f₃}为多层泛函神经元，用以计算来自前一组多层泛函神经元或者输入层单元的输入，并将计算结果返回给下一组，多层泛函神经元相互连接，每一组输出可以作为下一组的输入，实心圆{x₆}为输出层单元；

图2中，{x₁，x₂，...，x_p}为自变量，记为X＝{x₁，x₂，...，x_p}，y为因变量，{f(x₁)，f(x₂)，...，f(x_p)}为神经元函数集合，对于任一个神经元函数f(x)都不是固定的，而是可以学习的；多元非线性回归模型可以看成多个一元分线性回归模型拼凑而成，是多个一元分线性回归模型无限逼近的结果。

(1)基于泛函数方程建立MNR模型：

所述泛函数方程为

其中，c为权重系数，x是自变量，l、i为中间变量，为一种数学集合表达式，每个神经元函数可以看作一个一元非线性回归预测模型，要得到多元非线性回归模型的相关参数等价于学习而学习等价于学习函数f_l(x_l)，同时又等价于学习函数f_li(x_l)，至此，用一组已知的基函数

来表示f_li(x_l)，得到

a_lij是泛函数网格的参数，取

联立式10和式11，

式(12)称为MNR模型。

(2)将步骤一中归一化之后的所有字段的值组合成x_l，取传递因子ξ，初始取值为：

ξ＝[1，1，...，1]^T (14)

将修改为代入式(12)MSN模型，得到到达时间

在航班延误问题中，使用一次函数进行拟合，式(15)改写成

其中，ω是各个数据字段的系数；

实例：取青岛流亭2010-01-01至2018-12-31的历史数据，字段如表1所示，利用式(13)分别对每个数据字段进行归一化处理，利用式(9)到式(16)，得到到达时间

其中，

字段名	变量
		前站起飞时间	x<sub>1</sub>
前站延误时间	x<sub>2</sub>
		前站起飞地点	x<sub>3</sub>
是否有要客	x<sub>4</sub>
		航班类型	x<sub>5</sub>
航班座位数	x<sub>6</sub>
		飞机型号	x<sub>7</sub>
航空气象报信息	能见度x<sub>8</sub>、气温x<sub>9</sub>、降水量x<sub>10</sub>、海拔x<sub>11</sub>
		航班号	x<sub>12</sub>

三、建立ASM(AIRPORTP Symmetry Model)模型，并定义变形梯度θ，基于变形梯度的大小对预测模型MNR进行更新校正，在延误预测的基础上，实时更新航班延误时间，具体包括：

(1)构建ASM模型，通过不同方式描述航班状态，以求解变形梯度，具体包括：

设航班在开始时刻t＝0所处的初始状态为初始构型Ω₀，初始构型Ω₀包含了航班当前的状态信息，所述状态信息包括位置信息、保障信息和天气信息。随着航班的运动，设在时刻t₁所处的状态为现时构型Ω₁，任意选择一个时刻的构型作为参考构型。

在参考构型中，航班的状态信息利用信息矢量X进行存储，并基于Lagrangian描述表示为：

X＝X_ie_i i∈N (1)

将式(1)称为Lagrangian坐标，其中，e_i是参考构型的基矢量，表示信息的类型，比如前站计划起飞时间、前站实际起飞时间等；X_i为X在e_i上的投影，表示e_i类型的值；假设航班的信息状态仅有前站计划起飞时间、前站实际起飞时间两个信息类型(i＝1，2)，有：

其中，e₀＝(0，1)表示前站计划起飞时间；e₁＝(1，0)表示前站实际起飞时间；X₀＝10表示前站计划起飞时间为00：10；X₁＝15表示前站实际起飞时间为00：15，依靠Lagrangian坐标描述航班的信息矢量X的做法称为Lagrangian描述。

在现时构形Ω₁中，基于Eulerian描述将任意一个航班的信息矢量X表示为：

X＝x_ie_i i∈N (4)

上式称为Eulerian坐标，其中，e_i是参考构型的基矢量，同Lagrangian描述中基矢量一样，表示信息的类型；x_i为X在e_i上的投影，表示航班本次发生e_i类型和上次发生e_i类型的差值。假设航班的信息状态仅有前站计划起飞时间、前站实际起飞时间两个信息类型(i＝1，2)，有：

其中，e₀＝(0，1)表示前站计划起飞时间；e₁＝(1，0)表示前站实际起飞时间；X₀＝10表示该航班前站计划起飞时间比上晚了10min；x₁＝-15表示该航班实际计划起飞时间比上早了15min。依靠Eulerian坐标描述航班的信息矢量X的做法称为Eulerian描述。

构建航班X运动方程，并表示为：

x_i＝x_i(X，t) (7)

同时，将Eulerian坐标x_i对Lagrangian坐标X_i的偏导数定义为变形梯度θ，即：

(2)基于实际航班状态，计算变形梯度θ：

假设当前的时间为t_m，根据当前的字段的值，利用公式(16)得到达到时间t_n，此时得到了两个构型，即t_m时刻的构型Ω_m和t_n时刻的构型Ω_n。

针对步骤二中所得到的预测达到时间，通过公式(8)来计算并获得变形梯度θ的值，以判断预测是否准确；在实际情况中，如果θ＜0，则说明航班没有受到延误波及，预测结果准确，无需变动；如果θ≥0，则说明航班受到了来自自身或者其他航班的延误波及，需要结合ASM模型进行校正；

(3)基于所构建的ASM模型改进MNR模型：

如果通过ASM模型判断所获得的θ≥0，则令

ζ＝[θ，θ，...θ］^T (17)

重新代入式(16)计算到达时间，并基于重新计算得到的到达时间判断其对应的变形梯度θ的大小，直至θ＜0，此时的预达时间便是最终预达时间。

本方案通过构建MNR模型来预测航班到达时间，并对MNR模型的各个参数引入传递因子来分析延误波及，传递因子通过所构建的ASM模型获得，可以实时更新到达延误的方程，充分考虑了延误波及问题，得到的结果更加精确、计算更加快速。

为进一步说明本发明方案的优势，下面结合具体实例对本发明方案的优势进行说明，以青岛流亭国际机场为例，于2018年5月在青岛流亭国际机场开始内测，统计航班实际值与预测值的误差e

e＝R-P

其中，R是实际到达时间，P是预测到达时间。每日的总误差为

E＝∑|e_i|

其中，e_i是第i个航班的预测误差，E是一天中所有航班的预测误差，分别同国内某航班预测算法服务商A和B进行对比，并记录预测时间，结果如图4所示，其中，本发明为C，从图4可以看出，通过本发明方案所得到的预测误差更小，同时也说明本发明在预测准确度上拥有明显优势。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (7)

1.基于ASM的航班延误预测及波及分析方法，其特征在于，包括以下步骤：

步骤A、基于航班延误的影响因素构建数据集，并将所构建的数据集进行归一化处理；

步骤B、基于所构建的数据集，建立航班延误预测模型MNR，并得到预达时间；

步骤C、构建ASM模型，通过Eulerian坐标和Lagrangian坐标两种不同方式描述航班状态，并将Eulerian坐标x_i对Lagrangian坐标X_i的偏导数定义变形梯度θ；

基于变形梯度θ的大小对延误预测模型MNR进行更新校正，在延误预测的基础上，基于波及分析实时更新航班延误时间。

2.根据权利要求1所述的基于ASM的航班延误预测及波及分析方法，其特征在于：所述步骤A中，所述数据集所依据的数据字段包括前站起飞时间、前站延误时间、前站起飞地点、是否有要客、航班类型、航班座位数、飞机型号、航空气相报信息和航班号。

3.根据权利要求1所述的基于ASM的航班延误预测及波及分析方法，其特征在于：所述步骤A中，依据式(13)对数据集进行归一化处理：

其中，K为某个数据字段包含的值的个数，z为数据字段，σ(z)_j为归一化之后的值。

4.根据权利要求3所述的基于ASM的航班延误预测及波及分析方法，其特征在于：所述步骤B具体包括以下步骤：

步骤B1、基于泛函数方程建立MNR模型：

所述泛函数方程为：

其中，c为权重系数，x是自变量，l、i为中间变量；

基于基函数来表示f_li(x_l)，得到：

a_lij是泛函数网格的参数，取

联立式10和式11，

式(12)称为MNR模型；

步骤B2、将步骤A中归一化之后的所有数据字段的值组合为x_l，取传递因子ξ，长度为m，初始取值为：

ξ＝[1，1，...，1]^T (14)

将修改为代入式(12)MSN模型，得到预达时间

在航班延误问题中，使用一次函数进行拟合，并将上式(15)改写为：

其中，ω是各个数据字段的系数。

5.根据权利要求3或4所述的基于ASM的航班延误预测及波及分析方法，其特征在于：所述步骤C具体包括：

步骤C1、构建ASM模型，通过不同方式描述航班状态，以求解变形梯度；

步骤C2、基于步骤B所得到的预达时间以及实际航班状态，计算并判断变形梯度θ的大小；

在实际情况中，如果θ＜0，则说明航班没有受到延误波及，预测结果准确；如果θ≥0，则说明航班受到了来自自身或者其他航班的延误波及，需要结合ASM模型进行校正，则执行步骤C3对MNR模型进行校正；

步骤C3、如果通过ASM模型判断所获得的θ≥0，则令

ξ＝[θ，θ，...，θ]^T (17)

重新代入式(16)计算到达时间，并基于重新计算得到的到达时间判断其对应的变形梯度θ的大小，直至θ＜0，此时的预达时间即为最终预达时间。

6.根据权利要求5所述的基于ASM的航班延误预测及波及分析方法，其特征在于：所述步骤C1具体包括：

(1)设航班在开始时刻t＝0所处的初始状态为初始构型Ω₀，初始构型Ω₀包含了航班当前的状态信息，所述状态信息包括位置信息、保障信息和天气信息，随着航班的运动，设在时刻t₁所处的状态为现时构型Ω₁，任意选择一个时刻的构型作为参考构型；

(2)在参考构型中，航班的状态信息利用信息矢量X进行存储，并基于Lagrangian描述表示为：

X＝X_ie_i i∈N (1)

其中，e_i是参考构型的基矢量，表示状态信息的类型，X_i为X在e_i上的投影，表示e_i类型的值；

在现时构形Ω₁中，基于Eulerian描述将任意一个航班的信息矢量X表示为：

X＝x_ie_i i∈N (4)

其中，e_i是参考构型的基矢量，表示状态信息的类型，x_i为X在e_i上的投影，表示航班本次发生e_i类型和上次发生e_i类型的差值；

(3)构建航班X运动方程，并表示为：

x_i＝x_i(X，t) (7)

同时，将Eulerian坐标x_i对Lagrangian坐标X_i的偏导数定义为变形梯度θ，即：

。

7.根据权利要求6所述的基于ASM的航班延误预测及波及分析方法，所述步骤C2具体通过以下方式实现：

假设当前的时间为t_m，根据当前的数据字段的值，利用公式(16)得到达到时间t_n，此时得到了两个构型，即t_m时刻的构型Ω_m和t_n时刻的构型Ω_n；

针对步骤B中所得到的预达时间，通过公式(8)来计算并获得变形梯度θ的值，以判断预测是否准确。