CN110837923A - 通航量预测方法、装置、计算机设备和存储介质 - Google Patents
通航量预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110837923A CN110837923A CN201911065033.3A CN201911065033A CN110837923A CN 110837923 A CN110837923 A CN 110837923A CN 201911065033 A CN201911065033 A CN 201911065033A CN 110837923 A CN110837923 A CN 110837923A
- Authority
- CN
- China
- Prior art keywords
- data
- radar echo
- aviation
- sample
- navigation
- 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 66
- 238000012549 training Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000007637 random forest analysis Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000036962 time dependent 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种通航量预测方法、装置、计算机设备和存储介质，采用预设的预测模型通过待预测航空扇区在预设时间段的雷达回波数据预测该待预测航空扇区对应的航空量，该方法中，由于预设的预测模型是利用雷达回波数据和对应的通航量数据输入到随机森林模型中进行回归训练的模型，使预测模型最终建立起通航量与雷达回波数据之间的关系，这样，可以准确的预测出航空扇区通航量，从而可以根据该通航量准确的调控扇区通航量的调整比例，极大地保证了通航量管制的准确性和经济性。
Description
技术领域
本申请涉及航空管制技术领域，特别是涉及一种通航量预测方法、装置、计算机设备和存储介质。
背景技术
通航量管制是指各地空管局针对所辖航空扇区的空中交通管理。
目前，通航量管制主要是依靠航空管制员的经验，在预战术及战术阶段，根据气象预报等信息，对航空扇区未来一段时间的通航量进行分析和调控。
但是，目前的通航量管制存在较低的准确度。
发明内容
基于此，有必要针对上述技术问题，提供一种通航量预测方法、装置、计算机设备和存储介质。
第一方面，本申请实施例提供一种通航量预测方法，该方法包括：
获取待预测航空扇区在预设时间段的雷达回波数据；
将雷达回波数据输入预设的预测模型中，获取待预测航空扇区在预设时间段的通航量；预测模型为根据雷达回波数据和通航量信息训练的模型。
在其中一个实施例中，上述预测模型为通过随机森林算法构建的模型。
在其中一个实施例中，上述预测模型的训练过程，包括：
获取训练样本数据；训练样本数据包括多个样本航空扇区的历史通航量、各样本航空扇区的历史雷达回波数据；
将训练样本数据作为初始预测模型的输入，采用随机森林算法训练雷达回波数据与通航量的对应关系，得到预测模型。
在其中一个实施例中，上述训练样本数据还包括通航量的关联变量数据，通航量的关联变量数据至少包括各样本航空扇区的影响区域的历史雷达回波数据、MDRS预警数据、时间变量数据；影响区域表示各样本航空扇区以外的预设范围区域；其中，不同的关联变量数据的影响权重不同。
在其中一个实施例中，上述历史通航量的获取过程，包括：
根据各样本航空扇区的经纬度坐标信息，通过PNPOLY算法筛选出各样本航空扇区内的航迹点数据；
对各样本航空扇区内相同航班号的航迹点数据进行去重处理，将剩余的航迹点对应的数量确定为各样本航空扇区的历史通航量。
在其中一个实施例中，上述历史雷达回波数据的获取过程，包括：
获取各样本航空扇区及航空扇区周边影响区域中各经纬度坐标点的雷达回波值构成的二维矩阵；
将二维矩阵的平均值、最大值和最小值作为各样本航空扇区及航空扇区周边影响区域的雷达回波数据。
在其中一个实施例中，在得到预测模型之后，该方法还包括：
获取模型测试数据；模型测试数据为测试航空扇区在同一时间段的历史通航量和历史雷达回波数据；
将模型测试数据输入至预测模型中，得到预测通航量；
获取预测通航量和测试航空扇区的标准通航量的相对误差；
根据相对误差验证预测模型的预测准确率。
第二方面，本申请实施例提供一种通航量预测装置，该装置包括：
获取模块，用于获取待预测航空扇区在预设时间段的雷达回波数据；
预测模块，用于将雷达回波数据输入预设的预测模型中，获取待预测航空扇区在预设时间段的通航量；预测模型为根据雷达回波数据和通航量信息训练的模型。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。
本申请实施例提供的一种通航量预测方法、装置、计算机设备和存储介质，采用预设的预测模型通过待预测航空扇区在预设时间段的雷达回波数据预测该待预测航空扇区对应的航空量，该方法中，由于预设的预测模型是利用雷达回波数据和对应的通航量数据输入到随机森林模型中进行回归训练的模型，使预测模型最终建立起通航量与雷达回波数据之间的关系，这样，可以准确的预测出航空扇区通航量，从而可以根据该通航量准确的调控扇区通航量的调整比例，极大地保证了通航量管制的准确性和经济性。
附图说明
图1为一个实施例提供的一种通航量预测的应用环境图；
图2为一个实施例提供的一种通航量预测方法的流程示意图；
图3为一个实施例提供的一种通航量预测方法的流程示意图；
图3a为一个实施例提供的随机森林模型的示意图；
图4为一个实施例提供的一种通航量预测方法的流程示意图；
图4a为一个实施例提供的各个扇区内部统计的航迹点示意图；
图4b为一个实施例提供的判断点是否落在多边形区域内；
图5为一个实施例提供的一种通航量预测方法的流程示意图；
图6为一个实施例提供的一种通航量预测方法的流程示意图；
图6a为一个实施例提供的一种模型预测结果与标准结果的对比；
图7为一个实施例提供的一种通航量预测装置的结构框图；
图8为一个实施例提供的一种通航量预测装置的结构框图；
图9为一个实施例提供的一种通航量预测装置的结构框图；
图10为一个实施例提供的一种通航量预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的一种通航量预测方法，可以应用于如图1所示的应用环境，其中，图1中计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储通航量预测的数据。该计算机设备的网络接口用于与外部的其他设备通过网络连接通信。该计算机程序被处理器执行时以实现一种通航量预测方法。
现有的航空扇区通航量的管理，严重依赖于航空管制员的个人经验，管理中缺乏科学有效的，依托大数据来预测并调控航空扇区通航量的方法，一方面导致航空管制员自身的决策难度较高，另一方面导致预测的结果难以在流量调控和机场运行经济性之间取得最佳的平衡。基于此，本申请实施例提供一种通航量预测方法、装置、计算机设备和存储介质，旨在解决目前的通航量管制存在较低的准确度的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请提供的一种通航量预测方法，图2-图6的执行主体为计算机设备，其中，其执行主体还可以是通航量预测装置，其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为通航量预测的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将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。
在一个实施例中，图2提供了一种通航量预测方法，本实施例涉及的是计算机设备通过预设的预测模型，根据待预测航空扇区在预设时间段的雷达回波数据，预测待预测航空扇区的在预设时间段的通航量的具体过程，如图2所示，该方法包括：
S101，获取待预测航空扇区在预设时间段的雷达回波数据。
本实施例中，计算机设备待预测航空扇区在预设时间段的雷达回波数据，其中待预测航空扇区表示需要预测航空量的航空扇区，预设时间段表示需要预测的时间段，例如，未来一个月、未来一天等。其中，雷达回波数据由经纬度坐标和对应坐标上的雷达回波值构成，需要说明的是雷达回波数据反映的即为天气气象信息，因此本申请实施例中所用到的雷达回波数据均可指代天气气象数据。
S102，将雷达回波数据输入预设的预测模型中，获取待预测航空扇区在预设时间段的通航量；预测模型为根据雷达回波数据和通航量信息训练的模型。
基于上述获取的雷达回波数据，计算机设备将雷达回波数据输入至预设的预测模型中，即可得到待预测航空扇区的在预设时间段的通航量。其中，通航量表示可通过的航班数量，例如历史通航量可由历史航班航迹点数据来确定。
其中，预测模型为根据雷达回波数据和通航量信息训练的模型，即通过机器学习方法得到的模型，可选地，预测模型为通过随机森林算法构建的模型。
其中，该预测模型在训练时，分别提取天气信息(即雷达回波数据)和对应的通航量信息作为模型训练过程的输入，然后采用随机森林算法进行模型的训练，利用该随机森林算法强大的回归能力可以拟合出雷达回波数据和通航量的关系，相当于该预测模型的可以实现在雷达回波数据作为输入的条件下，输出航空扇区通航量对应的预测值。
本实施例提供的通航量预测方法，采用预设的预测模型通过待预测航空扇区在预设时间段的雷达回波数据预测该待预测航空扇区对应的航空量，该方法中，由于预设的预测模型是利用雷达回波数据和对应的通航量数据输入到随机森林模型中进行回归训练的模型，使预测模型最终建立起通航量与雷达回波数据之间的关系，这样，可以准确的预测出航空扇区通航量，从而可以根据该通航量准确的调控扇区通航量的调整比例，极大地保证了通航量管制的准确性和经济性。
在以上实施例的基础上，本申请还提供了一种实施例，其涉及的是预测模型的训练过程，如图3所示，上述预测模型的训练过程，包括：
S201，获取训练样本数据；训练样本数据包括多个样本航空扇区的历史通航量、各样本航空扇区的历史雷达回波数据。
为了保证预测模型的性能更加稳定，在训练预测模型时，需要获取大量多样化的训练样本数据，其中，获取的训练样本数据要包括多种类型的样本航空扇区的历史数据，即历史通航量、各样本航空扇区的历史雷达回波数据。
其中，雷达回波数据由经纬度坐标和对应坐标上的雷达回波值构成，例如，在获取历史雷达回波数据时，可以将一个样本航空扇区中各经纬度坐标的雷达回波值的平均值、最大值以及最小值作为该样本航空扇区的雷达回波数据。例如，获取样本航空扇区中通航量，可以是将该样本航空扇区中的航迹点确定为该样本航空扇区的通航量。对于获取各样本航空扇区的历史通航量和历史雷达回波数据的具体过程，可参见下述实施例中的说明。
除此之外，在一个实施例中，训练样本数据还包括通航量的关联变量数据，通航量的关联变量数据至少包括各样本航空扇区的影响区域的历史雷达回波数据、MDRS预警数据、时间变量数据；影响区域表示各样本航空扇区以外的预设范围区域；其中，不同的关联变量数据的影响权重不同。
其中，定义影响区域是因为考虑到航空扇区周围的天气变化可能会对经过该航空扇区的航班运行造成影响，因而，对该航空扇区周围的雷达回波数据也需要进行统计，例如，取该航空扇区边界外约10KM范围内的定义为影响区域。在获取训练样本数据时，将各样本航空扇区的影响区域的雷达回波数据也需同时获取。
MDRS(Massive Delay Response System)预警数据表示大面积航班延误应急响应机制，是民航部门为了应对机场、航路、空域等出现大面积航班延误时,所采取的应急响应机制。其中，上述时间变量数据表示航班的航迹数据中坐标点对应的与时间相关的变量，包括但不限于季节、月份、日期、星期和时间(小时)等。
在训练时，将这些数据作为预测模型的输入变量，对于预测模型来说，各个变量对模型预测结果的影响不同，因此，在训练时可对各变量设定不同的权重值，示例地，对各变量设定的权重可参考下表1。
表1
训练该预测模型时，可根据不同变量的影响权重对变量的比例进行设置，但在实际应用时，可以根据各变量的影响权重选择性的弃用一些变量，保留一些认为重要的变量进行实际预测，本实施例对此不做限定。
S202，将训练样本数据作为初始预测模型的输入，采用随机森林算法训练雷达回波数据与通航量的对应关系，得到预测模型。
获取训练样本数据后，计算机设备将训练样本数据输入至初始预测模型中，采用随机森林算法训练雷达回波数据与通航量的对应关系，其中，雷达回波数据与通航量的相关性通过机器学习中的随机森林算法实现的，采用该算法是因为该算法具有强大的回归性能，另外，随机森林不会随着决策树的增加而产生过度拟合，并且有一个有限的泛化误差值。
随机森林应用在回归问题时，CART树是回归树，采用的原则是最小均方差，即对任意划分特征A,对应的任意划分点s两边划分成的数据集D1和D2,求出使D1和D2各自集合的均方差最小，同时D1和D2的均方差之和最小。所对应的特征和特征值划分点表达式为：
其中，c1为D1数据集的样本输出均值，c2为D2数据集的样本输出均值。CART树的预测是根据节点的均值，因此随机森林的预测是所有树的预测的平均值。随机森林模型的具体结构参见图3a所示。
例如在实际应用中，可采用1000棵随机树，训练集为2019年3月、4月、5月和7月的雷达回波数据和航迹点数据。
本实施例中，通过获取多种训练数据对预测模型进行训练，保证了训练数据的多样性，使预测模型的性能更加稳定，采用随机森林算法构建预测模型，进一步提高了预测模型的预测通航量的准确性。
下面通过两个实施例，分别说明上述历史通航量的获取过程和上述历史雷达回波数据的获取过程。需要说明的时，下述获取历史通航量和历史雷达回波数据时，两数据要对应获取，对应关系表示两数据属于同一航空扇区的同一时间段。
则在一个实施例中，如图4所示，上述历史通航量的获取过程，包括：
S301，根据各样本航空扇区的经纬度坐标信息，通过PNPOLY算法筛选出各样本航空扇区内的航迹点数据。
其中，航空扇区在空中是根据经纬度坐标信息划分的，因此，航空扇区的覆盖的多边形区域可根据经纬度坐标信息预先确定，然后根据各样本航空扇区的历史航迹点数据(各航迹点数据包括航迹点的经纬度坐标)，历史航迹点数据由于是已经发生过的，可直接从历史记录数据中获取到。通过PNPOLY算法少选出落在该样本航空扇区的中的航迹点，例如获取的航迹点数据参照图4a所示的扇区内部统计的航迹点示意图，其中，多边形为航空扇区，扇区里面的点为航迹点。
其中，通过PNPOLY算法筛选样本航空扇区内的航迹点数据，可参照图4b所示，该方法主要用于判断一个二维平面上的点是否落在了二维多边形平面内。PNPOLY算法的核心思想是从一个点作条射线，计算它跟多边形边界的交点个数，如果交点个数为奇数，那么就认为这个点在多边形内部，否则点落在多边形外。
需要说明的是，本实施例所列举的PNPOLY算法只是一种举例方式，在实际使用时，确定出航空扇区内的航迹点数据的方法不限于此算法，还可以是其他方式，从本申请对此不作限定。
S302，对各样本航空扇区内相同航班号的航迹点数据进行去重处理，将剩余的航迹点对应的数量确定为各样本航空扇区的历史通航量。
在确定了各样本航空扇区内航迹点数据后，滤掉样本航空扇区内重复统计的点，其中重复统计的点表示的是同一航班的轨迹点，则滤掉样本航空扇区内重复统计的点实际上是对样本航空扇区内相同航班号的航迹点数据去重，使最终留下的航空扇区中的轨迹点均为不同航班的轨迹点。
这样，一个轨迹点代表一个航班的前提下，该样本航空扇区中航迹点的数量即为该样本航空扇区的通航量，通过本实施例提供的方法可精确地确定各时间段下各样本航空扇区的通航量。
在另一个实施例中，如图5所示，上述历史雷达回波数据的获取过程，包括：
S401，获取各样本航空扇区及航空扇区周边影响区域中各经纬度坐标点的雷达回波值构成的二维矩阵。
由于雷达回波数据由经纬度坐标和对应坐标上的雷达回波值构成的，在获取雷达回波数据时，获取的可以是各样本航空扇区及航空扇区周边影响区域的雷达回波数据，具体地，需要在航空扇区中经纬度坐标和对应坐标上的雷达回波值的基础上进行，将航空扇区中经纬度坐标和对应坐标以经纬度坐标进行索引，获取一个由雷达回波值构成的二维矩阵。当然还可以将所有的经纬度坐标和对应坐标上达回波值按照经纬度坐标提取出来，先通过经纬度坐标进行索引排列一个二维的雷达回波矩阵，然后取航空扇区及航空扇区周边影响区域中的所有经纬度坐标对应的雷达回波值排列组成一个矩阵即可。
S402，将二维矩阵的平均值、最大值和最小值作为各样本航空扇区及航空扇区周边影响区域的雷达回波数据。
得到样本航空扇区中各经纬度坐标点的雷达回波值构成的二维矩阵后，将该二维矩阵中雷达回波值的平均值Rmean、最大值Rmax和最小值Rmin作为最终的航空扇区的雷达回波数据。
在具体计算时，考虑到航空扇区范围内，雷达回波数据存在稀疏的情况，在计算平均值Rmean时需考虑雷达回波值的覆盖率，即只统计航空扇区内存在雷达回波值的点，则计算公式为：
其中，A为航空扇区范围内存在雷达回波值的区域的面积；Ri为雷达回波值的大小。
根据以上获取航空扇区内雷达回波值的平均值、最大值和最小值的方式，对航空扇区周边影响区域中雷达回波值的平均值R'mean、最大值R'max和最小值R'min的获取方式相同。
相当于在训练预测模型时，获取样本航空扇区的历史雷达回波数据和获取航空扇区周边影响区域的雷达回波数据，两者的获取方式相同，都是将区域内的经纬度坐标上对应的雷达回波值的平均值、最大值和最小值作为最终的雷达回波数据。这样，通过本实施例提供的方法，将样本航空扇区的雷达回波值的平均值、最大值和最小值和周边影响区域的雷达回波值的平均值、最大值和最小值作为历史雷达回波数据和周边影响区域的雷达回波数据，可准确的反映天气气象
另外，在对预测模型训练完成后，需要验证预测模型的性能，基于此，提供一种对预测模型性能进行验证的实施例，则如图6所示，在一个实施例中，预测模型验证过程包括：
S501，获取模型测试数据；模型测试数据为测试航空扇区在同一时间段的历史通航量和历史雷达回波数据。
模型测试数据表示对预测模型进行验证测试时所需的数据，例如，该模型测数据为测试航空扇区在同一时间段的历史通航量和历史雷达回波数据，例如，获取2019年6月的雷达回波数据作为测试集。其中获取该测试航空扇区的历史通航量和历史雷达回波数据可参照上述图4和图5实施例进行，本实施例对此不再赘述。需要说明的是，这里获取的历史通航量即为该测试航空扇区的标准通航量。还需要说明的时，获取模型测试数据时，不仅可以获取雷达回波数据，还可以获取时间相关变量，本实施例对此不作限定。
S502，将模型测试数据输入至预测模型中，得到预测通航量。
将获取的模型测试数据输入至预测模型中，该预测模型会输出一个预测结果，作为预测通航量。
S503，获取预测通航量和测试航空扇区的标准通航量的相对误差。
得到预测通航量后，获取预测通航量和测试航空扇区的标准通航量的相对误差，其中，测试航空扇区的标准通航量为上述历史通航量，示例地，相对误差计算方式为：
其中，ypredict和yreal分别为预测通航量和标准通航量。
S504，根据相对误差验证预测模型的预测准确率。
根据上述获取的相对误差，对预测模型的预测准确率进行验证，例如，参见图6a所示，图6a为2019年6月的雷达回波数据作为预测模型输入，预测的6月每天24个小时的预测通航量，选取了其中4天的预测结果，从图中可看出，实线为统计的24小时标准通航量变化，虚线为模型预测的24小时通航量变化，预测值与标准值较为接近，利用相对误差来评价模型的性能，可得到Errorrelative<10％的区间，准确率达到了88.45％，Errorrelative<20％的区间，准确率达到了94.38％。从该验证结果可得出本申请提供的预测模型的预测准确率较高。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种通航量预测装置，该装置包括：获取模块10、预测模块11，其中，
获取模块10，用于获取待预测航空扇区在预设时间段的雷达回波数据；
预测模块11，用于将雷达回波数据输入预设的预测模型中，获取待预测航空扇区在预设时间段的通航量；预测模型为根据雷达回波数据和通航量信息训练的模型。
在一个实施例中，上述预测模型为通过随机森林算法构建的模型。
在一个实施例中，如图8所示，提供了一种通航量预测装置，该装置还包括：数据模块12和训练模块13，其中，
数据模块12，用于获取训练样本数据；训练样本数据包括多个样本航空扇区的历史通航量、各样本航空扇区的历史雷达回波数据；
训练模块13，用于将训练样本数据作为初始预测模型的输入，采用随机森林算法训练雷达回波数据与通航量的对应关系，得到预测模型。
在一个实施例中，上述训练样本数据还包括通航量的关联变量数据，通航量的关联变量数据至少包括各样本航空扇区的影响区域的历史雷达回波数据、MDRS预警数据、时间变量数据；影响区域表示各样本航空扇区以外的预设范围区域；其中，不同的关联变量数据的影响权重不同。
在一个实施例中，如图9所示，提供了一种通航量预测装置，上述数据模块12包括：筛选单元121和去重单元122，其中，
筛选单元121，用于根据各样本航空扇区的经纬度坐标信息，通过PNPOLY算法筛选出各样本航空扇区内的航迹点数据；
去重单元122，用于对各样本航空扇区内相同航班号的航迹点数据进行去重处理，将剩余的航迹点对应的数量确定为各样本航空扇区的历史通航量。
在一个实施例中，如图10所示，提供了一种通航量预测装置，上述数据模块12还包括：矩阵单元123和确定单元124，其中，
矩阵单元123，用于获取各样本航空扇区及航空扇区周边影响区域中各经纬度坐标点的雷达回波值构成的二维矩阵；
确定单元124，用于将二维矩阵的平均值、最大值和最小值作为各样本航空扇区及航空扇区周边影响区域的雷达回波数据。
在一个实施例中，提供了一种通航量预测装置，该装置还包括：测试模块，用于获取模型测试数据；模型测试数据为测试航空扇区在同一时间段的历史通航量和历史雷达回波数据；将模型测试数据输入至预测模型中，得到预测通航量；获取预测通航量和测试航空扇区的标准通航量的相对误差；根据相对误差验证预测模型的预测准确率。
上述实施例提供的所有通航量预测装置，其实现原理和技术效果与上述通航量预测方法实施例类似，在此不再赘述。
关于通航量预测装置的具体限定可以参见上文中对于通航量预测方法的限定，在此不再赘述。上述通航量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如上述图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种通航量预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待预测航空扇区在预设时间段的雷达回波数据；
将雷达回波数据输入预设的预测模型中，获取待预测航空扇区在预设时间段的通航量；预测模型为根据雷达回波数据和通航量信息训练的模型。
上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待预测航空扇区在预设时间段的雷达回波数据；
将雷达回波数据输入预设的预测模型中，获取待预测航空扇区在预设时间段的通航量；预测模型为根据雷达回波数据和通航量信息训练的模型。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种通航量预测方法，其特征在于，所述方法包括：
获取待预测航空扇区在预设时间段的雷达回波数据；
将所述雷达回波数据输入预设的预测模型中，获取所述待预测航空扇区在所述预设时间段的通航量；所述预测模型为根据雷达回波数据和通航量信息训练的模型。
2.根据权利要求1所述的方法，其特征在于，所述预测模型为通过随机森林算法构建的模型。
3.根据权利要求1所述的方法，其特征在于，所述预测模型的训练过程，包括：
获取训练样本数据；所述训练样本数据包括多个样本航空扇区的历史通航量、各所述样本航空扇区的历史雷达回波数据；
将所述训练样本数据作为初始预测模型的输入，采用随机森林算法训练雷达回波数据与通航量的对应关系，得到所述预测模型。
4.根据权利要求3所述的方法，其特征在于，所述训练样本数据还包括通航量的关联变量数据，所述通航量的关联变量数据至少包括各所述样本航空扇区的影响区域的历史雷达回波数据、MDRS预警数据、时间变量数据；所述影响区域表示各所述样本航空扇区以外的预设范围区域；其中，不同的所述关联变量数据的影响权重不同。
5.根据权利要求3或4所述的方法，其特征在于，所述历史通航量的获取过程，包括：
根据各所述样本航空扇区的经纬度坐标信息，通过PNPOLY算法筛选出各所述样本航空扇区内的航迹点数据；
对各所述样本航空扇区内相同航班号的航迹点数据进行去重处理，将剩余的航迹点对应的数量确定为各所述样本航空扇区的历史通航量。
6.根据权利要求3或4所述的方法，其特征在于，所述历史雷达回波数据的获取过程，包括：
获取各所述样本航空扇区及航空扇区周边影响区域中各经纬度坐标点的雷达回波值构成的二维矩阵；
将所述二维矩阵的平均值、最大值和最小值作为各所述样本航空扇区及航空扇区周边影响区域的雷达回波数据。
7.根据权利要求3所述的方法，其特征在于，在得到所述预测模型之后，所述方法还包括：
获取模型测试数据；所述模型测试数据为测试航空扇区在同一时间段的历史通航量和历史雷达回波数据；
将所述模型测试数据输入至所述预测模型中，得到预测通航量；
获取所述预测通航量和所述测试航空扇区的标准通航量的相对误差；
根据所述相对误差验证所述预测模型的预测准确率。
8.一种通航量预测装置，其特征在于，所述装置包括：
获取模块，用于获取待预测航空扇区在预设时间段的雷达回波数据；
预测模块，用于将所述雷达回波数据输入预设的预测模型中，获取所述待预测航空扇区在所述预设时间段的通航量；所述预测模型为根据雷达回波数据和通航量信息训练的模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911065033.3A CN110837923A (zh) | 2019-11-04 | 2019-11-04 | 通航量预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911065033.3A CN110837923A (zh) | 2019-11-04 | 2019-11-04 | 通航量预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110837923A true CN110837923A (zh) | 2020-02-25 |
Family
ID=69576047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911065033.3A Pending CN110837923A (zh) | 2019-11-04 | 2019-11-04 | 通航量预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110837923A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530704A (zh) * | 2013-10-16 | 2014-01-22 | 南京航空航天大学 | 一种终端空域空中交通动态容量预测系统及其方法 |
| CN106249753A (zh) * | 2016-09-05 | 2016-12-21 | 广州极飞科技有限公司 | 对无人机进行控制的方法、控制装置及无人机 |
| US20190108758A1 (en) * | 2017-10-06 | 2019-04-11 | Tata Consultancy Services Limited | System and method for flight delay prediction |
| CN109785618A (zh) * | 2019-01-11 | 2019-05-21 | 西安电子科技大学 | 一种基于组合逻辑的短时交通流预测方法 |
| CN110363333A (zh) * | 2019-06-21 | 2019-10-22 | 南京航空航天大学 | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 |
-
2019
- 2019-11-04 CN CN201911065033.3A patent/CN110837923A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530704A (zh) * | 2013-10-16 | 2014-01-22 | 南京航空航天大学 | 一种终端空域空中交通动态容量预测系统及其方法 |
| CN106249753A (zh) * | 2016-09-05 | 2016-12-21 | 广州极飞科技有限公司 | 对无人机进行控制的方法、控制装置及无人机 |
| US20190108758A1 (en) * | 2017-10-06 | 2019-04-11 | Tata Consultancy Services Limited | System and method for flight delay prediction |
| CN109785618A (zh) * | 2019-01-11 | 2019-05-21 | 西安电子科技大学 | 一种基于组合逻辑的短时交通流预测方法 |
| CN110363333A (zh) * | 2019-06-21 | 2019-10-22 | 南京航空航天大学 | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐继业等: "《气象大数据》", 30 September 2018, 上海科学技术出版社 * |
| 王红勇等: "一种基于交通流模式的扇区运行容量计算方法", 《交通运输系统工程与信息》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490608B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
| Kereszturi et al. | Numerical simulation of basaltic lava flows in the Auckland Volcanic Field, New Zealand—implication for volcanic hazard assessment | |
| van Teeffelen et al. | Connectivity, probabilities and persistence: comparing reserve selection strategies | |
| CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
| CN111505740B (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
| Santos et al. | Impacts of land use and infrastructural changes on threatened Little Bustard Tetrax tetrax breeding populations: quantitative assessments using a recently developed spatially explicit dynamic modelling framework | |
| CN111667689B (zh) | 车辆旅行时间预测的方法、设备和计算机设备 | |
| CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
| Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
| CN114462723A (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
| CN111160394A (zh) | 分类网络的训练方法、装置、计算机设备和存储介质 | |
| CN110544132A (zh) | 用户常活动位置的确定方法、装置、设备和存储介质 | |
| CN116030617A (zh) | 一种基于公路od数据进行车流量预测的方法及装置 | |
| CN110837923A (zh) | 通航量预测方法、装置、计算机设备和存储介质 | |
| CN117037482A (zh) | 道路交通运行状态实时感知方法、系统、设备及存储介质 | |
| CN116721781A (zh) | 虫媒传染病传播风险的预测方法、装置、电子设备及介质 | |
| CN115936264A (zh) | 单日工程量计算方法、阶段性工程量预测方法及预测装置 | |
| CN114818484A (zh) | 驾驶环境模型的训练方法及驾驶环境信息的预测方法 | |
| CN110967016B (zh) | 载机航路离线规划方法、装置和计算机设备 | |
| CN116030616A (zh) | 一种利用大数据进行交通量预测的方法及装置 | |
| CN114492905A (zh) | 基于多模型融合的客诉率预测方法、装置和计算机设备 | |
| Xue et al. | Urban population density estimation based on spatio‐temporal trajectories | |
| CN113570122B (zh) | 预测风速的方法、装置、计算机设备和存储介质 | |
| US8942962B2 (en) | Method and system for measured value simulation | |
| KR102660111B1 (ko) | 교차로의 신호 제어 방법 및 이를 수행하기 위한 장치 |
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 |
Application publication date: 20200225 |
|
| RJ01 | Rejection of invention patent application after publication |