CN110503245B - 一种机场航班大面积延误风险的预测方法 - Google Patents

一种机场航班大面积延误风险的预测方法 Download PDF

Info

Publication number
CN110503245B
CN110503245B CN201910692257.0A CN201910692257A CN110503245B CN 110503245 B CN110503245 B CN 110503245B CN 201910692257 A CN201910692257 A CN 201910692257A CN 110503245 B CN110503245 B CN 110503245B
Authority
CN
China
Prior art keywords
data
airport
delay
flight
flights
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
Application number
CN201910692257.0A
Other languages
English (en)
Other versions
CN110503245A (zh
Inventor
杨光
刘继新
董欣放
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910692257.0A priority Critical patent/CN110503245B/zh
Publication of CN110503245A publication Critical patent/CN110503245A/zh
Application granted granted Critical
Publication of CN110503245B publication Critical patent/CN110503245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种机场航班大面积延误风险的预测方法，具体包括以下步骤：收集历史数据，并进行预处理；利用随机森林算法筛选关键因子；对筛选后的数据进行类别特征数值化和归一化处理，随机抽样分为训练集和测试集；针对上述数据，运用canopy聚类进行粗略聚类，找出初始簇；利用canopy找出的簇作为k值，采用K‑means算法进行多特征的精聚类；计算每簇中大面积延误的发生概率；通过输入某小时机场天气和航班信息进行分类，实现该小时机场航班出现大面积延误的风险预测。本发明能较为准确地预测机场短期发生大面积延误的风险；改进了只针对单一航班延误预测的弊端，能够综合考虑诸多影响因素，提高预测的精准程度；解决当前对机场航班大面积延误的风险预测问题。

Description

一种机场航班大面积延误风险的预测方法
技术领域
本发明属于民航技术领域，具体涉及一种机场航班大面积延误风险的预测方法。
背景技术
随着民航业的高速发展，延误问题也日渐凸显。延误发生的原因有很多，大致可分为航空公司原因、天气原因和交通流量控制等。航班延误不仅对航空公司、旅客造成极大的不良影响，对于机场的正常运行也具有负面影响，准确预测机场航班大面积延误风险，对于及时采取针对性的策略具有重要的现实意义。当前对于延误的预测按照预测内容主要分为：延误时间的预测、延误数量的预测和延误等级的预测；按照预测对象主要分为：针对单航班延误、针对机场延误及针对航空公司的延误。
然而，目前大多数预测是基于历史数据进行的回归预测；并且多针对单一航班进行预测，缺乏对于某一时间段内机场延误的整体风险预测；预测多为针对延误的单一因素的具体预测，例如时间、数量、等级，而没有对于延误发生概率的风险预测。而在实际运行中，机场发生大面积延误是由于诸多航班和诸多影响因素的综合作用造成的，情况是复杂和多变的。且避免大面积航班延误是航班延误引发的次生风险及提高资源利用效率的关键。本发明基于机器无监督学习聚类，提出一种机场大面积延误风险预测方法，以小时为单位，实现对机场大面积航班延误风险发生概率的预测。
发明内容
发明目的：本发明的目的是提供一种机场航班大面积延误风险的预测方法，减小大面积航班延误问题对机场运行造成的影响，从而减小延误对航空公司和旅客的不良影响。
发明内容：本发明所述的一种机场航班大面积延误风险的预测方法，包括以下步骤：
(1)对收集的历史数据行预处理；
(2)对预处理后的数据构造预测模型的输入特征，利用随机森林算法进行影响延误的特征的关键因子筛选，并对筛选后的数据进行数值处理，然后随机抽样，分为训练集和测试集；
(3)针对上述数据，结合关键因子作为特征，运用canopy聚类进行粗略聚类，找出初始簇；
(4)利用canopy找出的簇作为k值，利用K-means算法进行多特征的精聚类；
(5)计算每个簇中大面积延误的发生概率；
(6)通过输入某小时机场天气和航班信息，进行分类，得出该小时机场航班大面积延误风险的预测结果。
所述历史数据类型主要包括机场天气信息和机场航班信息。
所述步骤(1)包括以下步骤：
(11)对机场天气信息和机场航班信息进行清洗，清除缺失数据、错误数据和重复数据；
(12)对机场天气类型信息、机型信息等进行类别特征数值化，按照其对延误的影响，划分为不同的等级；
(13)对所述数据按照单位每小时进行整理。
步骤(2)所述进行输入特征值的构造过程如下：
在随机森林算法中通过基尼指数计算节点的不纯度衡量特征重要性，基尼指数用GI来表示，变量重要性评分用VIM来表示，假设有t个特征分别为X1，X2，……Xt，特征Xj在节点m的重要性公式为：
Figure BDA0002148230190000021
其中，GIl和GIr分别表示分枝后两个新节点的Gini指数，Gini指数的计算公式为
Figure BDA0002148230190000022
假设随机森林中有n颗树，那么：
Figure BDA0002148230190000023
把所有求得的VIM进行归一化处理，筛选出重要性比较高的变量作为后续聚类特征因子。
步骤(2)所述的对数据进行数值处理并随机抽样过程如下：对能见度信息进行数据范围划分，并用类别特征数值化处理；对起飞延误时长信息进行归一化数值处理；对数值化处理后的数据进行随机抽样，从数据库中每月信息中随机抽取25天作为训练集，每月剩下的5天作为测试集。
所述步骤(5)的实现过程如下：对每一簇中的多个单位小时数据进行分类标记，单位小时航班延误率大于80％的认为是大面积延误，并标记为1，否则为0；分别计算出每簇中1所占的比例。
有益效果：与现有技术相比，本发明的有益效果：1、本发明探究机场航班延误相关影响因素，能够较为准确预测短期机场未来延误情况；且基于时间聚类的机场离港大面积延误风险预测，能够综合考虑诸多因素，提高预测精准程度；2、从机场角度出发进行整体延误情况的预测，弥补了只针对单一航班延误预测不能反映整体状况的弊端；3、将本发明应用于机场离港发生大面积延误的分析与风险预测，可为机场应对延误提供有效的数据支持，进而可以提前采取相关措施避免机场大面积延误的发生，减轻延误带来的不良影响。
附图说明
图1为本发明的流程图；
图2为canopy聚类图；
图3为k-means聚类图。
具体实施方式
下面结合附图，采集广州白云机场2016年全年的离港航班数据进行实例验证，对本发明作进一步详细说明。
如图1所示，机场离港发生大面积延误风险的预测方法，具体步骤如下。
步骤一：收集历史数据，数据类型包括机场天气信息和机场航班信息，对所有数据进行预处理。
所述具体天气现象包括好天气组、轻雾、小雨、雷暴等，把它们按照对延误的影响分为0,1,2,3四个级别。天气现象级别划分对照表如表1：
表1天气现象级别划分表
Figure BDA0002148230190000031
Figure BDA0002148230190000041
机型信息划分对照表如表2：
表2机型信息划分表
Figure BDA0002148230190000042
所述机场天气信息和机场航班信息数据的预处理包括：1)进行清洗，清除其中的缺失数据、错误数据和重复数据；2)对所述数据按照单位每小时进行整理。
本次实施方式数据共193871条航班数据，清洗掉缺失、错误和重复数据后，最终剩下187215条航班数据，共6855条单位小时数据信息。
步骤二：对预处理后的诸多数据构造预测模型的输入特征，利用随机森林算法进行影响延误的特征的关键因子筛选。
在随机森林算法中通过基尼指数计算节点的不纯度衡量特征重要性，基尼指数用GI来表示，计算基尼指数，公式如下：
其中，GIl和GIr分别表示分枝后两个新节点的Gini指数。Gini指数的计算公式为：
Figure BDA0002148230190000043
其中，K表示有K个类别，Pmk表示节点m中类别K所占的比例。
变量重要性评分用VIM来表示。假设有t个特征分别为X1，X2，……Xt，特征Xj在节点m的重要性公式为：
Figure BDA0002148230190000051
假设随机森林中有n颗树，公式为：
Figure BDA0002148230190000052
最后把所有求得的VIM进行归一化处理，公式为：
Figure BDA0002148230190000053
筛选出重要性比较高的变量作为后续聚类特征因子。
对数值化处理后的数据进行随机抽样，从数据库中每月信息中随机抽取25天作为训练集，每月剩下的5天作为测试集。训练集数据为5484条，测试集数据为1371条。
本实施方式输入特征为：机型、预计离港时长、前序延误时长、预计离港过站时长、能见度等级、天气类型等，最终，筛选关键因子重要性排序为：天气类型、能见度等级、前序延误时长。(VIM分别为0.251，0.184，0.169)
步骤三：针对上述数据，结合关键因子作为特征，运用canopy聚类进行粗略聚类，找出初始簇。
1)将原始数据集合中的数据按照一定的规则进行排序(规则任意，一旦确定不再更改)，初始距离阈值为T1、T2，且T1>T2(T1、T2的设定可以根据需要，这里我们使用交叉验证获得)；
2)在数据集中随机挑选一个数据向量A，使用一个粗糙距离计算方式来计算A与数据集中其他样本数据向量之间的距离d；
3)根据步骤2)中的距离d，把d小于T1的样本数据向量划到一个canopy中，同时把d小于T2的样本数据向量从候选中心向量名单(即数据集)中移除；
4)重复步骤2)和步骤3)，直到候选中心向量名单为空，即数据集为空，算法结束；
5)最终的簇数作为接下来K-means算法的初始k值。
本实施方式中，canopy聚类最终簇为70个，我们选取其中一部分数据举例说明。将初始k值区间确定为11±3，如图2所示。
步骤四：采用K-means算法进行多特征的精聚类。
1)以k个初始质心，通过计算所有数据与初始质心的距离对数据进行第一次分类，计算距离的方法是使用欧式距离，距离值越小表示两个数据相似度越高；
2)按相似程度(距离)对数据分完组后，分别计算两个分组中数据的均值，并以均值作为新的质心，并重复之前的方法计算每个年龄数据点到新质心的距离；
3)不断重复步骤2)，迭代计算；
4)迭代计算每个数据到新质心的距离，直到新的质心和原质心相等，算法结束。
canopy算法中，每次选取簇数为随机，因此，确定初始k范围为11±3。在k-means中，用来评估簇的个数是否合适，距离越小说明簇分的越好。通过计算簇类误差的平方和，来评价聚类效果，选择最合适的聚类中心个数。最终，得出13个聚类中心，如图3所示。
步骤五：计算每个簇中大面积延误的发生概率
1)以单位小时航班数据集中，发生离港延误的航班数量除以该小时离港航班总数量，计算航班延误率，将大于等于80％的标记为1，否则为0；计算公式为：航班延误率＝延误航班数量/航班总量。
2)按照步骤1)的方法，逐一计算出某一簇中的所有单位小时航班数据集，用标记为1的数量除以总的点数，则认为它是在一定的天气特征和航班状况相结合的条件下，机场发生大面积延误的概率；计算公式为：机场发生大面积延误航班概率＝标记1的数量/一个簇中的总点数。
3)重复步骤1)和步骤2)，分别算出每个簇在其相应的条件状况下发生大面积延误的概率。
最终，各簇中大面积延误发生的概率分别为P1＝0.12，P2＝0.83，P3＝0.60，P4＝0.21，P5＝0.17，P6＝0.33，P7＝0.57，P8＝0.36，P9＝0.77，P10＝0.43，P11＝0.02，P12＝0.45，P13＝0.31(超过50％认定为会存在大面积延误风险)。
步骤六：通过输入某小时机场天气和航班信息，分类并预测该小时发生大面积延误的概率，获得合理的、精确度较高的机场未来发生大面积延误的风险。
在测试集中1371条数据中选取658条进行预测验证。其中，存在大面积延误风险的小时共有47条，通过对比当日延误实际情况，准确率达85％以上。
以上所述仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡依照本发明申请专利范围所做的任何改动，均落入本发明保护范围内。

Claims (4)

1.一种机场航班大面积延误风险的预测方法，其特征在于，包括以下步骤：
(1)对收集的历史数据行预处理；
(2)对预处理后的数据构造预测模型的输入特征，利用随机森林算法进行影响延误的特征的关键因子筛选，并对筛选后的数据进行数值处理，然后随机抽样，分为训练集和测试集；
(3)针对上述数据，结合关键因子作为特征，运用canopy聚类进行粗略聚类，找出初始簇；
(4)利用canopy找出的簇作为k值，利用K-means算法进行多特征的精聚类；
(5)计算每个簇中大面积延误的发生概率；
(6)通过输入某小时机场天气和航班信息，进行分类，得出该小时机场航班大面积延误风险的预测结果；
步骤(2)进行输入特征值的构造过程如下：
在随机森林算法中通过基尼指数计算节点的不纯度衡量特征重要性，基尼指数用GI来表示，变量重要性评分用VIM来表示，假设有t个特征分别为X1，X2，……Xt，特征Xj在节点m的重要性公式为：
Figure FDA0003364134660000011
其中，GIl和GIr分别表示分枝后两个新节点的Gini指数，Gini指数的计算公式为：
Figure FDA0003364134660000012
假设随机森林中有n颗树，那么：
Figure FDA0003364134660000013
把所有求得的VIM进行归一化处理，筛选出重要性比较高的变量作为后续聚类特征因子；
所述步骤(5)包括以下步骤：
(51)以单位小时航班数据集中，发生离港延误的航班数量除以该小时离港航班总数量，计算航班延误率，将大于等于80％的标记为1，否则为0；计算公式为：航班延误率＝延误航班数量/航班总量；
(52)按照步骤(51)的方法，逐一计算出某一簇中的所有单位小时航班数据集，用标记为1的数量除以总的点数，则认为它是在一定的天气特征和航班状况相结合的条件下，机场发生大面积延误的概率；计算公式为：机场发生大面积延误航班概率＝标记1的数量/一个簇中的总点数；
(53)重复步骤(51)和步骤(52)，分别算出每个簇在其相应的条件状况下发生大面积延误的概率。
2.根据权利要求1所述的一种机场航班大面积延误风险的预测方法，其特征在于，所述历史数据类型主要包括机场天气信息和机场航班信息。
3.根据权利要求1所述的一种机场航班大面积延误风险的预测方法，其特征在于，所述步骤(1)包括以下步骤：
(11)对机场天气信息和机场航班信息进行清洗，清除缺失数据、错误数据和重复数据；
(12)对机场天气类型信息、机型信息进行类别特征数值化，按照其对延误的影响，划分为不同的等级；
(13)对所述数据按照单位每小时进行整理。
4.根据权利要求1所述的一种机场航班大面积延误风险的预测方法，其特征在于，步骤(2)的对数据进行数值处理并随机抽样过程如下：对能见度信息进行数据范围划分，并用类别特征数值化处理；对起飞延误时长信息进行归一化数值处理；对数值化处理后的数据进行随机抽样，从数据库中每月信息中随机抽取25天作为训练集，每月剩下的5天作为测试集。
CN201910692257.0A 2019-07-30 2019-07-30 一种机场航班大面积延误风险的预测方法 Active CN110503245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910692257.0A CN110503245B (zh) 2019-07-30 2019-07-30 一种机场航班大面积延误风险的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910692257.0A CN110503245B (zh) 2019-07-30 2019-07-30 一种机场航班大面积延误风险的预测方法

Publications (2)

Publication Number Publication Date
CN110503245A CN110503245A (zh) 2019-11-26
CN110503245B true CN110503245B (zh) 2022-04-19

Family

ID=68587637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910692257.0A Active CN110503245B (zh) 2019-07-30 2019-07-30 一种机场航班大面积延误风险的预测方法

Country Status (1)

Country Link
CN (1) CN110503245B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160612A (zh) * 2019-12-03 2020-05-15 南京航空航天大学 一种基于天气影响的离场航班延误分析及预测方法
CN110675007A (zh) * 2019-12-06 2020-01-10 南京萨利智能科技有限公司 航班延误预测方法、装置及计算机存储介质
CN111477033B (zh) * 2020-01-17 2021-07-27 上海眼控科技股份有限公司 基于通航量的流量管理方法、装置、电子设备及存储介质
CN111667392B (zh) * 2020-06-12 2023-06-16 成都国铁电气设备有限公司 一种基于时空聚类的铁路接触网缺陷热点区域预警方法
CN112036679A (zh) * 2020-06-24 2020-12-04 中国民航管理干部学院 一种航空网络风险评估方法
CN112365023A (zh) * 2020-09-30 2021-02-12 浙江汉德瑞智能科技有限公司 基于机器学习的机场群体性事件预测及预警方法
CN113657671B (zh) * 2021-08-18 2024-02-09 北京航空航天大学 一种基于集成学习的航班延误预测方法
CN113657814B (zh) * 2021-09-03 2022-07-19 北京航空航天大学 一种航空网络风险预测方法及风险等级评估方法
CN114238062B (zh) * 2021-12-24 2024-03-05 湖南云箭智能科技有限公司 板卡烧录装置性能分析方法、装置、设备及可读存储介质
CN115310732B (zh) * 2022-10-12 2022-12-20 珠海翔翼航空技术有限公司 航班延误预测方法及系统
CN115712850B (zh) * 2022-10-31 2023-07-21 南京航空航天大学 基于改进的k-prototype和灰色关联分析的机场相似日选择方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448445A (zh) * 2018-09-05 2019-03-08 南京航空航天大学 基于长短期记忆神经网络的航班延误分级预警方法
CN109949005A (zh) * 2019-03-07 2019-06-28 中国民用航空总局第二研究所 一种机场场面航班保障运行分析的方法、系统及终端

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170011327A1 (en) * 2015-07-12 2017-01-12 Spotted, Inc Method of computing an estimated queuing delay

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448445A (zh) * 2018-09-05 2019-03-08 南京航空航天大学 基于长短期记忆神经网络的航班延误分级预警方法
CN109949005A (zh) * 2019-03-07 2019-06-28 中国民用航空总局第二研究所 一种机场场面航班保障运行分析的方法、系统及终端

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于DTW的机场延误特性分析;李雨吟等;《航空计算技术》;20180525(第03期);全文 *
基于K-means算法的优化及在航空业客户细分的应用;赵倩芸等;《现代计算机(专业版)》;20180205(第04期);全文 *
大型枢纽机场大面积航班延误预警方法研究;吕晓杰等;《计算机工程与设计》;20091016(第19期);全文 *
改进K-Means算法的探讨与分析;曹卫华等;《电脑知识与技术》;20170407(第06期);全文 *
融合气象数据的并行化航班延误预测模型;吴仁彪等;《信号处理》;20180525(第05期);全文 *

Also Published As

Publication number Publication date
CN110503245A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110503245B (zh) 一种机场航班大面积延误风险的预测方法
Yazdi et al. Flight delay prediction based on deep learning and Levenberg-Marquart algorithm
CN109117883B (zh) 基于长短时记忆网络的sar影像海冰分类方法及系统
CN111081016B (zh) 一种基于复杂网络理论的城市交通异常识别方法
CN109902953B (zh) 一种基于自适应粒子群聚类的电力用户分类方法
CN110728411B (zh) 一种基于卷积神经网络的高低空区域联合降雨预测方法
CN106022528A (zh) 一种基于密度峰值层次聚类的光伏电站短期功率预测方法
CN111950910B (zh) 基于dbscan-ga的机场保障车辆任务调度方法
CN111599219B (zh) 一种基于排序学习的多数据源航班起飞时间预测方法
CN115953186B (zh) 一种网约车需求模式识别与短时需求预测方法
CN113284369B (zh) 一种基于ads-b实测航路数据的预测方法
CN110796315B (zh) 基于时效信息和深度学习的离港航班延误预测方法
CN111160612A (zh) 一种基于天气影响的离场航班延误分析及预测方法
CN109993225A (zh) 一种基于无监督学习的空域复杂度分类方法及装置
CN113657814B (zh) 一种航空网络风险预测方法及风险等级评估方法
CN108304974A (zh) 一种基于优化C5.0和Apriori的民航NOSHOW预测及强因子分析方法
CN111415049A (zh) 一种基于神经网络及聚类的停电敏感性分析方法
CN114943356A (zh) 一种机场到港旅客乘坐出租车短时需求集成预测方法
CN117422320B (zh) 一种提取天气对航班韧性运行影响因素的方法
Lu et al. Flight delay prediction using gradient boosting machine learning classifiers
CN114037122A (zh) 基于大数据挖掘处理分析的航班延误预测方法
CN117913808A (zh) 一种分布式光伏发电预测方法及其装置
CN108830432B (zh) 基于少量先验知识的无人机群行动方案搜索方法
Zhao et al. Research and comparison on identification and prediction methods of air traffic network congestion
CN111090793B (zh) 一种基于平均延误时间序列的机场日延误特征分类方法

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