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 PDF

Info

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
Application number
CN201910639959.2A
Other languages
English (en)
Inventor
刘晓疆
战嘉馨
陈晓
孙龙涛
陈宇
刘青
李坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Civil Aviation Kaiya System Integration Co Ltd
Original Assignee
Qingdao Civil Aviation Kaiya System Integration Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Civil Aviation Kaiya System Integration Co Ltd filed Critical Qingdao Civil Aviation Kaiya System Integration Co Ltd
Priority to CN201910639959.2A priority Critical patent/CN110443411A/zh
Publication of CN110443411A publication Critical patent/CN110443411A/zh
Pending legal-status Critical Current

Links

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

基于ADS-B数据预测航班落地时间的方法
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。
CN201910639959.2A 2019-07-16 2019-07-16 基于ads-b数据预测航班落地时间的方法 Pending CN110443411A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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