CN110675007A - 航班延误预测方法、装置及计算机存储介质 - Google Patents
航班延误预测方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN110675007A CN110675007A CN201911237637.1A CN201911237637A CN110675007A CN 110675007 A CN110675007 A CN 110675007A CN 201911237637 A CN201911237637 A CN 201911237637A CN 110675007 A CN110675007 A CN 110675007A
- Authority
- CN
- China
- Prior art keywords
- flight
- time
- prediction
- landing
- airport
- 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 32
- 238000007637 random forest analysis Methods 0.000 claims abstract description 20
- 230000010006 flight Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000003111 delayed effect Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000001105 regulatory effect Effects 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
- G06Q10/04—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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
一种航班延误预测方法、装置及计算机存储介质。所述方法包括:获取航班预测数据集,其中,航班预测数据集至少包括以下之一:航班号,航班控制号,出发机场,航班起飞时间,降落机场,航班降落时间;对所述航班预测数据集进行预处理;采用处理过的航班预测数据集对随机森林网络模型进行训练;使用训练过的随机森林网络模型进行航路延误预测。本发明所提出的通过接收ADS‑B报文,融合互联网上有关航班和机场的信息建立了航空数据集。在此数据集的基础上训练出可行的航班延误预测模型,对于未知延误的航班能进行准确的延误预测。对方便旅客出行,提供航空公司数据支持有潜在的价值。
Description
技术领域
本发明属于大数据挖掘和机器学习领域,具体涉及一种航班延误预测方法、装置及计算机存储介质。
背景技术
近近年来,随着民航业的快速发展,航班延误的情况愈演愈烈,对航空公司、机场和旅客的利益造成了巨大的损失。尽管中国民用航空局出台了一系列的措施,努力的减少航班延误,但是航班延误的现象还是时有发生,这主要是由于造成航班延误的因素众多,且各种因素相互交织的原因。航班延误的因素可以分为:天气原因、航空公司原因、机场管理原因、管制原因等。这些因素中包含着很多不确定性的因素,进而无法通过相应的数学方法进行很好的量化和表达。
发明内容
针对于上述现有技术的不足,本发明的目的之一提供一种能够提高航班延误预测准确率的方法、装置及计算机存储介质。
本发明实施例公开了一种航路流量预测方法,包括:获取航班预测数据集,其中,航班预测数据集至少包括以下之一:航班号,航班控制号,出发机场,航班起飞时间,降落机场,航班降落时间;对所述航班预测数据集进行预处理;采用处理过的航班预测数据集对随机森林网络模型进行训练;使用训练过的随机森林网络模型进行航路延误预测。
在一个可能的实施例中,获取航班预测数据集包括通过广播式自动相关监视ADS-B接收设备收集ADS-B报文数据。
在一个可能的实施例中,对所述航班预测数据集进行预处理包括:对所述ADS-B报文数据进行清洗;对清洗后的数据进行筛选,获取航班起飞降落阶段相关的数据,该数据至少包括出发机场,航班起飞时间,降落机场,航班降落时间;将筛选后的数据和从网络获取的航班数据融合,得到处理过的航班预测数据集。
在一个可能的实施例中,所述从网络获取的航班数据包括:根据航班号通过python爬虫从对应的网络上获取所述航班的出发降落机场,计划起飞降落时间,对应机场的天气状况。
在一个可能的实施例中,还包括根据所述航班起飞降落时间和所述从网络获取的航班数据,计算航班延误时间,定义航班延误时间如下:
(1)
在一个可能的实施例中,所述预处理过的预测数据集至少包括:航班号,航班控制号,时间向量,天气向量,包括出发机场、降落机场、计划起飞时间、计划到达时间的计划信息向量。
本发明实施例还公开了一种航班延误预测装置,包括:获取单元,用于获取航班预测数据集,其中,航班预测数据集至少包括以下之一:航班号,航班控制号,出发机场,航班起飞时间,降落机场,航班降落时间;预处理单元,用于对所述航班预测数据集进行预处理;训练单元,用于采用处理过的航班预测数据集对随机森林网络模型进行训练;预测单元,用于使用训练过的随机森林网络模型进行航班延误预测。
在一个可能的实施例中,所述获取单元,还用于通过广播式自动相关监视ADS-B接收设备收集ADS-B报文数据。
在一个可能的实施例中,所述预处理单元包括:清洗模块,用于对所述ADS-B报文数据进行清洗;筛选模块,用于对清洗后的数据进行筛选,获取航班起飞降落阶段相关的数据,该数据至少包括出发机场、航班起飞时间,降落机场,航班降落时间;融合模块,用于将筛选后的数据和从网络获取的航班数据融合,得到处理过的航班预测数据集。
在一个可能的实施例中,所述从网络获取的航班数据包括:根据航班号通过python爬虫从对应的网络上获取所述航班的出发降落机场,计划起飞降落时间,对应机场的天气状况。
在一个可能的实施例中,所述装置还包括计算单元,用于根据所述航班起飞降落时间和所述从网络获取的航班数据,计算航班延误时间,定义航班延误时间如下:
在一个可能的实施例中,所述预处理过的预测数据集至少包括:航班号,航班控制号,时间向量,天气向量,包括出发机场、降落机场、计划起飞时间、计划到达时间的计划信息向量。
本发明实施例还公开一种计算机存储介质,其存储计算机程序,在所述计算机程序被执行时,实施根据前述任一项所述的方法。
本发明的有益效果:
本发明所提出的通过接收ADS-B报文,融合互联网上有关航班和机场的信息建立了航空数据集。在此数据集的基础上训练出可行的航班延误预测模型,对于未知延误的航班能进行准确的延误预测。对方便旅客出行,提供航空公司数据支持有潜在的价值。
附图说明
图1为本发明实施例的一种方法流程图;
图2为本发明实施例的又一方法流程示意图;
图3为本发明实施例的一种装置结构示意图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1,一种航班延误预测方法,包括:
S101,获取航班预测数据集,其中,航班预测数据集至少包括以下之一:航班号,航班控制号,出发机场,航班起飞时间,降落机场,航班降落时间。
在一个实施例中,获取航路流量预测数据集可以通过广播式自动相关监视ADS-B接收设备收集ADS-B报文数据。
具体的,ADS-B是广播式自动相关监视的英文缩写,装备这种设备的飞机无需进行人工操作或者像二次雷达一样需要询问,飞机可以自动的不间断的向其他飞机和地面接收站广播自己的位置、高度、航向、识别号等信息。这些广播发送出去的整合重组的飞机信息就是ADS-B数据报文。
ADS-B地面站设备或安装了ADS-B数据报文接收设备的其他飞行目标接收此ADS-B数据报文,通过对报文的解析,获取此飞行目标的位置和飞行状态数据信息,从而实现对飞行目标的监视。
ADS-B报文的内容可以包括:航班号、航班控制号、经度、纬度、气压高度及几何高度、垂直方向改变速率、航迹角和地速等。
S102,对所述航班预测数据集进行预处理。
在一个实施例中,对所述航班预测数据集进行预处理包括:清洗、筛选、融合步骤。具体的,对ADS-B报文数据进行清洗;对清洗后的数据进行筛选,获取航班起飞降落阶段相关的数据,该数据至少包括出发机场,航班起飞时间,降落机场,航班降落时间;将筛选后的数据和从网络获取的机场数据融合,得到处理过的航班预测数据集。
在一个实施例中,筛选数据的方法可以包括:收集到的报文按照航班号分组;对每个分组的报文筛选出高度在500m以下的报文;筛选出的报文进行时间排序;出发机场附近时间最早的报文为起飞的报文,到达机场附近时间最晚的报文为降落的报文。
在一个实施例中,所述从网络获取的航班数据包括:根据航班号通过python爬虫从对应的网络上获取所述航班的出发降落机场,计划起飞降落时间,对应机场的天气状况。
在一个实施例中,该方法还包括根据所述航班起飞降落时间和所述从网络获取的航班数据,计算航班延误时间,定义航班延误时间如下:
在一个实施例中,所述预处理过的航班预测数据集至少包括:航班号,航班控制号,时间向量,天气向量,包括出发机场、降落机场、计划起飞时间、计划到达时间的计划信息向量。
(2)
(5)
分别是航班号和航班控制号,d为日期,w,t,s分别为(2),(3)(4)中定义的向量。
S103,采用处理过的航班预测数据集对随机森林网络模型进行训练。
在一个实施例中,所述随机森林网络模型。
在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
随机森林通过如下算法建立每一个树:
1.用N来表示训练用例(样本)的个数,M表示特征数目。
2.输入特征数目m,用于确定决策树上一个节点的决策结果;其中m应远小于M。
3.从N个训练用例(样本)中以有放回抽样的方式,取样N次,形成一个训练集,并用未抽到的用例(样本)作预测,评估其误差。
4.对于每一个节点,随机选择m个特征,决策树上每个节点的决定都是基于这些特征确定的。根据这m个特征,计算其最佳的分裂方式。
每棵树都会完整成长而不会剪枝,这有可能在建完一棵正常树状分类器后会被采用。
在一个实施例中,可以使用python的sklearn库训练随机森林模型,模型超参设置如下:子分类器个数:35,子分类器最大深度:12,构造子分类器选择的特征数:所有特征个数的平方根,模型迭代次数:1500次。
S104,使用训练过的随机森林网络模型进行航路延误预测。
通过前述步骤获得与训练数据集中数据形式相同的航班数据。将未知延误的航班数据输入训练好的模型中,得到相应的延误预测。
本发明实施例通过接收ADS-B报文,融合互联网上有关航班和机场的信息建立了航空数据集。在此数据集的基础上训练出可行的航班延误预测模型,对于未知延误的航班能进行准确的延误预测。对方便旅客出行,提供航空公司数据支持有潜在的价值。
以下结合图1和图2对本发明实施例方法进一步阐述。
本发明使用python3.6为开发语言,sklearn开源库作为算法实现。具体包括如下步骤,其中:
步骤一:通过ADS-B地面报文接收设备获取相关报文,包括:
第1步:架设1090Mhz的全向天线。
第2步:使用全向天线接收飞机的ADS-B报文。
步骤二:对获取的报文数据进行预处理,包括:
第3步:对每个ADS-B报文进行有效性判断,包括航班号,高度,经纬度等。
第4步:对无效的ADS-B报文进行删除。
第5步:筛选出航班起飞降落阶段的报文。
第6步:融合筛选后的相关数据报文和从网络获取的航班数据。
第7步:根据起飞降落阶段的报文和航班数据,计算航班延误的时间。
第8步:重复3-7步直到收集到整天的数据。
步骤三:训练网络模型,包括:
第9步:重复步骤一、二,直到收集和处理完成半年的航班数据。
第10步:建立随机森林模型。
第11步:通过第9步建立的航班数据训练随机森林模型。
第12步:通过第11步训练的模型进行航班延误预测。
如图3,本发明实施例中还公开了一种航班延误预测装置10,包括:获取单元101,用于获取航班预测数据集,其中,航班预测数据集至少包括以下之一:航班号,航班控制号,出发机场,航班起飞时间,降落机场,航班降落时间;预处理单元102,用于对所述航班预测数据集进行预处理;训练单元103,用于采用处理过的航班预测数据集对随机森林网络模型进行训练;预测单元104,用于使用训练过的随机森林网络模型进行航班延误预测。
所述获取单元101,还用于通过广播式自动相关监视ADS-B接收设备收集ADS-B报文数据。
所述预处理单元102包括:清洗模块,用于对所述ADS-B报文数据进行清洗;筛选模块,用于对清洗后的数据进行筛选,获取航班起飞降落阶段相关的数据,该数据至少包括出发机场、航班起飞时间,降落机场,航班降落时间;融合模块,用于将筛选后的数据和从网络获取的航班数据融合,得到处理过的航班预测数据集。
在一个实施例中,所述从网络获取的航班数据包括:根据航班号通过python爬虫从对应的网络上获取所述航班的出发降落机场,计划起飞降落时间,对应机场的天气状况。
在一个实施例中,装置10还包括计算单元105,用于根据所述航班起飞降落时间和所述从网络获取的航班数据,计算航班延误时间,定义航班延误时间如下:
(1)
式(1)中为航班降落时间, 为计划航班降落时间,τ为延误时间;将τ小于15分钟的航班分类为正点,τ大于15分钟的航班分类为延误。
在一个实施例中,所述预处理过的预测数据集至少包括:航班号,航班控制号,时间向量,天气向量,包括出发机场、降落机场、计划起飞时间、计划到达时间的计划信息向量。
该装置对应于前述的方法实施例,具体可参考方法实施例的描述,不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (13)
1.一种航班延误预测方法,其特征在于,包括:获取航班预测数据集,其中,航班预测数据集至少包括以下之一:航班号,航班控制号,出发机场,航班起飞时间,降落机场,航班降落时间;对所述航班预测数据集进行预处理;采用处理过的航班预测数据集对随机森林网络模型进行训练;使用训练过的随机森林网络模型进行航路延误预测。
2.如权利要求1所述的方法,其特征在于,获取航班预测数据集包括通过广播式自动相关监视ADS-B接收设备收集ADS-B报文数据。
3.如权利要求2所述的方法,其特征在于,对所述航班预测数据集进行预处理包括:对所述ADS-B报文数据进行清洗;对清洗后的数据进行筛选,获取航班起飞降落阶段相关的数据,该数据至少包括出发机场,航班起飞时间,降落机场,航班降落时间;将筛选后的数据和从网络获取的航班数据融合,得到处理过的航班预测数据集。
4.如权利要求3所述的方法,其特征在于,所述从网络获取的航班数据包括:根据航班号通过python爬虫从对应的网络上获取所述航班的出发降落机场,计划起飞降落时间,对应机场的天气状况。
6.如权利要求1或3所述的方法,其特征在于,所述预处理过的预测数据集至少包括:航班号,航班控制号,时间向量,天气向量,包括出发机场、降落机场、计划起飞时间、计划到达时间的计划信息向量。
7.一种航班延误预测装置,其特征在于,包括:获取单元,用于获取航班预测数据集,其中,航班预测数据集至少包括以下之一:航班号,航班控制号,出发机场,航班起飞时间,降落机场,航班降落时间;预处理单元,用于对所述航班预测数据集进行预处理;训练单元,用于采用处理过的航班预测数据集对随机森林网络模型进行训练;预测单元,用于使用训练过的随机森林网络模型进行航班延误预测。
8.如权利要求7所述的装置,其特征在于,所述获取单元,还用于通过广播式自动相关监视ADS-B接收设备收集ADS-B报文数据。
9.如权利要求8所述的装置,其特征在于,所述预处理单元包括:清洗模块,用于对所述ADS-B报文数据进行清洗;筛选模块,用于对清洗后的数据进行筛选,获取航班起飞降落阶段相关的数据,该数据至少包括出发机场、航班起飞时间,降落机场,航班降落时间;融合模块,用于将筛选后的数据和从网络获取的航班数据融合,得到处理过的航班预测数据集。
10.如权利要求9所述的装置,其特征在于,所述从网络获取的航班数据包括:根据航班号通过python爬虫从对应的网络上获取所述航班的出发降落机场,计划起飞降落时间,对应机场的天气状况。
12.如权利要求7或9所述的装置,其特征在于,所述预处理过的预测数据集至少包括:航班号,航班控制号,时间向量,天气向量,包括出发机场、降落机场、计划起飞时间、计划到达时间的计划信息向量。
13.一种计算机存储介质,其存储计算机程序,其特征在于,在所述计算机程序被执行时,实施根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911237637.1A CN110675007A (zh) | 2019-12-06 | 2019-12-06 | 航班延误预测方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911237637.1A CN110675007A (zh) | 2019-12-06 | 2019-12-06 | 航班延误预测方法、装置及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675007A true CN110675007A (zh) | 2020-01-10 |
Family
ID=69088291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911237637.1A Pending CN110675007A (zh) | 2019-12-06 | 2019-12-06 | 航班延误预测方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675007A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111477033A (zh) * | 2020-01-17 | 2020-07-31 | 上海眼控科技股份有限公司 | 基于通航量变化的流量管理方法、装置、电子设备及存储介质 |
CN111626519A (zh) * | 2020-06-01 | 2020-09-04 | 北京博能科技股份有限公司 | 一种航班到达时间预测方法、装置和电子设备 |
CN111784049A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种旅客流失时间预测方法及装置 |
CN112257748A (zh) * | 2020-09-18 | 2021-01-22 | 南京航空航天大学 | 一种基于dbscan聚类算法的受限空域单元识别方法 |
CN112308286A (zh) * | 2020-09-16 | 2021-02-02 | 北京中兵数字科技集团有限公司 | 航班计划调整方法、装置及计算机可读存储介质 |
CN112419791A (zh) * | 2020-11-09 | 2021-02-26 | 南京莱斯信息技术股份有限公司 | 一种区域级繁忙终端航班排序调度方法 |
CN113449915A (zh) * | 2021-06-28 | 2021-09-28 | 中国电子科技集团公司第二十八研究所 | 一种基于知识图谱的航班延误预测方法 |
CN113807579A (zh) * | 2021-09-02 | 2021-12-17 | 南京航空航天大学 | 一种基于机器学习的航班抵港延误时间预测方法 |
CN115689073A (zh) * | 2023-01-04 | 2023-02-03 | 北京航空航天大学 | 一种基于高阶网络的航班延误预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492334A (zh) * | 2018-12-11 | 2019-03-19 | 青岛心中有数科技有限公司 | 航班延误的模型建立方法、预测方法及装置 |
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 |
CN110503245A (zh) * | 2019-07-30 | 2019-11-26 | 南京航空航天大学 | 一种机场航班大面积延误风险的预测方法 |
-
2019
- 2019-12-06 CN CN201911237637.1A patent/CN110675007A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492334A (zh) * | 2018-12-11 | 2019-03-19 | 青岛心中有数科技有限公司 | 航班延误的模型建立方法、预测方法及装置 |
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 |
CN110503245A (zh) * | 2019-07-30 | 2019-11-26 | 南京航空航天大学 | 一种机场航班大面积延误风险的预测方法 |
Non-Patent Citations (1)
Title |
---|
胡皓月: "航班延误预测的大数据方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111477033A (zh) * | 2020-01-17 | 2020-07-31 | 上海眼控科技股份有限公司 | 基于通航量变化的流量管理方法、装置、电子设备及存储介质 |
CN111626519A (zh) * | 2020-06-01 | 2020-09-04 | 北京博能科技股份有限公司 | 一种航班到达时间预测方法、装置和电子设备 |
CN111784049A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种旅客流失时间预测方法及装置 |
CN112308286A (zh) * | 2020-09-16 | 2021-02-02 | 北京中兵数字科技集团有限公司 | 航班计划调整方法、装置及计算机可读存储介质 |
CN112308286B (zh) * | 2020-09-16 | 2021-12-14 | 北京中兵数字科技集团有限公司 | 航班计划调整方法、装置及计算机可读存储介质 |
CN112257748A (zh) * | 2020-09-18 | 2021-01-22 | 南京航空航天大学 | 一种基于dbscan聚类算法的受限空域单元识别方法 |
CN112419791A (zh) * | 2020-11-09 | 2021-02-26 | 南京莱斯信息技术股份有限公司 | 一种区域级繁忙终端航班排序调度方法 |
CN112419791B (zh) * | 2020-11-09 | 2022-05-10 | 南京莱斯信息技术股份有限公司 | 一种区域级繁忙终端航班排序调度方法 |
CN113449915A (zh) * | 2021-06-28 | 2021-09-28 | 中国电子科技集团公司第二十八研究所 | 一种基于知识图谱的航班延误预测方法 |
CN113449915B (zh) * | 2021-06-28 | 2023-10-27 | 中国电子科技集团公司第二十八研究所 | 一种基于知识图谱的航班延误预测方法 |
CN113807579A (zh) * | 2021-09-02 | 2021-12-17 | 南京航空航天大学 | 一种基于机器学习的航班抵港延误时间预测方法 |
CN115689073A (zh) * | 2023-01-04 | 2023-02-03 | 北京航空航天大学 | 一种基于高阶网络的航班延误预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675007A (zh) | 航班延误预测方法、装置及计算机存储介质 | |
Olive et al. | Trajectory clustering of air traffic flows around airports | |
US20210133370A1 (en) | Optimizing Aircraft Flows at Airports Using Data Driven Predicted Capabilities | |
CN107818382B (zh) | 航班到达时间预测方法 | |
CA2936382C (en) | A computer-implemented method and system for setting up an air traffic simulator | |
Sun et al. | Modeling aircraft performance parameters with open ADS-B data | |
Sun et al. | WRAP: An open-source kinematic aircraft performance model | |
Olive et al. | Detection and identification of significant events in historical aircraft trajectory data | |
Kern et al. | Data-driven aircraft estimated time of arrival prediction | |
CN104885104A (zh) | 卫星调度系统 | |
CN110633875A (zh) | 航路流量预测方法、装置及计算机存储介质 | |
Dhief et al. | Predicting aircraft landing time in extended-TMA using machine learning methods | |
Olive et al. | Quantitative assessments of runway excursion precursors using Mode S data | |
FR3038750A1 (fr) | Procede d'integration d'un nouveau service de navigation dans un systeme avionique embarque a architecture ouverte de type client-serveur, en particulier d'un service de manoeuvre fim | |
CN113706931B (zh) | 空域的流控策略推荐方法、装置、电子设备及存储介质 | |
Huang et al. | Estimation of aircraft fuel consumption by modeling flight data from avionics systems | |
Sun et al. | Opensky report 2022: Evaluating aviation emissions using crowdsourced open flight data | |
US20210125512A1 (en) | Aircraft parking stand assignment prediction | |
CN101465066B (zh) | 飞机垂直占有率的获取方法 | |
Scaini et al. | A GIS-based tool to support air traffic management during explosive volcanic eruptions | |
FR3038751A1 (fr) | Procede d'integration d'une application d'optimisation de route (s) sous contraintes dans un systeme embarque avionique a architecture ouverte de type client serveur | |
Chou et al. | A machine learning application for predicting and alerting missed approaches for airport management | |
Hrastovec et al. | Machine learning model for aircraft performances | |
Lui et al. | Data-driven approach for aircraft arrival flow investigation at terminal maneuvering area | |
Mitkas et al. | Activity Identification using ADS-B data at General Aviation Airports |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200110 |
|
WD01 | Invention patent application deemed withdrawn after publication |