CN110443411A - 基于ads-b数据预测航班落地时间的方法 - Google Patents
基于ads-b数据预测航班落地时间的方法 Download PDFInfo
- Publication number
- CN110443411A CN110443411A CN201910639959.2A CN201910639959A CN110443411A CN 110443411 A CN110443411 A CN 110443411A CN 201910639959 A CN201910639959 A CN 201910639959A CN 110443411 A CN110443411 A CN 110443411A
- Authority
- CN
- China
- Prior art keywords
- data
- ads
- flight
- prediction
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000005538 encapsulation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明所述基于ADS‑B数据预测航班落地时间的方法,基于航班实时位置数据(即ADS‑B数据)、运用神经网络预测模型持续地预测并更新航班落地时间,以提高预测精度和完善信息服务内容,从而提高机场整体资源管理的精细化与调控能力。预测方法是在航班进入ADS‑B接收设备的接收范围后,持续接收到的航班ADS‑B数据由预测模型计算,按一定频率输出预测结果直至航班落地。
Description
技术领域
本发明涉及一种航班落地时间的预测方法,具体地是基于ADS-B数据及其模型进行准确预测与信息服务的方法,属于民用航空运输的大数据处理平台领域。
背景技术
随着目前国内民航业的快速发展,机场规模越来越大、航班数量越来越多,因此对于提升机场运行效率与服务质量的要求也越来越高。
能否准确预测出进港航班的落地时间,既对合理地规划机场现有资源、实现提前调度与预警有着至关重要的作用,同时也能相对地提高消费者的心理预期与感受。
目前得到广泛使用的广播式自动相关监测技术(以下简称ADS-B),是一种基于GPS全球卫星定位系统、实现空-空、地-空数据链相互通信的航空器运行监视技术。ADS-B 数据包含的信息内容主要是航空器的4维位置信息(即经度、纬度、高度和时间)、识别信息与类别信息、以及其它附加信息(如冲突告警信息、驾驶员输入信息、航空器的航迹角、航线拐点、航向、航速、风速、风向和外部环境温度)等。
由于航空管制、天气、流量控制等多种因素,航班的实际落地时间与计划落地时间存在一定的差异,不可避免地增加了机场资源管理与调度、预警等工作的难度,既影响到机场整体管理效率与工作负荷,也不利于提升消费者的感受与满意度。
因此,如何根据航班运行数据与ADS-B数据的综合运用以获得相对准确的航班预计落地时间,一直是现有国内民航业的痛点问题。
有鉴于此,特提出本专利申请。
发明内容
本发明所述基于ADS-B数据预测航班落地时间的方法,在于解决上述现有技术存在的问题而基于航班实时位置数据(即ADS-B数据)、运用神经网络预测模型持续地预测并更新航班落地时间,以提高预测精度和完善信息服务内容,从而提高机场整体资源管理的精细化与调控能力。
所述基于ADS-B数据预测航班落地时间的方法,是在航班进入ADS-B接收设备的接收范围后,持续接收到的航班ADS-B数据由预测模型计算,按一定频率输出预测结果直至航班落地。其主要包括以下实施步骤:
步骤1数据处理
1)ADS-B数据接收
使用多台ADS-B接收设备,对不同方向、角度、高度的航班发送的ADS-B数据进行接收,数据实时汇集到统一的数据中心并去重;
2)ADS-B数据过滤与解析
ADS-B接收设备将数据通过UDP协议转发至接收模块,接收模块进行UDP解包得到明文字符串:
对上述字符串进行解析,解析后的字段存入数据库;
步骤2预测计算
解析后的ADS-B数据送入预测模块,采用神经网络模型做为预测模型以实时地计算每条ADS-B数据对应航班的预计落地时间,唯一的输出值即为预测的航班落地时间;
通过神经网络模型得到的预测时间,是去除输出层该节点神经元的激活函数后,直接输出上一层节点加权求和的值;
步骤3结果备查
当前航班落地时间的预测值,连续地推送至消息队列并更新;
或是,由信息查询模块提供后台查询服务,即缓存每条ADS-B数据对应航班的预计落地时间、并提供对外查询接口。
进一步的优选方案是,所述ADS-B接收设备的接收范围是,地域范围可以机场为中心,经度上下5度,维度上下5度,以机场为圆心、半径为200-300千米的圆;
针对神经网络模型的细化与化选方案是,神经网络模型包括输入层、隐藏层和输出层结构;隐藏层为多层结构;隐藏层与输出层的每个节点都是一个神经元,每个神经元有多个输入,每个输入值经过权值计算并经过非线性的激活函数得到唯一输出;中间层的神经元采用Relu函数作为激活函数。
综上内容,所述基于ADS-B数据预测航班落地时间的方法具有以下优点:
1、提供了一整套包括数据接收、处理、模型训练、模型效果、模型封装完整的航班落地时间的预测方案,应用前景较广;
2、数据种类需求少,预测成本低。只需要航班的历史ADS-B数据和历史落地时间,预测只需要实时的ADS-B数据,这对于对数据极其敏感的民航业来说具有重大意义;
3、预测准确性高,对机场保障工作的帮助大;提前半小时的预测精度可以达到误差4.5 分钟以内,且随着航班接近落地,预测精度逐步提高。半个小时的提前量对于机场的地服保障工作也有足够的意义。
附图说明
图1是基于ADS-B数据预测航班落地时间的流程图;
图2是预测模型的神经网络结构图;
图3是神经元结构示意图;
图4是Relu函数的图示;
图5是应用本申请的机场信息管理系统架构图;
具体实施方式
下面结合附图和实施例对本发明作进一步地说明。
实施例1,如图1至图5所示,所述基于ADS-B数据预测航班落地时间的方法,针对航班实时位置数据,当航班进入ADS-B接收设备的接收范围后,接收设备持续接收到航班的ADS-B数据并转发给预测模块,预测模块将航班落地时间的预测结果按一定频率推送出,预测结果被持续地更新直至航班落地。
设定所述ADS-B数据的接收范围条件是,航班进入ADS-B设备接收的地域范围内。
如图5所示,ADS-B数据首先由ADS-B接收设备接收,接收设备将数据转发至接收模块,接收模块对数据进行预处理之后发送至预测模块和数据中心。数据中心负责对 ADS-B数据进行存储,预测模块负责用本专利所述的预测方案根据ADS-B数据得出每条 ADS-B数据对应航班的预计落地时间。预测模块将预测数据发送至信息查询模块,信息查询模块和机场业务系统交互,最终机场业务系统获得航班的预计落地时间。机场业务系统主要有航班管理系统、地服保障系统等,机场业务系统获取航班预计落地时间后做出相应处理,从而提升整个机场的运行效率。
所述基于ADS-B数据预测航班落地时间的方法,主要包括以下实施步骤:
步骤1数据处理
1)ADS-B数据接收
使用多台ADS-B接收设备,对不同方向、角度、高度的航班发送的ADS-B数据进行接收,数据实时汇集到统一的数据中心并去重。
设定ADS-B接收设备的接收范围如下:
地域范围:以机场为中心,经度上下5度,维度上下5度,以机场为圆心、半径为200-300千米的圆;
2)ADS-B数据过滤与解析
由于ADS-B接收设备接收到的ADS-B数据,具有数量大、频率高、数据分散、存在噪声等特点,需要对ADS-B数据进行过滤与解析,之后才能用于预测航班落地时间。
ADS-B接收设备将数据通过UDP协议转发至接收模块,接收模块进行UDP解包之后,得到如下数据明文字符串:
对上述字符串进行解析,得到经度(120.43762)、纬度(36.94963)、高度(11075)、时间(2018/12/18,13:57:04)、发送码(780E59)等字段;
将过滤后的报文和解析后的字段存入数据库。
其中,报文中的时间时区不确定且经常会出现异常时间,则以接收模块所在服务器的时间作为接收时间,记录每条ADS-B数据的接收时间。
步骤2预测计算
解析后的ADS-B数据送入预测模块,采用神经网络模型做为预测模型以实时地计算每条ADS-B数据对应航班的预计落地时间,唯一的输出值即为预测的航班落地时间。
所述的预测模型,即神经网络模型包括输入层、隐藏层和输出层结构。
其中,隐藏层为多层结构;
隐藏层与输出层的每个节点都是一个神经元,如图3所示,每个神经元有多个输入,每个输入值经过权值计算并经过非线性的激活函数得到唯一输出。
具体地,如图2所示。
输入层设置有三个节点,分别对应ADS-B数据的经度、纬度、高度输入值;
隐藏层设置有两层中间层,第一层中间层32个节点,第二层64个节点,所有中间层的神经元采用Relu函数作为激活函数。如图4所示,
Relu函数的公式:Relu=max(0,x) (1)
输出层只设置一个节点,本申请所采用的神经网络模型,其输出值仅有一个,即航班落地时间与ADS-B数据接收时间的差。
通过神经网络模型得到的预测时间,是去除输出层该节点神经元的激活函数后,直接输出上一层节点加权求和的值。
步骤3结果备查
当前航班落地时间的预测值,连续地推送至消息队列并更新;
或是,由信息查询模块提供后台查询服务,即缓存每条ADS-B数据对应航班的预计落地时间、并提供对外查询接口。
本申请基于ADS-B数据预测航班落地时间的方法,其预测模型具有以下确定过程:
⑴、数据提取
采用某机场112万条历史ADS-B数据与历史航班的关联数据做为数据集,随机抽取70%的数据作为训练集,剩余30%的数据作为训练模型的验证集。
通过设置验证集避免过拟合,以提升预测模型的泛化能力。
取ADS-B数据的经度、纬度、高度三个值作为训练特征,取历史航班数据中航班实际落地时间与ADS-B数据的接收时间的差作为训练目标。
⑵、回归模型选取
本申请的输入与输出数据都是具体的数值,属于典型的回归问题。
因上述训练样本的数据量较大、且模型具有非线性的特点,所以选用神经网络模型。
⑶、损失函数选择
由于样本数据量较大,输入与输出参数种类较少,均方误差具有求导方便的优点而更易于求解,本申请选用符合以下公式的均方误差作为神经网络模型的损失函数:
⑷、效果验证
使用keras框架的神经网络模型进行训练,用得到的模型对某机场5天内所有进港航班进行了落地时间预测,航班落地时间预测精度如下表所示:
距离落地时间(分钟) | ADS-B数据量 | 平均误差(分钟) |
20<距离落地时间<=30 | 542243 | 4.21 |
10<距离落地时间<=20 | 812757 | 2.69 |
距离落地时间<=10 | 928468 | 0.87 |
⑸、模型封装
将训练好的神经网络模型以.pb文件保存。
基于python、java语言的应用系统,可依赖tensorflow的相关jar之后直接读取.pb 模型文件,以实现应用系统对模型的调用。
业务应用对模型调用的封装类型主要有以下两种方式:
A、封装成服务
封装成后台服务,服务实时接收ADS-B数据,实时计算、更新、缓存每条ADS-B 数据对应航班的预计落地时间,并对外提供查询接口,应用系统可以实时查询所关心航班最新的预计落地时间。
B、消息推送
封装成后台进程,进程实时接收ADS-B数据,实时计算每条ADS-B数据对应航班的预计落地时间,将当前航班的的预计落地时间定时推送至消息队列。应用系统通过监听消息队列来获取航班的预计落地时间。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种基于ADS-B数据预测航班落地时间的方法,其特征在于:当航班进入ADS-B接收设备的接收范围后,持续接收到的航班ADS-B数据由预测模型计算,按一定频率输出预测结果直至航班落地;
包括以下实施步骤,
步骤1数据处理
1)ADS-B数据接收
使用多台ADS-B接收设备,对不同方向、角度、高度的航班发送的ADS-B数据进行接收,数据实时汇集到统一的数据中心并去重;
2)ADS-B数据过滤与解析
ADS-B接收设备将数据通过UDP协议转发至接收模块,接收模块进行UDP解包得到明文字符串:
对上述字符串进行解析,解析后的字段存入数据库;
步骤2预测计算
解析后的ADS-B数据送入预测模块,采用神经网络模型做为预测模型以实时地计算每条ADS-B数据对应航班的预计落地时间,唯一的输出值即为预测的航班落地时间;
通过神经网络模型得到的预测时间,是去除输出层该节点神经元的激活函数后,直接输出上一层节点加权求和的值;
步骤3结果备查
当前航班落地时间的预测值,连续地推送至消息队列并更新;
或是,由信息查询模块提供后台查询服务,即缓存每条ADS-B数据对应航班的预计落地时间、并提供对外查询接口。
2.根据权利要求1所述的基于ADS-B数据预测航班落地时间的方法,其特征在于:所述ADS-B接收设备的接收范围是,地域范围以机场为中心,经度上下5度,维度上下5度,以机场为圆心、半径为200-300千米的圆。
3.根据权利要求1或2所述的基于ADS-B数据预测航班落地时间的方法,其特征在于:所述的神经网络模型包括输入层、隐藏层和输出层结构;
隐藏层为多层结构;
隐藏层与输出层的每个节点都是一个神经元,每个神经元有多个输入,每个输入值经过权值计算并经过非线性的激活函数得到唯一输出;
中间层的神经元采用Relu函数作为激活函数。
4.根据权利要求3所述的基于ADS-B数据预测航班落地时间的方法,其特征在于:所述的预测模型按如下步骤进行确定;
⑴、数据提取
采用某机场多条历史ADS-B数据与历史航班的关联数据做为数据集;
取ADS-B数据的经度、纬度、高度三个值作为训练特征,取历史航班数据中航班实际落地时间与ADS-B数据的接收时间的差作为训练目标;
⑵、回归模型选取
选用神经网络模型;
⑶、损失函数选择
选用均方误差作为神经网络模型的损失函数;
均方误差损失函数的公式如下:
⑷、效果验证
使用keras框架的神经网络模型进行训练,用得到的模型对某机场数天内所有进港航班进行了落地时间预测;
⑸、模型封装
将训练好的神经网络模型以.pb文件保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639959.2A CN110443411A (zh) | 2019-07-16 | 2019-07-16 | 基于ads-b数据预测航班落地时间的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639959.2A CN110443411A (zh) | 2019-07-16 | 2019-07-16 | 基于ads-b数据预测航班落地时间的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110443411A true CN110443411A (zh) | 2019-11-12 |
Family
ID=68430436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910639959.2A Pending CN110443411A (zh) | 2019-07-16 | 2019-07-16 | 基于ads-b数据预测航班落地时间的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443411A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633875A (zh) * | 2019-11-20 | 2019-12-31 | 南京萨利智能科技有限公司 | 航路流量预测方法、装置及计算机存储介质 |
CN112949915A (zh) * | 2021-02-08 | 2021-06-11 | 南京航空航天大学 | 一种基于动态排序的进场航班落地时间预测方法 |
CN113052313A (zh) * | 2021-04-27 | 2021-06-29 | 北京航空航天大学 | 一种海量交通数据知识挖掘与并行处理方法 |
CN113836138A (zh) * | 2021-09-07 | 2021-12-24 | 海南太美航空股份有限公司 | 一种航班数据缓存方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709594A (zh) * | 2016-11-18 | 2017-05-24 | 中国民航大学 | 一种基于排队论的航班滑出时间预测方法 |
CN107122854A (zh) * | 2017-04-25 | 2017-09-01 | 深圳市活力天汇科技股份有限公司 | 一种预测飞机降落时间的方法 |
CN109598373A (zh) * | 2018-11-21 | 2019-04-09 | 青岛民航凯亚系统集成有限公司 | 一种基于ads-b数据的用于预测航班到达时间的预处理方法 |
-
2019
- 2019-07-16 CN CN201910639959.2A patent/CN110443411A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709594A (zh) * | 2016-11-18 | 2017-05-24 | 中国民航大学 | 一种基于排队论的航班滑出时间预测方法 |
CN107122854A (zh) * | 2017-04-25 | 2017-09-01 | 深圳市活力天汇科技股份有限公司 | 一种预测飞机降落时间的方法 |
CN109598373A (zh) * | 2018-11-21 | 2019-04-09 | 青岛民航凯亚系统集成有限公司 | 一种基于ads-b数据的用于预测航班到达时间的预处理方法 |
Non-Patent Citations (1)
Title |
---|
陈强 等: "基于OLS-RBF神经网络的进场飞行时间预测", 《航空计算技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110633875A (zh) * | 2019-11-20 | 2019-12-31 | 南京萨利智能科技有限公司 | 航路流量预测方法、装置及计算机存储介质 |
CN112949915A (zh) * | 2021-02-08 | 2021-06-11 | 南京航空航天大学 | 一种基于动态排序的进场航班落地时间预测方法 |
CN113052313A (zh) * | 2021-04-27 | 2021-06-29 | 北京航空航天大学 | 一种海量交通数据知识挖掘与并行处理方法 |
CN113052313B (zh) * | 2021-04-27 | 2021-10-15 | 北京航空航天大学 | 一种海量交通数据知识挖掘与并行处理方法 |
CN113836138A (zh) * | 2021-09-07 | 2021-12-24 | 海南太美航空股份有限公司 | 一种航班数据缓存方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443411A (zh) | 基于ads-b数据预测航班落地时间的方法 | |
Gui et al. | Machine learning aided air traffic flow analysis based on aviation big data | |
CN105427674B (zh) | 一种无人机飞行状态实时评估预警系统及方法 | |
EP3705849A2 (en) | Method and apparatus for visualizing risk levels associated with aerial vehicle flights | |
EP2124213B1 (en) | System for collecting data about spatial objects and providing services | |
CN109448445A (zh) | 基于长短期记忆神经网络的航班延误分级预警方法 | |
US10678265B2 (en) | Revised speed advisory for an aircraft during flight based on holding time | |
CN107132852A (zh) | 一种基于北斗地理围栏差分定位模块的无人机监管云平台 | |
US20030004780A1 (en) | Method and system for integrating weather information with enterprise planning systems | |
US9607445B2 (en) | System for automated recording of aircraft flight and maintenance information and associated methods | |
US20140067244A1 (en) | System and method for sending air traffic data to users for display | |
CN105469645A (zh) | 飞行目标通信系统 | |
CN108428341A (zh) | 一种基于人机融合的交通应急管理调度方法及系统 | |
CN104359565A (zh) | 一种冷链运输温度监测与预警的方法及系统 | |
CN108140327A (zh) | 增加航空生命安全服务和数据链路的容量和安全性的方法和系统 | |
CN104376494B (zh) | 基于云系统的交通信息管理与服务系统 | |
CN110443521A (zh) | 航班运行风险获取方法、系统和计算机设备 | |
CN112215416B (zh) | 智能规划巡检航线系统及方法 | |
CN101377887A (zh) | 航班延误统计方法及装置 | |
CN104077927A (zh) | 一种适用于通用航空飞行的飞行计划受理系统及控制方法 | |
CN108152866A (zh) | 基于天气影响航班量的航空气象预报质量评估方法 | |
US20210125512A1 (en) | Aircraft parking stand assignment prediction | |
CN112949915A (zh) | 一种基于动态排序的进场航班落地时间预测方法 | |
US11222483B2 (en) | System and method for detecting vehicle environmental exposure and for determining maintenance service according to detected exposure | |
US10297160B1 (en) | Flight time comparator system and method |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |