CN110363333A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110363333A CN110363333A CN201910541983.2A CN201910541983A CN110363333A CN 110363333 A CN110363333 A CN 110363333A CN 201910541983 A CN201910541983 A CN 201910541983A CN 110363333 A CN110363333 A CN 110363333A
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- influence
- tree
- regression tree
- 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.)
- Pending
Links
- 230000000750 progressive effect Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 8
- 230000007812 deficiency Effects 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,包括如下步骤:(1)数据读取和处理;(2)数据清洗;(3)构建数据特征量;(4)模型训练和测试;(5)模型性能评估和优化;(6)天气影响下空中通行能力的预测。本发明能够对扇区、终端区和机场的空中通行能力进行科学合理的预测,为流量管理人员进行决策提供支持。
Description
技术领域
本发明涉及空中通行能力预测技术领域,尤其是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。
背景技术
随着我国民航事业的快速发展,飞行流量激增,在相对有限的空域资源条件下,交通拥挤日趋严重,严重影响着空中交通运行的安全与效率。为了平衡空域资源供需矛盾、减少航班延误,科学、合理、准确的预测空域通行能力成为空中交通管理亟需解决的问题。
空中通行能力是指空中交通管制单位用以声明并反映其空中交通管制系统或者其任何子系统或者运行席位在特定条件下提供空中交通服务的能力,通常用在给定的一段时间内进入指定空域的航空器数量来表示。目前,国内外相关机构对晴好天气条件下空域和机场的空中通行能力评估方法进行了大量的分析研究,对流天气影响下扇区、终端区和机场的空中通行能力的量化研究较少。在对流天气条件下,管制单位只能根据历史数据和管制经验,对天气影响下的空中通行能力进行人工预判。这种主观估计严重依赖个体的经验,不但容易产生偏差而且没有客观的理论和方法进行优化和校正。因此,在空中交通流量管理工作中迫切需要对天气影响下空中通行能力的预测。
目前,基于机器学习智能算法预测空中通行能力已成为一个趋势。机器学习的算法很多,在建模和算法选择的时候需要根据输入数据来选择最合适的算法来获得最好的结果。
发明内容
本发明所要解决的技术问题在于,提供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,能够对扇区、终端区和机场的空中通行能力进行科学合理的预测,为流量管理人员进行决策提供支持。
为解决上述技术问题,本发明提供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,包括如下步骤:
(1)数据读取和处理;
(2)数据清洗;
(3)构建数据特征量;
(4)模型训练和测试;
(5)模型性能评估和优化;
(6)天气影响下空中通行能力的预测。
优选的,步骤(1)中,数据读取和处理具体包括如下步骤:
(11)读取的数据包括:读取气象雷达数据、日常天气报告、航班的飞行计划数据;
(12)根据气象雷达数据文件名得到时间的年月日时分秒;
(13)根据气象雷达数据计算雷达反射率>40dBZ的面积与空域对象的比值得到天气对空域的影响指数;
(14)根据气象雷达数据的回波信号得到机场过去时刻/当前时刻各离场方向航路点的可用容量比率;
(15)根据机场日常天气报告(METAR)得到过去时刻/当前时刻的机场风向/风速、侧风、能见度、云量、云底高度、天气现象;
(16)根据风向与跑道的夹角计算跑道的侧风分量,依据《民用航空空中交通管理规则》附件15侧风、顺风限制标准表判断机场是否可以起飞;
(17)根据航班的飞行计划得到计划进/离场飞机、离场重/中/轻机型数量、进场重/中/轻机型数量、国内航班数、国际航班数、飞机起降总架次。
优选的,步骤(2)中,数据清洗具体包括如下步骤:
(21)对天气和空中通行能力超过统计最大值的异常数据进行清洗;
(22)对重复数据的清洗;
(23)对不完整数据的清洗;
(24)数据进行离差标准化处理,消除量纲和数据取值范围的影响。
优选的,步骤(3)中,构建数据特征量具体包括如下步骤:
(31)由当前的时间点、过去1小时的所有时间片数据构建有时间特征、空域气象特征、机场气象特征和航班流量特征4个特征的n个输入特征量X;
(32)将输入特征量X1…Xn为自变量,管制员根据历史数据和管制经验得到对天气影响下的空域通行能力作为因变量Y,X和Y共同组成特征量数据集;
(33)对不完整数据的清洗;
(34)将特征量数据集分成3份,其中60%作为训练数据集,20%作为交叉验证数据集,20%作为测试数据集;
(35)将所有的特征量进行重要度分析,提取前Z个重要度较高的特征量;
特征量j的重要度通过特征量j在单颗树中的重要度的平均值来得到:
式中,M是树的数量;L为树的叶子节点数量,L-1为树中的非叶子节点数量,vt为内部节点t进行分裂时选择的特征,是内部节点t分裂之后平方损失的减少值。
优选的,步骤(4)中,模型训练和测试具体包括如下步骤:
(41)选择渐进梯度回归树(GBRT)作为核心算法;
(42)所用的损失函数是平方损失函数;
L(yi,f(xi))=(yi-f(xi))2
式中,L为损失函数,yi为第i个样本对应的真实值,f(xi)为回归树,xi为第i个样本值;
(43)初始化弱学习器;
式中,yi为第i个样本对应的真实值,γ是使损失函数L极小化的常数值。
(44)对每个样本i=1,2,…,N,计算残差;
(45)将上步得到的残差作为样本新的真实值,并将数据(xi,rim)(i=1,2,...N)作为下棵树的训练数据,得到一颗新的回归树fm(x),其对应的叶子节点区域为Rim,j=1,2,...,J,其中J为回归树t的叶子节点的个数;
(46)对叶子区域j=1,2,...,J计算最佳拟合值;
(47)更新强学习器;
式中,I为指示函数,即样本x∈Rjm为1,否则为0。
优选的,步骤(5)中,模型性能评估和优化具体包括如下步骤:
(51)计算均方根差(RMSE);
(52)计算平均绝对误差(MAE);
(53)计算拟合优度(R2);
上述式中yi为原始数据;为预测数据;为原始数据均值;
综合均方根差(RMSE)和平均绝对误差(MAE)最小、拟合优度越接近1原则综合确定最优模型的回归树的数量、每棵独立树的深度、学习速率、损失函数参数。
优选的,步骤(6)中,对天气影响下空中通行能力的预测具体包括如下步骤:
(61)空中通行能力包括管制扇区,终端区和机场;
(62)将新数据作为输入,采用渐进梯度回归树模型,使用模型性能评估确定下的参数的回归模型,对天气影响下空中通行能力进行预测。
本发明的有益效果为:渐进梯度回归树(Gradient Boost Regression Tree,GBRT)是一种集成学习的方法,GBRT基于大量回归树,采用的Boosting(提升法)进行集成,是对于任意的可微损失函数的提升算法的泛化;GBRT算法能够处理多种特征值、适用性广泛的优势其得到了广泛的应用;空中通行能力预测是个回归问题,利用渐进梯度回归树预测天气影响下的空中通行能力,不仅合理,而且还能提高空中通行能力的预测精度,为空中交通流量管理提供决策支持。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示,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,包括如下步骤:
(1)数据读取和处理;
(2)数据清洗;
(3)构建数据特征量;
(4)模型训练和测试;
(5)模型性能评估和优化;
(6)天气影响下空中通行能力的预测。
步骤(1)中,数据读取和处理具体包括如下步骤:
(11)读取的数据包括:读取气象雷达数据、日常天气报告、航班的飞行计划数据;
(12)根据气象雷达数据文件名得到时间的年月日时分秒;
(13)根据气象雷达数据计算雷达反射率>40dBZ的面积与空域对象的比值得到天气对空域的影响指数;
(14)根据气象雷达数据的回波信号得到机场过去时刻/当前时刻各离场方向航路点的可用容量比率;
(15)根据机场日常天气报告(METAR)得到过去时刻/当前时刻的机场风向/风速、侧风、能见度、云量、云底高度、天气现象;
(16)根据风向与跑道的夹角计算跑道的侧风分量,依据《民用航空空中交通管理规则》附件15侧风、顺风限制标准表判断机场是否可以起飞;
(17)根据航班的飞行计划得到计划进/离场飞机、离场重/中/轻机型数量、进场重/中/轻机型数量、国内航班数、国际航班数、飞机起降总架次。
步骤(2)中,数据清洗具体包括如下步骤:
(21)对天气和空中通行能力超过统计最大值的异常数据进行清洗;
(22)对重复数据的清洗;
(23)对不完整数据的清洗;
(24)数据进行离差标准化处理,消除量纲和数据取值范围的影响。
步骤(3)中,构建数据特征量具体包括如下步骤:
(31)由当前的时间点、过去1小时的所有时间片数据构建有时间特征、空域气象特征、机场气象特征和航班流量特征4个特征的n个输入特征量X;
(32)将输入特征量X1…Xn为自变量,管制员根据历史数据和管制经验得到对天气影响下的空域通行能力作为因变量Y,X和Y共同组成特征量数据集;
(33)对不完整数据的清洗;
(34)将特征量数据集分成3份,其中60%作为训练数据集,20%作为交叉验证数据集,20%作为测试数据集;
(35)将所有的特征量进行重要度分析,提取前Z个重要度较高的特征量;
特征量j的重要度通过特征量j在单颗树中的重要度的平均值来得到:
式中,M是树的数量;L为树的叶子节点数量,L-1为树中的非叶子节点数量,vt为内部节点t进行分裂时选择的特征,是内部节点t分裂之后平方损失的减少值。
步骤(4)中,模型训练和测试具体包括如下步骤:
(41)选择渐进梯度回归树(GBRT)作为核心算法;
(42)所用的损失函数是平方损失函数;
L(yi,f(xi))=(yi-f(xi))2
式中,L为损失函数,yi为第i个样本对应的真实值,f(xi)为回归树,xi为第i个样本值;
(43)初始化弱学习器;
式中,yi为第i个样本对应的真实值,γ是使损失函数L极小化的常数值。
(44)对每个样本i=1,2,…,N,计算残差;
(45)将上步得到的残差作为样本新的真实值,并将数据(xi,rim)(i=1,2,...N)作为下棵树的训练数据,得到一颗新的回归树fm(x),其对应的叶子节点区域为Rim,j=1,2,...,J,其中J为回归树t的叶子节点的个数;
(46)对叶子区域j=1,2,...,J计算最佳拟合值;
(47)更新强学习器;
式中,I为指示函数,即样本x∈Rjm为1,否则为0。
步骤(5)中,模型性能评估和优化具体包括如下步骤:
(51)计算均方根差(RMSE);
(52)计算平均绝对误差(MAE);
(53)计算拟合优度(R2);
上述式中yi为原始数据;为预测数据;为原始数据均值;
综合均方根差(RMSE)和平均绝对误差(MAE)最小、拟合优度越接近1原则综合确定最优模型的回归树的数量、每棵独立树的深度、学习速率、损失函数参数。
步骤(6)中,对天气影响下空中通行能力的预测具体包括如下步骤:
(61)空中通行能力包括管制扇区,终端区和机场;
(62)将新数据作为输入,采用渐进梯度回归树模型,使用模型性能评估确定下的参数的回归模型,对天气影响下空中通行能力进行预测。
以中南区2017年1月1日至2018年5月31日的历史运行数据为基础。以广州白云国际机场为例,对气象雷达数据、日常天气报告、航班的飞行计划数据进行处理,得到时间特征模块、空域气象特征模块、航班属性特征模块、气象观测特征模块4个特征83个输入特征量作为自变量X。管制员根据历史数据和管制经验得到对流天气影响下的空域通行能力作为因变量Y。将特征集随机取样,其中60%作为训练数据集,20%作为交叉验证数据集,20%作为测试数据集。最优模型的平均绝对误差(MAE)为5.67、均方根差(RMSE)为7.54、拟合优度(R2)为0.87。确定回归树个数为300、每个回归树的深度为6、生成子节点所需的最小样本数为2、学习速率为0.02。
随机选取2017年04月19日、2017年08月27日、2017年10月05日、2017年11月13日,2018年02月22日等5日作为典型日进行验证。预测结果的平均准确率:94.02%;预测平均绝对误差:1.13;预测均方误差误差:2.23。
从结果中可以看出,渐进梯度回归树预测天气影响下空中通行能力得出的结果科学合理,具有指导意义。
Claims (7)
1.一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,其特征在于,包括如下步骤:
(1)数据读取和处理;
(2)数据清洗;
(3)构建数据特征量;
(4)模型训练和测试;
(5)模型性能评估和优化;
(6)天气影响下空中通行能力的预测。
2.如权利要求1所述的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,其特征在于,步骤(1)中,数据读取和处理具体包括如下步骤:
(11)读取的数据包括:读取气象雷达数据、日常天气报告、航班的飞行计划数据;
(12)根据气象雷达数据文件名得到时间的年月日时分秒;
(13)根据气象雷达数据计算雷达反射率>40dBZ的面积与空域对象的比值得到天气对空域的影响指数;
(14)根据气象雷达数据的回波信号得到机场过去时刻/当前时刻各离场方向航路点的可用容量比率;
(15)根据机场日常天气报告得到过去时刻/当前时刻的机场风向/风速、侧风、能见度、云量、云底高度、天气现象;
(16)根据风向与跑道的夹角计算跑道的侧风分量,依据《民用航空空中交通管理规则》附件15侧风、顺风限制标准表判断机场是否可以起飞;
(17)根据航班的飞行计划得到计划进/离场飞机、离场重/中/轻机型数量、进场重/中/轻机型数量、国内航班数、国际航班数、飞机起降总架次。
3.如权利要求1所述的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,其特征在于,步骤(2)中,数据清洗具体包括如下步骤:
(21)对天气和空中通行能力超过统计最大值的异常数据进行清洗;
(22)对重复数据的清洗;
(23)对不完整数据的清洗;
(24)数据进行离差标准化处理,消除量纲和数据取值范围的影响。
4.如权利要求1所述的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,其特征在于,步骤(3)中,构建数据特征量具体包括如下步骤:
(31)由当前的时间点、过去1小时的所有时间片数据构建有时间特征、空域气象特征、机场气象特征和航班流量特征4个特征的n个输入特征量X;
(32)将输入特征量X1…Xn为自变量,管制员根据历史数据和管制经验得到对天气影响下的空域通行能力作为因变量Y,X和Y共同组成特征量数据集;
(33)对不完整数据的清洗;
(34)将特征量数据集分成3份,其中60%作为训练数据集,20%作为交叉验证数据集,20%作为测试数据集;
(35)将所有的特征量进行重要度分析,提取前Z个重要度较高的特征量;
特征量j的重要度通过特征量j在单颗树中的重要度的平均值来得到:
式中,M是树的数量;L为树的叶子节点数量,L-1为树中的非叶子节点数量,vt为内部节点t进行分裂时选择的特征,是内部节点t分裂之后平方损失的减少值。
5.如权利要求1所述的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,其特征在于,步骤(4)中,模型训练和测试具体包括如下步骤:
(41)选择渐进梯度回归树(GBRT)作为核心算法;
(42)所用的损失函数是平方损失函数;
L(yi,f(xi))=(yi-f(xi))2
式中,L为损失函数,yi为第i个样本对应的真实值,f(xi)为回归树,xi为第i个样本值;
(43)初始化弱学习器;
式中,yi为第i个样本对应的真实值,γ是使损失函数L极小化的常数值。
(44)对每个样本i=1,2,…,N,计算残差;
(45)将上步得到的残差作为样本新的真实值,并将数据(xi,rim)(i=1,2,...N)作为下棵树的训练数据,得到一颗新的回归树fm(x),其对应的叶子节点区域为Rim,j=1,2,...,J,其中J为回归树t的叶子节点的个数;
(46)对叶子区域j=1,2,...,J计算最佳拟合值;
(47)更新强学习器;
式中,I为指示函数,即样本x∈Rjm为1,否则为0。
6.如权利要求1所述的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,其特征在于,步骤(5)中,模型性能评估和优化具体包括如下步骤:
(51)计算均方根差(RMSE);
(52)计算平均绝对误差(MAE);
(53)计算拟合优度(R2);
上述式中,yi为原始数据;为预测数据;为原始数据均值;
综合均方根差和平均绝对误差最小、拟合优度越接近1原则,综合确定最优模型的回归树的数量、每棵独立树的深度、学习速率、损失函数参数。
7.如权利要求1所述的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,其特征在于,步骤(6)中,对天气影响下空中通行能力的预测具体包括如下步骤:
(61)空中通行能力包括管制扇区,终端区和机场;
(62)将新数据作为输入,采用渐进梯度回归树模型,使用模型性能评估确定下的参数的回归模型,对天气影响下空中通行能力进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910541983.2A CN110363333A (zh) | 2019-06-21 | 2019-06-21 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910541983.2A CN110363333A (zh) | 2019-06-21 | 2019-06-21 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363333A true CN110363333A (zh) | 2019-10-22 |
Family
ID=68217502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910541983.2A Pending CN110363333A (zh) | 2019-06-21 | 2019-06-21 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363333A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110837923A (zh) * | 2019-11-04 | 2020-02-25 | 上海眼控科技股份有限公司 | 通航量预测方法、装置、计算机设备和存储介质 |
CN110852497A (zh) * | 2019-10-30 | 2020-02-28 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的场面可变滑出时间预测系统 |
CN111396266A (zh) * | 2020-03-05 | 2020-07-10 | 浙江运达风电股份有限公司 | 一种基于gbrt的风电机组发电机轴承故障预警方法 |
CN112132366A (zh) * | 2020-11-30 | 2020-12-25 | 中航信移动科技有限公司 | 一种航班放行率的预测系统 |
WO2021082393A1 (zh) * | 2019-10-30 | 2021-05-06 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的机场场面可变滑出时间预测方法 |
CN113723533A (zh) * | 2021-09-02 | 2021-11-30 | 南京航空航天大学 | 对流天气影响终端区的模式识别方法及高斯混合聚类模型 |
CN115188223A (zh) * | 2022-06-08 | 2022-10-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于机场天气实况的飞机起降安全指数确定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530704A (zh) * | 2013-10-16 | 2014-01-22 | 南京航空航天大学 | 一种终端空域空中交通动态容量预测系统及其方法 |
CN107067095A (zh) * | 2016-12-26 | 2017-08-18 | 北京航空航天大学 | 恶劣天气下航班取消数量的优化方法及装置 |
CN108962382A (zh) * | 2018-05-31 | 2018-12-07 | 电子科技大学 | 一种基于乳腺癌临床高维数据的分层重要特征选择方法 |
CN109409587A (zh) * | 2018-10-09 | 2019-03-01 | 南京航空航天大学 | 一种基于天气数据挖掘的机场进离场交通流量预测方法 |
-
2019
- 2019-06-21 CN CN201910541983.2A patent/CN110363333A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530704A (zh) * | 2013-10-16 | 2014-01-22 | 南京航空航天大学 | 一种终端空域空中交通动态容量预测系统及其方法 |
CN107067095A (zh) * | 2016-12-26 | 2017-08-18 | 北京航空航天大学 | 恶劣天气下航班取消数量的优化方法及装置 |
CN108962382A (zh) * | 2018-05-31 | 2018-12-07 | 电子科技大学 | 一种基于乳腺癌临床高维数据的分层重要特征选择方法 |
CN109409587A (zh) * | 2018-10-09 | 2019-03-01 | 南京航空航天大学 | 一种基于天气数据挖掘的机场进离场交通流量预测方法 |
Non-Patent Citations (2)
Title |
---|
JESSICA WALTHER 等: "Very short-term load forecasting on factory level-A machine learning approach", 《26TH CIRP LIFE CYCLE ENGINEERING(LCE) CONFERENCE》 * |
于扬红雪: "出租车需求量预测模型的研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110852497A (zh) * | 2019-10-30 | 2020-02-28 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的场面可变滑出时间预测系统 |
WO2021082393A1 (zh) * | 2019-10-30 | 2021-05-06 | 南京智慧航空研究院有限公司 | 基于大数据深度学习的机场场面可变滑出时间预测方法 |
CN110837923A (zh) * | 2019-11-04 | 2020-02-25 | 上海眼控科技股份有限公司 | 通航量预测方法、装置、计算机设备和存储介质 |
CN111396266A (zh) * | 2020-03-05 | 2020-07-10 | 浙江运达风电股份有限公司 | 一种基于gbrt的风电机组发电机轴承故障预警方法 |
CN112132366A (zh) * | 2020-11-30 | 2020-12-25 | 中航信移动科技有限公司 | 一种航班放行率的预测系统 |
CN113723533A (zh) * | 2021-09-02 | 2021-11-30 | 南京航空航天大学 | 对流天气影响终端区的模式识别方法及高斯混合聚类模型 |
CN113723533B (zh) * | 2021-09-02 | 2024-04-30 | 南京航空航天大学 | 对流天气影响终端区的模式识别方法及高斯混合聚类模型 |
CN115188223A (zh) * | 2022-06-08 | 2022-10-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于机场天气实况的飞机起降安全指数确定方法 |
CN115188223B (zh) * | 2022-06-08 | 2024-05-03 | 中国人民解放军空军研究院战场环境研究所 | 一种基于机场天气实况的飞机起降安全指数确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105701090B (zh) | 一种飞行管理系统的模拟装置 | |
CN103093649B (zh) | 用于推断飞行器参数的方法和系统 | |
US20150379408A1 (en) | Using Sensor Information for Inferring and Forecasting Large-Scale Phenomena | |
CN107818382B (zh) | 航班到达时间预测方法 | |
CN109492334A (zh) | 航班延误的模型建立方法、预测方法及装置 | |
CN105679102A (zh) | 一种全国飞行流量时空分布预测推演系统及方法 | |
CN105701552B (zh) | 一种飞行航路垂直剖面的确定方法 | |
CN110059863A (zh) | 一种基于所需到达时间的航空器四维航迹优化方法 | |
JP2013016167A (ja) | 航空機軌道に沿った気象データ選択 | |
CN113706931B (zh) | 空域的流控策略推荐方法、装置、电子设备及存储介质 | |
JP2020077387A (ja) | 垂直飛行経路の最適化 | |
CN115857059B (zh) | 一种积冰预报管理方法、系统、可读存储介质和设备 | |
CN109460871A (zh) | 基于典型日识别的机场旅客量预测方法 | |
JP2024522128A (ja) | フライト季節的分類の予測方法、装置及びマシン可読媒体 | |
CN114647985A (zh) | 锋面过境预测模型的训练方法及锋面过境的预测方法 | |
CN112215416A (zh) | 智能规划巡检航线系统及方法 | |
CN113222277A (zh) | 基于动态分配算法的城市区域物流无人机需求预测方法 | |
CN115145311A (zh) | 一种巡检路径规划方法、装置、设备和存储介质 | |
CN206991559U (zh) | 用于终端管制区的预警系统 | |
CN109978211A (zh) | 航班进离港率的预测方法和装置 | |
CN111445063B (zh) | 基于飞行线路的起降点选取方法及装置 | |
CN115508917A (zh) | 机场气象要素预报方法、装置、设备和存储介质 | |
Ying et al. | Terminal Traffic Flow Prediction Method Under Convective Weather Using Deep Learning Approaches. | |
CN113570910B (zh) | 空中交通流量管理方法、装置和电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |
|
RJ01 | Rejection of invention patent application after publication |