CN110807558A - 基于深度神经网络进行离港滑行时间预测的方法及装置 - Google Patents
基于深度神经网络进行离港滑行时间预测的方法及装置 Download PDFInfo
- Publication number
- CN110807558A CN110807558A CN201911076242.8A CN201911076242A CN110807558A CN 110807558 A CN110807558 A CN 110807558A CN 201911076242 A CN201911076242 A CN 201911076242A CN 110807558 A CN110807558 A CN 110807558A
- Authority
- CN
- China
- Prior art keywords
- departure
- data set
- neural network
- flight
- data
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003062 neural network model Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000004140 cleaning Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 239000000126 substance Substances 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 8
- 230000010006 flight Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic 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
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供基于深度神经网络进行离港滑行时间预测的方法及装置,该方法包括:获取离港航班滑行的基本信息数据创建基本信息数据集;创建离港滑行时间数据集;对基本信息数据集进行数据清洗,特征离散化处理得到数据源,对数据源进行Z‑score标准化处理得到预处理的基本信息数据集;对离港滑行时间数据集中的离港滑行时间离散化处理得到离港滑行时间区间段数据集;根据预处理的基本信息数据集及离港滑行时间区间段数据集进行训练得到神经网络模型;获取待预测航班的基本信息数据,根据神经网络模型预测得到离港滑行时间。本发明能够适应航班动态变化、给出较为精准更贴近实际离港航班滑行时间的离港航班滑行时间预测。
Description
技术领域
本申请涉及离港滑行时间预测的技术领域,尤其涉及一种基于深度神经网络进行离港滑行时间预测的方法及装置。
背景技术
随着航空业的快速发展,航空流量密度迅速增大,又因机场地面资源、跑道、滑行道和停机位等条件的限制,导致地面滑行过程中发生冲突的热点区域增多,引起航班延误与机场场面交通拥堵等现象,严重影响了航空运输业的正常发展。在空域资源短缺、机场扩张受限、机场基础设施有限的情况下,优化可变滑行时间以充分利用现有资源已然成为解决航空流量密度大、机场场面交通拥堵及航班延误等问题的首要选择。
离港航班的离港滑行时间是评估机场场面交通流特性的重要指标,其影响着机场的运行效率、旅客满意度及污染物排放,通过分析离港交通流的特性规则、飞机在离港滑行路径中的拥塞规律,可以为机场提供精准的预计起飞时间。
机场离港滑行时间预测的目前现状是通过预设的固定值来标识离港滑行时间,而由于机场现有条件的限制,直接预设固定值来作为离港航班滑行时间,与实际离港航班滑行时间存在较大出入,从而会浪费掉很多可用的时间,导致在做航班离港排序的时候存在不合理的情况产生。而机场航班离港滑行时间之间又会相互影响,由于航班离港排序不合理就可能导致航班起飞安排混乱。并且预设的固定值的离港滑行时间设定方式是根据历史经验的一刀切的滑行时间划分的方式,不能保证离港滑行时间预测的准确性,也不能适应现实情况中可能出现滑行时间动态变化的过程,从而降低了机场航班的起飞率。
因此,如何提供一种能够适应航班动态变化、给出较为精准更贴近实际离港航班滑行时间的离港航班滑行时间预测方案是本领域亟待解决的技术问题。
发明内容
本申请的目的在于提供一种基于深度神经网络进行离港滑行时间预测的方法及装置,解决现有技术中没有能够适应航班动态变化、给出较为精准更贴近实际离港航班滑行时间的离港航班滑行时间预测的技术问题。
为达到上述目的,本申请提供一种基于深度神经网络进行离港滑行时间预测的方法,包括:
获取离港航班滑行的基本信息数据,根据航班唯一标识创建基本信息数据集;根据所述航班唯一标识及对应离港滑行时间数据创建离港滑行时间数据集;
对所述基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值;对所述基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对所述数据源进行Z-score标准化处理得到预处理的基本信息数据集;对离港滑行时间数据集中的离港滑行时间按预设滑行时间区间段进行离散化处理得到离港滑行时间区间段数据集;
根据所述预处理的基本信息数据集及离港滑行时间区间段数据集,以所述航班唯一标识进行关联创建多层前馈神经网络进行训练得到神经网络模型;
获取待预测航班的基本信息数据,根据所述神经网络模型预测得到所述待预测航班的预测离港滑行时间区间段;根据预设的预测策略选取所述预测离港滑行时间区间段内离港滑行时间值作为预测离港滑行时间。
可选地,其中,所述基本信息数据,包括:航班唯一标识、航班号、飞机尾流类型、停机位、穿越跑道时间、开始滑行时间、进入跑道时间、滑行路线、跑道方向、滑行目的点、最小间隔距离、进程单创建时间、改变跑道时间及等待时间。
可选地,其中,对所述基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值,为:
对所述基本信息数据集进行数据清洗,采用画箱线图法根据所述基本信息数据集的去极大值、极小值、上四分位数、中位数、下四分位数画出画箱线图;
将处于上四分位数之上,下四分位数之下的数据视为数据异常值,离港滑行时间为负数的判定为异常值;将所述数据异常值、缺失值及离港滑行时间的异常值直接舍弃进行数据清洗。
可选地,其中,对所述基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对所述数据源进行Z-score标准化处理得到预处理的基本信息数据集,为:
对所述基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源;
对所述数据源进行Z-score标准化处理得到预处理的基本信息数据集St:
可选地,其中,根据所述预处理的基本信息数据集及离港滑行时间区间段数据集,以所述航班唯一标识进行关联创建多层前馈神经网络进行训练得到神经网络模型,为:
根据所述预处理的基本信息数据集及离港滑行时间区间段数据集,以所述航班唯一标识进行关联;
使用激励函数为ReLU函数:f(x)=max(0,x),
以隐含层的输出Hj为:输出层的输出:神经网络的误差公式为:设置多层前馈神经网络,Yk为期望输出,记Yk-Ok=ek,E表示为其中,i=1....n,j=1...l,k=1....m,通过不断降低误差来调整模型的准确率,
另一方面,本发明还提供一种基于深度神经网络进行离港滑行时间预测的装置,包括:离港航班数据集处理器、离港航班数据预处理器、神经网络模型创建处理器及离港滑行时间预测处理器;其中,
所述离港航班数据集处理器,与所述离港航班数据预处理器相连接,获取离港航班滑行的基本信息数据,根据航班唯一标识创建基本信息数据集;根据所述航班唯一标识及对应离港滑行时间数据创建离港滑行时间数据集;
所述离港航班数据预处理器,与所述离港航班数据集处理器及神经网络模型创建处理器相连接,对所述基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值;对所述基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对所述数据源进行Z-score标准化处理得到预处理的基本信息数据集;对离港滑行时间数据集中的离港滑行时间按预设滑行时间区间段进行离散化处理得到离港滑行时间区间段数据集;
所述神经网络模型创建处理器,与所述离港航班数据预处理器及离港滑行时间预测处理器相连接,根据所述预处理的基本信息数据集及离港滑行时间区间段数据集,以所述航班唯一标识进行关联创建多层前馈神经网络进行训练得到神经网络模型;
所述离港滑行时间预测处理器,与所述神经网络模型创建处理器相连接,获取待预测航班的基本信息数据,根据所述神经网络模型预测得到所述待预测航班的预测离港滑行时间区间段;根据预设的预测策略选取所述预测离港滑行时间区间段内离港滑行时间值作为预测离港滑行时间。
可选地,其中,所述基本信息数据,包括:航班唯一标识、航班号、飞机尾流类型、停机位、穿越跑道时间、开始滑行时间、进入跑道时间、滑行路线、跑道方向、滑行目的点、最小间隔距离、进程单创建时间、改变跑道时间及等待时间。
可选地,其中,所述离港航班数据预处理器,包括:离港航班数据清洗处理器及标准化离散处理器;其中,
所述离港航班数据清洗处理器,与所述离港航班数据集处理器及标准化离散处理器相连接,对所述基本信息数据集进行数据清洗,采用画箱线图法根据所述基本信息数据集的去极大值、极小值、上四分位数、中位数、下四分位数画出画箱线图;
将处于上四分位数之上,下四分位数之下的数据视为数据异常值,离港滑行时间为负数的判定为异常值;将所述数据异常值、缺失值及离港滑行时间的异常值直接舍弃进行数据清洗;
所述标准化离散处理器,与所述离港航班数据清洗处理器及神经网络模型创建处理器相连接,对所述基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对所述数据源进行Z-score标准化处理得到预处理的基本信息数据集;对离港滑行时间数据集中的离港滑行时间按预设滑行时间区间段进行离散化处理得到离港滑行时间区间段数据集。
可选地,其中,所述离港航班数据预处理器,包括:离港航班数据清洗处理器及标准化离散处理器;其中,
所述离港航班数据清洗处理器,与所述离港航班数据集处理器及标准化离散处理器相连接,对所述基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值;
所述标准化离散处理器,与所述离港航班数据清洗处理器及神经网络模型创建处理器相连接,对所述基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源;
对所述数据源进行Z-score标准化处理得到预处理的基本信息数据集St:
可选地,其中,所述神经网络模型创建处理器,包括:神经网络模型创建处理单元及神经网络模型调整处理单元;其中,
所述神经网络模型创建处理单元,与所述离港航班数据预处理器及神经网络模型调整处理单元相连接,根据所述预处理的基本信息数据集及离港滑行时间区间段数据集,以所述航班唯一标识进行关联;
使用激励函数为ReLU函数:f(x)=max(0,x),
以隐含层的输出Hj为:输出层的输出:神经网络的误差公式为:设置多层前馈神经网络,Yk为期望输出,记Yk-Ok=ek,E表示为其中,i=1....n,j=1...l,k=1....m;输入单元为i个,隐藏层有j层,输出层有k层,Wij表示通过第i层输入连接第j个隐藏层上的权重,xi表示用户输入数据,这里指代的就是经过数据处理后的数据集输入,aj表示隐藏层上第j个隐藏层上的偏置值,bk代表输出层上第k个输出层上的偏置值,Wjk表示通过隐藏层上第j个隐藏层连接到第k个输出层上的权重。
所述神经网络模型调整处理单元,与所述神经网络模型创建处理单元及离港滑行时间预测处理器相连接,通过不断降低误差来调整模型的准确率,
式中的n代表学习率,不断迭代优化直至达到限定的最优值时停止训练,得到神经网络模型。
本申请的基于深度神经网络进行离港滑行时间预测的方法及装置,实现的有益效果至少如下:
(1)本申请的基于深度神经网络进行离港滑行时间预测的方法及装置,利用神经网络技术去拟合实际航班的滑行习惯从而得到更为精准的滑行时间预测区间,同时通过滑行时间离散化,来有效避免回归拟合失效的问题,从而为机场预计起飞时间提供精准的计算依据,通过将滑行时间离散化,从而能够按照历史规律给出较为精准的不同滑行时间区间,从而更贴近实际离港航班滑行时间。
(2)本申请的基于深度神经网络进行离港滑行时间预测的方法及装置,通过采用滑行时间离散化并且进行分类预测后再将滑行时间进行映射输出,改变了原来一刀切的滑行时间划分的方式,极大的提高了滑行时间的准确性。
(3)本申请的基于深度神经网络进行离港滑行时间预测的方法及装置,通过较为准确的航班滑行时间,从而能够有效的将航班滑行时间控制在一定范围内,使得实现时间的准确性,从而保证航班排序的时隙得到有效利用,为机场的起飞进行调整,提高了正常起飞率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于深度神经网络进行离港滑行时间预测的方法的流程示意图;
图2为本发明实施例中一种基于深度神经网络进行离港滑行时间预测的原理示意图;
图3为本发明实施例中一种基于深度神经网络进行离港滑行时间预测的方法的应用流程示意图;
图4为本发明实施例中第二种基于深度神经网络进行离港滑行时间预测的方法的流程示意图;
图5为本发明实施例中第三种基于深度神经网络进行离港滑行时间预测的方法的流程示意图;
图6为本发明实施例中第四种基于深度神经网络进行离港滑行时间预测的方法的流程示意图;
图7为本发明实施例中基于深度神经网络进行离港滑行时间预测的神经网络模型创建示意图;
图8为本发明实施例中一种基于深度神经网络进行离港滑行时间预测的装置的结构示意图;
图9为本发明实施例中第二种基于深度神经网络进行离港滑行时间预测的装置的结构示意图;
图10为本发明实施例中第三种基于深度神经网络进行离港滑行时间预测的装置的结构示意图;
图11为本发明实施例中第四种基于深度神经网络进行离港滑行时间预测的装置的结构示意图。
具体实施方式
下面结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例
如图1至3所示,图1为本实施例中一种基于深度神经网络进行离港滑行时间预测的方法的流程示意图;图2为本实施例中一种基于深度神经网络进行离港滑行时间预测的原理示意图;图3为本实施例中一种基于深度神经网络进行离港滑行时间预测的方法的应用流程示意图。本实施例中通过将滑行时间离散化,从而能够按照历史规律给出较为精准的不同滑行时间区间,从而更贴近实际离港航班滑行时间。具体地,该方法包括如下步骤:
步骤101、获取离港航班滑行的基本信息数据,根据航班唯一标识创建基本信息数据集;根据航班唯一标识及对应离港滑行时间数据创建离港滑行时间数据集。
将需要的离港航班滑行基本信息的相关数据存放到对应的数据库中,基本信息包括如下维度:航班唯一标识ID,航班号、飞机尾流类型、停机位、穿越跑道时间、开始滑行时间、进入跑道时间、滑行路线、跑道方向、滑行目的点、最小间隔距离、进程单创建时间、改变跑道时间、等待时间等。包含这些维度的数据集简称S。
然后将航班唯一标识ID、离港滑行时间数据,将这个维度的数据设为数据集A,数据集A与数据集S之间通过航班唯一标识ID进行关联。然后将关联后的数据存放到数据库中。选取航班数据样本总量为n,{s1,s2,....sn}∈S
则具体指代某一航班对应的基本信息数据比如编号为1的航班对应的航班号、飞机尾流类型、停机位、穿越跑道时间、开始滑行时间、进入跑道时间、滑行路线、跑道方向、滑行目的点、最小间隔距离、进程单创建时间、改变跑道时间、等待时间等,{y1,y2,.....yn}∈A,yn则具体指代某一航班对应的离港滑行时间数据。
可选地,最终存放在数据库中的数据示例展示为:
步骤102、对基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值;对基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对数据源进行Z-score标准化处理得到预处理的基本信息数据集;对离港滑行时间数据集中的离港滑行时间按预设滑行时间区间段进行离散化处理得到离港滑行时间区间段数据集。
对已经入库的离港飞机滑行基本信息数据集S进行数据检测,主要检测数据集S中的异常值,缺失值;异常值则主要是指不同于常识的值,由于系统误差,人为误差或者固有数据的变异使得他们与总体的行为特征,结构或相关性等不一样。采用画箱线图的方法来识别,画箱线图只需要去极大值、极小值、上四分位数,中位数,下四分位数即可画出。把处于上四分位数之上,下四分位数之下的数据视为异常值。离港滑行时间如果为负数则判定为异常值。对于离港滑行时间的异常值直接采取舍弃。其余的异常数据直接进行舍弃。
缺失值则是某一个字段下值为空或者没有值则视为缺失值。这里的缺失值直接采用零填充方法。全部填充为0。
对于离散的特征列可以进行One_hot编码,举例如下,对于飞机尾流类型分为3中类型:L,M,H;进行one-hot编码后,该列维度变为3列维度分别为飞机尾流类型-L、飞机尾流类型-M,飞机尾流类型-H。图示如下:
步骤103、根据预处理的基本信息数据集及离港滑行时间区间段数据集,以航班唯一标识进行关联创建多层前馈神经网络进行训练得到神经网络模型。
步骤104、获取待预测航班的基本信息数据,根据所述神经网络模型预测得到待预测航班的预测离港滑行时间区间段;根据预设的预测策略选取预测离港滑行时间区间段内离港滑行时间值作为预测离港滑行时间。
可选地,基本信息数据,可以包括:航班唯一标识、航班号、飞机尾流类型、停机位、穿越跑道时间、开始滑行时间、进入跑道时间、滑行路线、跑道方向、滑行目的点、最小间隔距离、进程单创建时间、改变跑道时间及等待时间。
在一些可选的实施例中,如图4所示,为本实施例中第二种基于深度神经网络进行离港滑行时间预测的方法的流程示意图,与图1中不同的是,对基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值,为:
步骤401、对基本信息数据集进行数据清洗,采用画箱线图法根据基本信息数据集的去极大值、极小值、上四分位数、中位数、下四分位数画出画箱线图。
步骤402、将处于上四分位数之上,下四分位数之下的数据视为数据异常值,离港滑行时间为负数的判定为异常值;将数据异常值、缺失值及离港滑行时间的异常值直接舍弃进行数据清洗。
在一些可选的实施例中,如图5所示,为本实施例中第三种基于深度神经网络进行离港滑行时间预测的方法的流程示意图,与图1中不同的是,对基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对数据源进行Z-score标准化处理得到预处理的基本信息数据集,为:
步骤501、对基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源。
步骤502、对数据源进行Z-score标准化处理得到预处理的基本信息数据集St:
其中,代表所有样本数据的均值,xn为数据源S的数据集中第n条数据,n是数据的样本数量,即样本行数,σ为所有样本数据的标准差。式中xn代表数据源S—中的数据集中第n条数据,{x1,x2......xn}∈S_。经过标准化处理后得到数据集,数据集中的数据符合标准正态分布,均值为0,标准差为1。
对于数据集A,也就是包含航班唯一标识和离港滑行时间数据,我们对离港滑行时间做下离散化处理,因为{y1,y2,.....yn}∈A,则具体指代某一航班对应的离港滑行时间数据,数据集A中的数据示例如下:
通过上表示例可以发现飞机滑行时间的值为连续值,这里做离散化处理,通过飞机滑行时间的分步,采用划分区间策略为密集点区间跨度小进行划分,稀疏点区间跨度大进行划分。
通过对在不同时刻,飞机滑行时间的散点图,结合实际将大范围所在的点按照较小的间隔进行划分,比如划分飞机滑行时间区间段为如下几个区间段:0-120,121-240,241-360,361-480,481-600,601-900,901-1800,1801-10800,10800以上,共计划分为9个区间段,这里只是举例,实际可以按照需要划分更细,或者粗放划分。
最终得到的示例如下:这里将对应的区间段进行编码,编码可采用英文字母来进行对照,如下图所示:
则通过对数据集A中的飞机滑行时间做离散化后得到的数据表示则如下图所示:
将对飞机滑行时间离散化后得到的数据集重新标记为数据集A,依旧有{y1,y2,.....yn}∈A,yn则具体指代某一航班对应的离港滑行时间区间段数据。
在一些可选的实施例中,如图6和7所示,图6为本实施例中第四种基于深度神经网络进行离港滑行时间预测的方法的流程示意图;图7为本实施例中基于深度神经网络进行离港滑行时间预测的神经网络模型创建示意图,与图1中不同的是,根据预处理的基本信息数据集及离港滑行时间区间段数据集,以航班唯一标识进行关联创建多层前馈神经网络进行训练得到神经网络模型,为:
步骤601、根据预处理的基本信息数据集及离港滑行时间区间段数据集,以航班唯一标识进行关联。
使用激励函数为ReLU函数:f(x)=max(0,x),
步骤602、通过不断降低误差来调整模型的准确率,
基于BP神经网络模型针对航班过往的滑行时间进行不同的滑行区间进行预测概率,将数据集St作为输入,将某一航班对应的离港滑行时间区间段作为输出进行训练神经网络模型,在不断迭代优化中达到限定的最优值时模型停止训练,并进行模型输出。
基于模型进行航班离港滑行时间区间段预测,利用已经训练好的BP神经网络模型对将来的航班数据集Sx进行预测,Sx来源于更新后的离港飞机滑行基本信息相关数据集,比如之前的采用的历史数据做的训练,这里预测的时候采用的就是当前的数据信息,从而根据当前的数据情况得到一个对于当前的航班的滑行时间区间一个预测结果。通过BP神经网络的预测后输出离港航班滑行时间区间段的数据集Sy。
然后根据得到的航班滑行时间区间段再去取区间段的最大值,作为该航班的实际滑行时间值,比如得到的滑行时间区间段对应的为0-120,则选择120作为最终的离港滑行时间预测值。通过该值再去计算航班的实际起飞时间,从而能够使得实际航班的起飞时间更加接近实际。
在一些可选的实施例中,如图8所示,为本实施例中基于深度神经网络进行离港滑行时间预测的装置800的结构示意图,该装置可用于实施上述基于深度神经网络进行离港滑行时间预测的方法。具体地,该装置包括:离港航班数据集处理器801、离港航班数据预处理器802、神经网络模型创建处理器803及离港滑行时间预测处理器804。
其中,离港航班数据集处理器801,与离港航班数据预处理器802相连接,获取离港航班滑行的基本信息数据,根据航班唯一标识创建基本信息数据集;根据航班唯一标识及对应离港滑行时间数据创建离港滑行时间数据集。
离港航班数据预处理器802,与离港航班数据集处理器801及神经网络模型创建处理器803相连接,对基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值;对基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对数据源进行Z-score标准化处理得到预处理的基本信息数据集;对离港滑行时间数据集中的离港滑行时间按预设滑行时间区间段进行离散化处理得到离港滑行时间区间段数据集。
神经网络模型创建处理器803,与离港航班数据预处理器802及离港滑行时间预测处理器804相连接,根据预处理的基本信息数据集及离港滑行时间区间段数据集,以航班唯一标识进行关联创建多层前馈神经网络进行训练得到神经网络模型。
离港滑行时间预测处理器804,与神经网络模型创建处理器803相连接,获取待预测航班的基本信息数据,根据神经网络模型预测得到待预测航班的预测离港滑行时间区间段;根据预设的预测策略选取预测离港滑行时间区间段内离港滑行时间值作为预测离港滑行时间。
可选地,基本信息数据,可以包括:航班唯一标识、航班号、飞机尾流类型、停机位、穿越跑道时间、开始滑行时间、进入跑道时间、滑行路线、跑道方向、滑行目的点、最小间隔距离、进程单创建时间、改变跑道时间及等待时间。
在一些可选的实施例中,如图9所示,为本实施例中第二种基于深度神经网络进行离港滑行时间预测的装置900的结构示意图,与图8中不同的是,离港航班数据预处理器802,包括:离港航班数据清洗处理器901及标准化离散处理器902。
其中,离港航班数据清洗处理器901,与离港航班数据集处理器801及标准化离散处理器902相连接,对基本信息数据集进行数据清洗,采用画箱线图法根据基本信息数据集的去极大值、极小值、上四分位数、中位数、下四分位数画出画箱线图。
将处于上四分位数之上,下四分位数之下的数据视为数据异常值,离港滑行时间为负数的判定为异常值;将数据异常值、缺失值及离港滑行时间的异常值直接舍弃进行数据清洗。
标准化离散处理器902,与离港航班数据清洗处理器901及神经网络模型创建处理器803相连接,对基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对数据源进行Z-score标准化处理得到预处理的基本信息数据集;对离港滑行时间数据集中的离港滑行时间按预设滑行时间区间段进行离散化处理得到离港滑行时间区间段数据集。
在一些可选的实施例中,如图10所示,为本实施例中第三种基于深度神经网络进行离港滑行时间预测的装置1000的结构示意图,与图8中不同的是,离港航班数据预处理器802,包括:离港航班数据清洗处理器1001及标准化离散处理器1002。
其中,离港航班数据清洗处理器1001,与离港航班数据集处理器801及标准化离散处理器1002相连接,对基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值。
标准化离散处理器1002,与离港航班数据清洗处理器1001及神经网络模型创建处理器803相连接,对基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源。
对数据源进行Z-score标准化处理得到预处理的基本信息数据集St:
在一些可选的实施例中,如图11所示,为本实施例中第四种基于深度神经网络进行离港滑行时间预测的装置1100的结构示意图,与图8中不同的是,神经网络模型创建处理器803,包括:神经网络模型创建处理单元1101及神经网络模型调整处理单元1102。
其中,神经网络模型创建处理单元1101,与离港航班数据预处理器802及神经网络模型调整处理单元1102相连接,根据预处理的基本信息数据集及离港滑行时间区间段数据集,以航班唯一标识进行关联;
使用激励函数为ReLU函数:f(x)=max(0,x),
神经网络模型调整处理单元1102,与神经网络模型创建处理单元1101及离港滑行时间预测处理器804相连接,通过不断降低误差来调整模型的准确率,
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度神经网络进行离港滑行时间预测的方法,其特征在于,包括:
获取离港航班滑行的基本信息数据,根据航班唯一标识创建基本信息数据集;根据所述航班唯一标识及对应离港滑行时间数据创建离港滑行时间数据集;
对所述基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值;对所述基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对所述数据源进行Z-score标准化处理得到预处理的基本信息数据集;对离港滑行时间数据集中的离港滑行时间按预设滑行时间区间段进行离散化处理得到离港滑行时间区间段数据集;
根据所述预处理的基本信息数据集及离港滑行时间区间段数据集,以所述航班唯一标识进行关联创建多层前馈神经网络进行训练得到神经网络模型;
获取待预测航班的基本信息数据,根据所述神经网络模型预测得到所述待预测航班的预测离港滑行时间区间段;根据预设的预测策略选取所述预测离港滑行时间区间段内离港滑行时间值作为预测离港滑行时间。
2.根据权利要求1所述的基于深度神经网络进行离港滑行时间预测的方法,其特征在于,所述基本信息数据,包括:航班唯一标识、航班号、飞机尾流类型、停机位、穿越跑道时间、开始滑行时间、进入跑道时间、滑行路线、跑道方向、滑行目的点、最小间隔距离、进程单创建时间、改变跑道时间及等待时间。
3.根据权利要求1所述的基于深度神经网络进行离港滑行时间预测的方法,其特征在于,对所述基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值,为:
对所述基本信息数据集进行数据清洗,采用画箱线图法根据所述基本信息数据集的去极大值、极小值、上四分位数、中位数、下四分位数画出画箱线图;
将处于上四分位数之上,下四分位数之下的数据视为数据异常值,离港滑行时间为负数的判定为异常值;将所述数据异常值、缺失值及离港滑行时间的异常值直接舍弃进行数据清洗。
5.根据权利要求1所述的基于深度神经网络进行离港滑行时间预测的方法,其特征在于,根据所述预处理的基本信息数据集及离港滑行时间区间段数据集,以所述航班唯一标识进行关联创建多层前馈神经网络进行训练得到神经网络模型,为:
根据所述预处理的基本信息数据集及离港滑行时间区间段数据集,以所述航班唯一标识进行关联;
使用激励函数为ReLU函数:f(x)=max(0,x),
以隐含层的输出Hj为:输出层的输出:神经网络的误差公式为:设置多层前馈神经网络,Yk为期望输出,记Yk-Ok=ek,E表示为其中,i=1....n,j=1...l,k=1....m,通过不断降低误差来调整模型的准确率,
6.一种基于深度神经网络进行离港滑行时间预测的装置,其特征在于,包括:离港航班数据集处理器、离港航班数据预处理器、神经网络模型创建处理器及离港滑行时间预测处理器;其中,
所述离港航班数据集处理器,与所述离港航班数据预处理器相连接,获取离港航班滑行的基本信息数据,根据航班唯一标识创建基本信息数据集;根据所述航班唯一标识及对应离港滑行时间数据创建离港滑行时间数据集;
所述离港航班数据预处理器,与所述离港航班数据集处理器及神经网络模型创建处理器相连接,对所述基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值;对所述基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对所述数据源进行Z-score标准化处理得到预处理的基本信息数据集;对离港滑行时间数据集中的离港滑行时间按预设滑行时间区间段进行离散化处理得到离港滑行时间区间段数据集;
所述神经网络模型创建处理器,与所述离港航班数据预处理器及离港滑行时间预测处理器相连接,根据所述预处理的基本信息数据集及离港滑行时间区间段数据集,以所述航班唯一标识进行关联创建多层前馈神经网络进行训练得到神经网络模型;
所述离港滑行时间预测处理器,与所述神经网络模型创建处理器相连接,获取待预测航班的基本信息数据,根据所述神经网络模型预测得到所述待预测航班的预测离港滑行时间区间段;根据预设的预测策略选取所述预测离港滑行时间区间段内离港滑行时间值作为预测离港滑行时间。
7.根据权利要求6所述的基于深度神经网络进行离港滑行时间预测的装置,其特征在于,所述基本信息数据,包括:航班唯一标识、航班号、飞机尾流类型、停机位、穿越跑道时间、开始滑行时间、进入跑道时间、滑行路线、跑道方向、滑行目的点、最小间隔距离、进程单创建时间、改变跑道时间及等待时间。
8.根据权利要求6所述的基于深度神经网络进行离港滑行时间预测的装置,其特征在于,所述离港航班数据预处理器,包括:离港航班数据清洗处理器及标准化离散处理器;其中,
所述离港航班数据清洗处理器,与所述离港航班数据集处理器及标准化离散处理器相连接,对所述基本信息数据集进行数据清洗,采用画箱线图法根据所述基本信息数据集的去极大值、极小值、上四分位数、中位数、下四分位数画出画箱线图;
将处于上四分位数之上,下四分位数之下的数据视为数据异常值,离港滑行时间为负数的判定为异常值;将所述数据异常值、缺失值及离港滑行时间的异常值直接舍弃进行数据清洗;
所述标准化离散处理器,与所述离港航班数据清洗处理器及神经网络模型创建处理器相连接,对所述基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源,对所述数据源进行Z-score标准化处理得到预处理的基本信息数据集;对离港滑行时间数据集中的离港滑行时间按预设滑行时间区间段进行离散化处理得到离港滑行时间区间段数据集。
9.根据权利要求6所述的基于深度神经网络进行离港滑行时间预测的装置,其特征在于,所述离港航班数据预处理器,包括:离港航班数据清洗处理器及标准化离散处理器;其中,
所述离港航班数据清洗处理器,与所述离港航班数据集处理器及标准化离散处理器相连接,对所述基本信息数据集进行数据清洗,采用画箱线图法去除异常值和缺失值;
所述标准化离散处理器,与所述离港航班数据清洗处理器及神经网络模型创建处理器相连接,对所述基本信息数据集中离散的特征按照离散维度进行特征离散化处理得到数据源;
对所述数据源进行Z-score标准化处理得到预处理的基本信息数据集St:
10.根据权利要求6所述的基于深度神经网络进行离港滑行时间预测的装置,其特征在于,所述神经网络模型创建处理器,包括:神经网络模型创建处理单元及神经网络模型调整处理单元;其中,
所述神经网络模型创建处理单元,与所述离港航班数据预处理器及神经网络模型调整处理单元相连接,根据所述预处理的基本信息数据集及离港滑行时间区间段数据集,以所述航班唯一标识进行关联;
使用激励函数为ReLU函数:f(x)=max(0,x),
所述神经网络模型调整处理单元,与所述神经网络模型创建处理单元及离港滑行时间预测处理器相连接,通过不断降低误差来调整模型的准确率,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076242.8A CN110807558A (zh) | 2019-11-06 | 2019-11-06 | 基于深度神经网络进行离港滑行时间预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076242.8A CN110807558A (zh) | 2019-11-06 | 2019-11-06 | 基于深度神经网络进行离港滑行时间预测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110807558A true CN110807558A (zh) | 2020-02-18 |
Family
ID=69502053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911076242.8A Pending CN110807558A (zh) | 2019-11-06 | 2019-11-06 | 基于深度神经网络进行离港滑行时间预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807558A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836905A (zh) * | 2021-04-22 | 2021-05-25 | 中航信移动科技有限公司 | 航班事件发生时间预测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260784A (zh) * | 2015-08-16 | 2016-01-20 | 东北石油大学 | 基于粗糙集与遗传小波神经网络的石油管道漏损预测方法 |
CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
CN107704971A (zh) * | 2017-10-27 | 2018-02-16 | 中航信移动科技有限公司 | 一种实时预测机场安检人数的数据处理方法和装置 |
CN108846523A (zh) * | 2018-07-31 | 2018-11-20 | 中国民航大学 | 一种基于贝叶斯网的航班离港滑行时间动态预测方法 |
CN108847244A (zh) * | 2018-08-22 | 2018-11-20 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于mfcc和改进bp神经网络的声纹识别方法及系统 |
US20190188584A1 (en) * | 2017-12-19 | 2019-06-20 | Aspen Technology, Inc. | Computer System And Method For Building And Deploying Models Predicting Plant Asset Failure |
CN109919675A (zh) * | 2019-03-04 | 2019-06-21 | 深圳微品致远信息科技有限公司 | 基于神经网络的通讯用户升档预测概率识别方法及系统 |
-
2019
- 2019-11-06 CN CN201911076242.8A patent/CN110807558A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260784A (zh) * | 2015-08-16 | 2016-01-20 | 东北石油大学 | 基于粗糙集与遗传小波神经网络的石油管道漏损预测方法 |
CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
CN107704971A (zh) * | 2017-10-27 | 2018-02-16 | 中航信移动科技有限公司 | 一种实时预测机场安检人数的数据处理方法和装置 |
US20190188584A1 (en) * | 2017-12-19 | 2019-06-20 | Aspen Technology, Inc. | Computer System And Method For Building And Deploying Models Predicting Plant Asset Failure |
CN108846523A (zh) * | 2018-07-31 | 2018-11-20 | 中国民航大学 | 一种基于贝叶斯网的航班离港滑行时间动态预测方法 |
CN108847244A (zh) * | 2018-08-22 | 2018-11-20 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于mfcc和改进bp神经网络的声纹识别方法及系统 |
CN109919675A (zh) * | 2019-03-04 | 2019-06-21 | 深圳微品致远信息科技有限公司 | 基于神经网络的通讯用户升档预测概率识别方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836905A (zh) * | 2021-04-22 | 2021-05-25 | 中航信移动科技有限公司 | 航班事件发生时间预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501039B2 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
US20220215760A1 (en) | System and method for flight arrival time prediction | |
CN110276474A (zh) | 一种城市轨道交通车站短时客流预测方法 | |
CN105488597B (zh) | 旅客目的地预测方法及系统 | |
Yin et al. | Machine learning techniques for taxi-out time prediction with a macroscopic network topology | |
CN110826788A (zh) | 基于大数据深度学习的机场场面可变滑出时间预测方法 | |
CN104156805B (zh) | 一种基于概率分布的航段运行时间计算方法 | |
CN110852497A (zh) | 基于大数据深度学习的场面可变滑出时间预测系统 | |
Wang et al. | A chance-constrained programming model for airport ground movement optimisation with taxi time uncertainties | |
CN114781704A (zh) | 一种基于过站航班保障流程的航班延误预测方法 | |
CN110807558A (zh) | 基于深度神经网络进行离港滑行时间预测的方法及装置 | |
KR20160036310A (ko) | 궤적 패턴을 이용한 항공기 도착시간 예측 장치 및 방법 | |
Khadilkar | Analysis and modeling of airport surface operations | |
KR20210128823A (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
CN115759386A (zh) | 一种民航航班执飞结果预测方法、装置及电子设备 | |
Meijers | Data-driven predictive analytics of runway occupancy time for improved capacity at airports | |
CN115049100A (zh) | 机场资源分配优化方法、装置、设备及可读存储介质 | |
CN112766300A (zh) | 一种航空大数据预处理技术 | |
Condé Rocha Murça et al. | Data-Driven Modeling of Air Traffic Flows for Advanced Air Traffic Management | |
Bínová | MODIFIED METHOD OF GRAVITY MODEL APPLICATION FOR TRANSATLANTIC AIR TRANSPORTATION. | |
Sailauov et al. | AIR TRAFFIC FORECASTING USING OPTIMIZATION FOR ECONOMETRIC MODELS. | |
US12026440B1 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
EP4390898A1 (en) | Flight planning systems and methods for aircraft | |
CN117494879B (zh) | 航空器的滑行时间预测方法、装置、设备及可读存储介质 | |
Overtveld et al. | Flight Delay Error Analysis for Amsterdam Airport Schiphol Using a Deep Neural Network (DNN) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200218 |
|
RJ01 | Rejection of invention patent application after publication |