CN110443448B - 一种基于双向lstm的飞机机位分类预测方法和系统 - Google Patents
一种基于双向lstm的飞机机位分类预测方法和系统 Download PDFInfo
- Publication number
- CN110443448B CN110443448B CN201910586163.5A CN201910586163A CN110443448B CN 110443448 B CN110443448 B CN 110443448B CN 201910586163 A CN201910586163 A CN 201910586163A CN 110443448 B CN110443448 B CN 110443448B
- Authority
- CN
- China
- Prior art keywords
- flight
- output
- flight information
- lstm
- gate
- 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.)
- Active
Links
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000010006 flight Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000004880 explosion Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (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
本发明公开了一种基于双向LSTM的飞机机位分类预测方法,属于人工智能技术领域。本发明方法首先采集航站楼的航班信息,根据航班停靠机位对航班添加标签,按照日期将航班信息划分成不同的序列;再对航班信息进行预处理,将航班信息划分为训练集、验证集和测试集;之后利用航班信息构建双向LSTM网络模型,利用训练集对双向LSTM网络进行训练,通过验证集测试所述模型,根据所述模型在训练集和验证集的正确率,调节网络超参数,使得双向LSTM网络模型的正确率大于设定阈值;最后将实时航班信息输入至训练好的双向LSTM网络模型,输出预测航班停靠机位。本发明还实现了一种基于双向LSTM的飞机机位分类预测系统。本发明技术方案能够较为准确地预测出航班的机位类别。
Description
技术领域
本发明属于人工智能技术领域,更具体地,涉及一种基于双向LSTM的飞机机位分类预测方法和系统。
背景技术
机位分配问题是NP(Non-deterministic Polynomial)完全问题,国内的很多机场仍然采用人工分配的方法,然而,随着机场规模的不断扩大,机位分配方案呈指数增长,这给工作人员带来了巨大的工作量,实现机位分配的智能化与便捷化迫在眉睫。在收集已有大量历史数据的前提下,对数据进行利用,使用机器学习技术挖掘数据的内在规律为解决机位分配问题提供了新思路。
机位分配通常可采用各种现代数值求解算法例如传统遗传算法、模拟退火算法等,但其没有有效利用历史数据,往往具有收敛速度慢、初始种群生成困难等的缺点。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于双向LSTM的飞机机位分类预测方法和系统,其目的在于利用航班信息构建双向LSTM网络,双向LSTM构建通过前向的LSTM与后向的LSTM结合,将航班的起飞时间、降落时间、飞机类型和特殊航班标志作为输入词输入双向LSTM网络;输出层为softmax,输出航班停靠各种机位的概率,该模型将机位分类问题作为一个序列模型求解,利用航班历史信息训练得到的双向LSTM模型能较好的拟合航班信息,具有较高的拟合精度。
为实现上述目的,本发明提供了一种基于双向LSTM的飞机机位分类预测方法,所述方法包括以下步骤:
(1)采集任一航站楼的航班信息,根据航班停靠机位对航班添加标签,按照日期将航班信息划分成不同的序列,序列中航班信息按照航班起飞时间排序;
(2)对航班信息进行预处理,将航班信息划分为训练集、验证集和测试集;
(3)通过前向的LSTM与后向的LSTM结合构建双向LSTM网络结构,LSTM网络由t时刻的输入词x<t>,细胞状态C<t>,临时细胞状态隐层状态a<t>,遗忘门更新门输出门组成;将航班信息作为输入词输入所述双向LSTM网络;输出层为softmax,输出航班停靠各种机位的概率;
(4)设置网络超参数,网络超参数包括隐含节点数、梯度阈值、迭代次数、学习率和学习率衰减系数;
(5)利用训练集对双向LSTM网络进行训练,通过验证集测试所述模型,根据所述模型在训练集和验证集的正确率,调节网络超参数,使得双向LSTM网络模型的正确率大于设定阈值;
(6)将实时航班信息输入至训练好的双向LSTM网络模型,输出预测航班停靠机位。
进一步地,所述步骤(1)具体为采集任一航站楼的一段时间内的航班信息数据,根据航班停靠机位对航班添加标签,按照日期将航班信息划分成不同的序列,同一天的航班信息在一个序列中,序列中航班信息按照航班起飞时间从小到大排序。
进一步地,所述航班信息包括航班起飞时间、降落时间、飞机类型和特殊航班标志。
进一步地,所述对航班信息进行预处理具体为:对航班信息中起飞时间和降落时间进行归一化处理,对航班信息中飞机类型进行归类,设置特殊航班标志位标记需要特殊处理的航班。
进一步地,所述标签包括:近机位、一型远机位和二型远机位。
进一步地,所述步骤(3)中,设置LSTM的输出模式为序列。
进一步地,所述步骤(3)中:
遗忘门其中,Wf表示遗忘门的权重矩阵,[a<t-1>,x<t>]代表将a<t-1>与x<t>进行合并后的矩阵;激活函数为式中x表示激活函数的输入,即[a<t-1>,x<t>];bf表示遗忘门的偏置,输出的向量;
其中,Wc表示细胞状态的权重矩阵,bc表示细胞状态的偏置,最后新的细胞状态为:
隐含层到输出层,采用全连接方式,输出层为softmax,输出层的计算公式为:
Z<t>=WSa<t>+bs
进一步地,所述步骤(4)中:
设置隐含节点数大于1,多层LSTM单元构成网络,且下一层的LSTM的输入x<t>为上一层LSTM的隐层状态输出a<t>;
设置梯度阈值,将LSTM网络的训练过程中的梯度限制在梯度阈值范围内,避免出现梯度爆炸导致网络无法学习长的序列。
另一方面,本申请还实现了一种基于双向LSTM的飞机机位分类预测系统,所述系统包括以下部分:
第一模块,用于采集任一航站楼的航班信息,根据航班停靠机位对航班添加标签,按照日期将航班信息划分成不同的序列,序列中航班信息按照航班起飞时间排序;
第二模块,用于对航班信息进行预处理,将航班信息划分为训练集、验证集和测试集;
第三模块,用于通过前向的LSTM与后向的LSTM结合构建双向LSTM网络结构,LSTM网络由t时刻的输入词x<t>,细胞状态C<t>,临时细胞状态隐层状态a<t>,遗忘门更新门输出门组成;将航班信息作为输入词输入所述双向LSTM网络;输出层为softmax,输出航班停靠各种机位的概率;
第四模块,用于设置网络超参数,网络超参数包括隐含节点数、梯度阈值、迭代次数、学习率和学习率衰减系数;
第五模块,用于利用训练集对双向LSTM网络进行训练,通过验证集测试所述模型,根据所述模型在训练集和验证集的正确率,调节网络超参数,使得双向LSTM网络模型的正确率大于设定阈值;
第六模块,用于将实时航班信息输入至训练好的双向LSTM网络模型,输出预测航班停靠机位。
进一步地,所述第三模块中:
遗忘门其中,Wf表示遗忘门的权重矩阵,[a<t-1>,x<t>]代表将a<t-1>与x<t>进行合并后的矩阵;激活函数为式中x表示激活函数的输入,即[a<t-1>,x<t>];bf表示遗忘门的偏置,输出的向量;
其中,Wc表示细胞状态的权重矩阵,bc表示细胞状态的偏置,最后新的细胞状态为:
隐含层到输出层,采用全连接方式,输出层为softmax,输出层的计算公式为:
Z<t>=WSa<t>+bs
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
(1)本发明技术方案采用机器学习中监督学习的方法,该方法利用航班信息中机位分配的历史数据,构建预测模型,利用预测模型对未来航班信息进行分析预测,获得未来航班的机位分配方案,帮助解决机位分配问题,实现机位分配的智能化与便捷化,降低工作人员的工作量;
(2)本发明技术方案利用航班信息构建双向LSTM(长短期记忆网络)网络,双向LSTM构建通过前向的LSTM与后向的LSTM结合,将航班的起飞时间、降落时间、飞机类型和特殊航班标志作为输入词输入双向LSTM网络;输出层为softmax,输出航班停靠各种机位的概率,该模型将机位分类问题作为一个序列模型求解,利用航班历史信息训练得到的双向LSTM模型能较好的拟合航班信息,具有较高的拟合精度;
(3)本发明技术方案采用航班信息进行分类的方法,该方法避免了直接求解机位分配的大量计算,通过分类得到航班停靠机位的标签,得到的分类标注结果可以减小机位分配的搜索空间;
(4)本发明技术方案以天为单位将任一航站楼的航班历史信息换分为多个序列,并且将每天航班按照起飞先后顺序整理成序列,能考虑到一天中各航班数据之间关联性,规避多天的航班信息中出现重复信息的问题,减低LSTM模型的训练难度,提高LSTM模型预测精度,基于航班序列信息的LSTM模型能有效实现机位准确分配。
附图说明
图1是本发明提供的机位预测分类方法流程示意图;
图2是双向LSTM网络示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明提供的一种基于双向LSTM的飞机机位分类预测方法,先结合实施例对本发明方法进行进一步的说明,实施例具体包括以下步骤:
(1)采集任一航站楼的航班信息,根据航班停靠机位对航班添加标签“近机位”、“一型远机位”和“二型远机位”,按照日期组成不同的序列,确保同一天的航班数据在一个序列中,序列中按航班起飞时间takeoffTime从小到大排序。
实例数据如下:
{‘日期’:2019/04/01,‘takeofftime’:6:00,’机位’:近机位;‘日期’:2019/04/02,‘takeofftime’:7:00,’机位’:一型远机位;‘日期’:2019/04/01,‘takeofftime’:7:00,’机位’:一型远机位;‘日期’:2019/04/03,‘takeofftime’:9:00,’机位’:二型远机位;‘日期’:2019/04/02,‘takeofftime’:6:00,’机位’:近机位;}
对数据的分组、排序结果为:
{‘日期’:2019/04/01,‘takeofftime’:6:00,’机位’:近机位;‘日期’:2019/04/01,‘takeofftime’:7:00,’机位’:一型远机位;}
{‘日期’:2019/04/02,‘takeofftime’:6:00,’机位’:近机位;‘日期’:2019/04/02,‘takeofftime’:7:00,’机位’:一型远机位;}
{‘日期’:2019/04/03,‘takeofftime’:9:00,’机位’:二型远机位;}
(2)数据预处理:对航班的起飞时间takeoffTime和降落时间lanTime进行归一化处理,利用公式(t是时间,单位h)。对航班的飞机类型进行归类({“B738、A319、A320”:0;“B787、B747、A380”:1;}),设置特殊航班标志位(标记国内航班为0、国际航班为1),将数据划分为训练、验证和测试集,即将数据按照70:15:15的比例划分成三个独立的部分。
(3)构建双向LSTM网络结构,如图2所示,输入特征为航班的lanTime、takeoffTime、飞机类型和特殊航班标志,输出层为softmax输出3种机位类别的概率(如y<t>=[0.1;0.8;0.1],则y<t>预测为一型远机位),LSTM的输出模式为序列(每个时间步的输入x<t>都有一个对应的输出y<t>),与每个航班分配一个机位对应。
最后新的细胞状态为
输出门,决定隐层状态a<t>的值,计算过程如下
隐含层到输出层,采用全连接方式,输出层为softmax,输出层的计算公式为
Z<t>=Wsa<t>+bs
(4)设置/调节网络超参数:隐含节点数、梯度阈值、迭代次数、学习率和学习率衰减系数等。
隐含节点数大于1,多层LSTM单元构成网络,且下一层的LSTM的输入x<t>为上一层LSTM的隐层状态输出a<t>。
设置梯度阈值,将LSTM网络的训练过程中的梯度限制在梯度阈值范围内,避免出现梯度爆炸导致网络无法学习长的序列。
这是一个样本的代价函数计算公式,式中Ty表示Y的序列长度。
(4.2)LSTM通过反向传播过程,更新权重参数W、b。利用梯度下降的方法:
式中α表示学习率,即每次参数更新的大小。为获得最佳参数,α通常设置成随迭代次数t变小,如α=α0(λ)t,α0表示初试学习率,λ表示学习率衰减系数,通常取α0=0.02,λ=0.99。
设置梯度阈值Grad可有效防止梯度爆炸,梯度爆炸容易出现在mn(循环神经网络)的训练过程中,因为上一个时间步t-1的的参数更新当前时间步t存在明显关联,利用链式法则易知:
如式中所示,梯度如果持续增大或减小,极容易导致在某时间步t的激活函数提前进入饱和状态,此时梯度值会接近0,进而导致权重更新缓慢。梯度阈值限制梯度绝对值的上限,若梯度的绝对值超过阈值,则设置该梯度值为阈值,反之不变。
(4.3)上述两个过程(4.1)和(4.2)结合为一次的迭代过程,随着迭代的进行,代价函数J会逐渐下降,直到达到迭代次数,迭代停止。如果代价函数没有减小到较小值、或迭代过程提前收敛,则需要重新调节超参数设置。
(5)利用训练集数据对网络进行训练,通过验证集测试模型,根据模型在训练和验证集的正确率,调节超参数转到步骤(4),使得模型拥有较好的性能后,转到步骤(6)。
(5.1)判断网络学习状态:欠拟合、过拟合和合适,判断网络在训练集和测试集的正确率,分几种情况:
若在训练集的正确率低,则处于欠拟合状态,可增加模型复杂度,如增加隐含节点数,增大学习率或迭代次数等。
若在训练集的正确率高,而在验证集的正确率低,则处于过拟合状态,可减少隐含节点数、减小学习率等。
若训练集、测试集的正确率都高,则无需调节。
(5.2)此外,通过迭代曲线,即迭代次数——代价函数曲线,其调节原理如(4.3和5.1),确保训练集和验证集的跌倒曲线收敛到同一水平。
(6)用测试数据测试网络的正确率,该指标直接表示了该模型处理此问题的性能。
本发明还实现了一种基于双向LSTM的飞机机位分类预测系统,所述系统包括以下部分:
第一模块,用于采集任一航站楼的航班信息,根据航班停靠机位对航班添加标签,按照日期将航班信息划分成不同的序列,序列中航班信息按照航班起飞时间排序;
第二模块,用于对航班信息进行预处理,将航班信息划分为训练集、验证集和测试集;
第三模块,用于通过前向的LSTM与后向的LSTM结合构建双向LSTM网络结构,LSTM网络由t时刻的输入词x<t>,细胞状态C<t>,临时细胞状态隐层状态a<t>,遗忘门更新门输出门组成;将航班信息作为输入词输入所述双向LSTM网络;输出层为softmax,输出航班停靠各种机位的概率;
第四模块,用于设置网络超参数,网络超参数包括隐含节点数、梯度阈值、迭代次数、学习率和学习率衰减系数;
第五模块,用于利用训练集对双向LSTM网络进行训练,通过验证集测试所述模型,根据所述模型在训练集和验证集的正确率,调节网络超参数,使得双向LSTM网络模型的正确率大于设定阈值;
第六模块,用于将实时航班信息输入至训练好的双向LSTM网络模型,输出预测航班停靠机位。
其中所述第三模块中:
遗忘门其中,Wf表示遗忘门的权重矩阵,[a<t-1>,x<t>]代表将a<t-1>与x<t>进行合并后的矩阵;激活函数为式中x表示激活函数的输入,即[a<t-1>,x<t>];bf表示遗忘门的偏置,输出的向量;
其中,Wc表示细胞状态的权重矩阵,bc表示细胞状态的偏置,最后新的细胞状态为:
隐含层到输出层,采用全连接方式,输出层为softmax,输出层的计算公式为:
Z<t>=WSa<t>+bs
以上内容本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于双向LSTM的飞机机位分类预测方法,其特征在于,所述方法包括以下步骤:
(1)采集任一航站楼的航班信息,根据航班停靠机位对航班添加标签,按照日期将航班信息划分成不同的序列,序列中航班信息按照航班起飞时间排序;
(2)对航班信息进行预处理,将航班信息划分为训练集、验证集和测试集;
(3)通过前向的LSTM与后向的LSTM结合构建双向LSTM网络结构,LSTM网络由t时刻的输入词x<t>,细胞状态C<t>,临时细胞状态隐层状态a<t>,遗忘门更新门输出门组成;将航班信息作为输入词输入所述双向LSTM网络;输出层为softmax,输出航班停靠各种机位的概率;
(4)设置网络超参数,网络超参数包括隐含节点数、梯度阈值、迭代次数、学习率和学习率衰减系数;
(5)利用训练集对双向LSTM网络进行训练,通过验证集测试所述模型,根据所述模型在训练集和验证集的正确率,调节网络超参数,使得双向LSTM网络模型的正确率大于设定阈值;
(6)将实时航班信息输入至训练好的双向LSTM网络模型,输出预测航班停靠机位;
所述步骤(3)中:
遗忘门其中,Wf表示遗忘门的权重矩阵,[a<t-1>,x<t>]代表将a<t-1>与x<t>进行合并后的矩阵;激活函数为式中x表示激活函数的输入,即[a<t-1>,x<t>];bf表示遗忘门的偏置,输出的向量;
其中,Wc表示细胞状态的权重矩阵,bc表示细胞状态的偏置,最后新的细胞状态为:
隐含层到输出层,采用全连接方式,输出层为softmax,输出层的计算公式为:
Z<t>=Wsa<t>+bs
其中,Ws为输出权重矩阵,bs为输出偏置,Z<t>为形状为(m,n)的矩阵,m为样本数,n为航班停靠机位类型数;i,j表示第i,j种机位类型;输出Yi <t>表示为第i种机位类型的概率。
2.根据权利要求1所述的一种基于双向LSTM的飞机机位分类预测方法,其特征在于,所述步骤(1)具体为采集任一航站楼的一段时间内的航班信息数据,根据航班停靠机位对航班添加标签,按照日期将航班信息划分成不同的序列,同一天的航班信息在一个序列中,序列中航班信息按照航班起飞时间从小到大排序。
3.根据权利要求2所述的一种基于双向LSTM的飞机机位分类预测方法,其特征在于,所述航班信息包括航班起飞时间、降落时间、飞机类型和特殊航班标志。
4.根据权利要求3所述的一种基于双向LSTM的飞机机位分类预测方法,其特征在于,所述对航班信息进行预处理具体为:对航班信息中起飞时间和降落时间进行归一化处理,对航班信息中飞机类型进行归类,设置特殊航班标志位标记需要特殊处理的航班。
5.根据权利要求1或2所述的一种基于双向LSTM的飞机机位分类预测方法,其特征在于,所述标签包括:近机位、一型远机位和二型远机位。
6.根据权利要求1所述的一种基于双向LSTM的飞机机位分类预测方法,其特征在于,所述步骤(3)中,设置LSTM的输出模式为序列。
7.根据权利要求1所述的一种基于双向LSTM的飞机机位分类预测方法,其特征在于,所述步骤(4)中:
设置隐含节点数大于1,多层LSTM单元构成网络,且下一层的LSTM的输入x<t>为上一层LSTM的隐层状态输出a<t>;
设置梯度阈值,将LSTM网络的训练过程中的梯度限制在梯度阈值范围内,避免出现梯度爆炸导致网络无法学习长的序列。
8.一种基于双向LSTM的飞机机位分类预测系统,其特征在于,所述系统包括以下部分:
第一模块,用于采集任一航站楼的航班信息,根据航班停靠机位对航班添加标签,按照日期将航班信息划分成不同的序列,序列中航班信息按照航班起飞时间排序;
第二模块,用于对航班信息进行预处理,将航班信息划分为训练集、验证集和测试集;
第三模块,用于通过前向的LSTM与后向的LSTM结合构建双向LSTM网络结构,LSTM网络由t时刻的输入词x<t>,细胞状态C<t>,临时细胞状态隐层状态a<t>,遗忘门更新门输出门组成;将航班信息作为输入词输入所述双向LSTM网络;输出层为softmax,输出航班停靠各种机位的概率;
第四模块,用于设置网络超参数,网络超参数包括隐含节点数、梯度阈值、迭代次数、学习率和学习率衰减系数;
第五模块,用于利用训练集对双向LSTM网络进行训练,通过验证集测试所述模型,根据所述模型在训练集和验证集的正确率,调节网络超参数,使得双向LSTM网络模型的正确率大于设定阈值;
第六模块,用于将实时航班信息输入至训练好的双向LSTM网络模型,输出预测航班停靠机位;
所述第三模块中:
遗忘门其中,Wf表示遗忘门的权重矩阵,[a<t-1>,x<t>]代表将a<t-1>与x<t>进行合并后的矩阵;激活函数为式中x表示激活函数的输入,即[a<t-1>,x<t>];bf表示遗忘门的偏置,输出的向量;
其中,Wc表示细胞状态的权重矩阵,bc表示细胞状态的偏置,最后新的细胞状态为:
隐含层到输出层,采用全连接方式,输出层为softmax,输出层的计算公式为:
Z<t>=Wsa<t>+bs
其中,Ws为输出权重矩阵,bs为输出偏置,Z<t>为形状为(m,n)的矩阵,m为样本数,n为航班停靠机位类型数;i,j表示第i,j种机位类型;输出Yi <t>表示为第i种机位类型的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910586163.5A CN110443448B (zh) | 2019-07-01 | 2019-07-01 | 一种基于双向lstm的飞机机位分类预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910586163.5A CN110443448B (zh) | 2019-07-01 | 2019-07-01 | 一种基于双向lstm的飞机机位分类预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443448A CN110443448A (zh) | 2019-11-12 |
CN110443448B true CN110443448B (zh) | 2022-03-29 |
Family
ID=68428714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910586163.5A Active CN110443448B (zh) | 2019-07-01 | 2019-07-01 | 一种基于双向lstm的飞机机位分类预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443448B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008674B (zh) * | 2019-12-24 | 2022-05-03 | 哈尔滨工程大学 | 一种基于快速循环单元的水下目标探测方法 |
CN113239354A (zh) * | 2021-04-30 | 2021-08-10 | 武汉科技大学 | 一种基于循环神经网络的恶意代码检测方法及系统 |
CN114004165B (zh) * | 2021-11-05 | 2023-03-31 | 中国民航大学 | 一种基于BiLSTM的民航单机组意图建模方法 |
CN114202413A (zh) * | 2022-02-17 | 2022-03-18 | 中云融拓数据科技发展(深圳)有限公司 | 基于产业链数字化场景金融模型建立金融风控体系的方法 |
CN115392554A (zh) * | 2022-08-17 | 2022-11-25 | 北京建筑大学 | 基于深度图神经网络和环境融合的轨道客流预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
CN109147396A (zh) * | 2018-08-23 | 2019-01-04 | 北京工业大学 | 机场停机位的分配方法及装置 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109872033A (zh) * | 2018-12-29 | 2019-06-11 | 华中科技大学 | 一种机场机位分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7437250B2 (en) * | 1999-03-05 | 2008-10-14 | Era Systems Corporation | Airport pavement management system |
-
2019
- 2019-07-01 CN CN201910586163.5A patent/CN110443448B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
CN109147396A (zh) * | 2018-08-23 | 2019-01-04 | 北京工业大学 | 机场停机位的分配方法及装置 |
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
CN109872033A (zh) * | 2018-12-29 | 2019-06-11 | 华中科技大学 | 一种机场机位分配方法 |
Non-Patent Citations (3)
Title |
---|
End-to-End Trajectory Transportation Mode Classification Using Bi-LSTM Recurrent Neural Network;Hongbin Liu 等;《2017 12th International Conference on Intelligent Systems and Knowledge Engineering (ISKE)》;20180115;第1-5页 * |
LSTM Network Based on on Antlion Optimization and its Application in Flight Trajectory Prediction;Zhang Zhenxing 等;《2018 2nd IEEE Advanced Information Management,Communicates,Electronic and Automation Control Conference (IMCEC)》;20180924;第1658-1662页 * |
面向繁忙机场多场景的停机位分配优化研究;王青召;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20181015(第10期);第C031-201页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110443448A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443448B (zh) | 一种基于双向lstm的飞机机位分类预测方法和系统 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN108062561A (zh) | 一种基于长短时记忆网络模型的短时数据流预测方法 | |
CN109948716B (zh) | 一种基于区域残差和lstm网络的机场延误预测方法 | |
CN104156594B (zh) | 一种基于贝叶斯网的航班过站时间动态估计方法 | |
Han et al. | Real-time short-term trajectory prediction based on GRU neural network | |
Choi et al. | Artificial neural network models for airport capacity prediction | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN111461292B (zh) | 一种无人机实时轨迹预测方法 | |
CN115564114B (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
CN113869563A (zh) | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 | |
Yang et al. | LSTM-based deep learning model for civil aircraft position and attitude prediction approach | |
CN112232535A (zh) | 一种基于监督学习的航班离场平均延误预测方法 | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
CN116468186A (zh) | 一种航班链延误时间预测方法、电子设备及存储介质 | |
CN111062510B (zh) | 一种基于迁移学习的民航发动机叶片裂纹预测方法 | |
CN110796315B (zh) | 基于时效信息和深度学习的离港航班延误预测方法 | |
CN109523082B (zh) | 一种基于cnn-lstm航班正常放行率预测的方法 | |
Han et al. | Short-term 4D trajectory prediction based on LSTM neural network | |
CN109165800A (zh) | 一种实现报废汽车回收量准确预测的方法 | |
CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
CN113076686A (zh) | 一种基于社会长短期记忆网络的航空器轨迹预测方法 | |
Gunawan et al. | Long Short-Term Memory Approach for Predicting Air Temperature In Indonesia | |
CN113657020B (zh) | 一种用于气动数据处理的深度集群神经网络模型构建方法 | |
Jiang et al. | A multi-index prediction method for flight delay based on long short-term memory network model |
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 |