CN111160612A - 一种基于天气影响的离场航班延误分析及预测方法 - Google Patents
一种基于天气影响的离场航班延误分析及预测方法 Download PDFInfo
- Publication number
- CN111160612A CN111160612A CN201911217613.XA CN201911217613A CN111160612A CN 111160612 A CN111160612 A CN 111160612A CN 201911217613 A CN201911217613 A CN 201911217613A CN 111160612 A CN111160612 A CN 111160612A
- Authority
- CN
- China
- Prior art keywords
- weather
- flight
- data
- airport
- model
- 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 34
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 230000010006 flight Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000008014 freezing Effects 0.000 claims description 7
- 238000007710 freezing Methods 0.000 claims description 7
- 230000003111 delayed effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims 1
- 230000001934 delay Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036581 peripheral resistance Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000013598 vector Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (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天气影响的离场航班延误分析及预测方法，包括如下步骤：对航班数据和天气数据进行预处理，并进行数据融合；将得到的融合后的数据进行特征分析和提取；构建基于天气因素的随机森林模型，将提取的特征作为随机森林模型的特征输入，将航班是否发生延误作为模型的训练目标，进行模型的训练，得到模型的预测精度，获取到航班延误预测的分类结果。本发明充分的考虑了气象数据的时间和空间特征，科学地评估天气对于机场离场航班运行的影响，且对于预测其他机场的航班延误具有同样的适用性，能够提高对于离场航班延误的预测精度。
Description
技术领域
本发明属于大数据及机器学习领域，具体涉及一种基于天气影响的离场航班延误分析及预测方法。
背景技术
近年来随着国民经济的飞速发展，不断增加的航空运输需求给我国的航空运输业带来了前所未有的机遇，同时也涌现出了一些制约机场和航空公司发展的问题。其中被业内外广泛关注的就是航班延误问题。
在航班不正常原因中，天气因素占比高居不下。虽然现代航空器飞行的自动化水平不断提高，机载设备和地面保障设备亦日臻完善，航空器可以在大多复杂气象条件下运行。但是，天气因素仍然是导致不正常航班的主要因素，特别是在起飞和着陆阶段，恶劣天气对航班运行的影响很大，如低能见度、降雨、起风等都会使飞机起飞、着陆困难。由于恶劣天气的严重程度、持续时间以及发生区域的不确定性，某些重要机场出现的恶劣天气可能会导致全国出现区域性的航班延误。因此，研究机场天气和机场航班运行之间的关系对于缓解航班延误、促进航班安全快捷地运行具有重要意义。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种基于天气影响的离场航班延误分析及预测方法，其考虑了天气因素对于机场航班的运行影响，提高了对于航班延误的预测精度。
技术方案：为实现上述目的，本发明提供一种基于天气影响的离场航班延误分析及预测方法，包括如下步骤：
S1：对航班数据和天气数据进行预处理，并进行数据融合；
S2：将步骤S1中得到的融合后的数据进行特征分析和提取；
S3：构建基于天气因素的随机森林模型，将步骤S2提取的特征作为随机森林模型的特征输入，将航班是否发生延误作为模型的训练目标，进行模型的训练，得到模型的预测精度，获取到航班延误预测的分类结果。
进一步的，所述步骤S1中经过预处理后的航班数据包括航班的执行时间、计划起飞时间、计划起飞机场、实际起飞时间、实际起飞机场、计划着陆时间、计划着陆机场、实际着陆时间、实际着陆机场、航空公司代码、起降机场之间的距离、航班是否延误一共12个属性。
进一步的，所述步骤S1中对于天气数据的预处理的具体方法步骤如下：
S1-1：解析METAR报，提取有关能见度、风、沉降、冻结及危险天气现象相关的天气组分；
S1-2：分配严重程度代码，该代码是一个离散数字，给定的严重性代码用气象事实描述(例如温度，风速或诸如雨或雪的现象)定义情况的下限和上限。如最好天气状况的严重程度代码为1，最糟糕的天气情况对应的严重程度代码为4或5，每条METAR报中解析出的天气现象都会有一个与之对应的气象严重程度；
S1-3：分配协同作用得分系数，其是一个离散的数字(从0到30)，为给定严重性代码的严重性赋值，引入它是因为严重性代码本身不足以描述某些气象现象的非线性行为。例如，从中雪到大雪的转变对于机场运营来说比从中雨到大雨的转变要重要得多。
进一步的，所述步骤S1中预处理后的天气数据包括观测机场、观测时间、能见度、风、沉降、冻结、危险现象、恶劣天气持续时间一共8个属性。
进一步的，所述步骤S1中恶劣天气持续时间的具体计算方法为：
确定恶劣天气临界值ws，统计不同天气得分s下，机场的累计离场航班延误场的恶劣天气临界值，即ws＝{s|max(p(s+1)-p(s)),s∈S}，其中S为机场量化天气得分集合；
确定恶劣天气的持续时间
即天气得分在某一连续时段内持续大于等于恶劣天气临界值所对应的连续时段时间之和。
进一步的，所述步骤S1中以航班的实际起飞/降落时间以及机场天气的观测时间这3个特征为键值，对历史航班数据和天气数据进行融合。
进一步的，所述步骤S2中特征分析和提取的具体方法为：
特征分析：主要着重分析天气的发生时间以及恶劣天气的持续时间、严重程度对离场航班运行的影响；
特征提取：提取离场航班所处的时段、航班所处时段对应的恶劣天气所持续的时间、起降机场间的距离、起飞机场的气象要素评分及目的机场的气象要素评分的特征。
进一步的，所述步骤S3具体为：将步骤S2提取的特征作为模型的输入，将航班是否发生离场延误作为模型的训练目标；使用合成少数类的过采样技术(SMOTE)对不平衡数据集进行处理；将构建模型的数据分两部分，一部分数据用于训练，另一部分数据用于测试预测模型的准确率，重复训练，得到模型的预测精度。
本发明首先对该机场的离场航班数据进行预处理，计算该机场当前的离场航班延误；然后，采用空中交通管理机场性能天气算法(ATMAP算法)对机场的航空例行天气报告进行量化，分析恶劣天气的发生时间、严重程度以及持续时间对离场航班运行的影响；其次，提取有关天气方面的特征向量，构建基于天气因素的随机森林模型，对航班延误进行预测，得到航班延误预测的分类结果。
有益效果：本发明与现有技术相比，充分的考虑了气象数据的时间和空间特征，科学地评估天气对于机场离场航班运行的影响，且对于预测其他机场的航班延误具有同样的适用性，能够提高对于离场航班延误的预测精度，改善航班运行状况，具备很好的应用价值。
附图说明
图1为本发明中延误预测模型的构建流程图；
图2为不同天气对应的累计离场延误航班分布图；
图3为不同天气对应的航班离场延误时长分布图；
图4为不同天气得分在不同时段下的离场延误航班量分布图；
图5为恶劣天气不同持续时间下的延误状况图；
图6为100次随机森林模型的预测结果示意图；
图7为随机森林模型的ROC曲线示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
本实施例中以上海浦东机场作为实例机场，利用本发明方法建立随机森林模型进行离场航班延误分析及预测，参照图1，其具体步骤如下：
S1：数据处理：
对上海浦东机场的历史航班数据进行预处理：
将预处理后的航班数据集定义为F，包括航班的执行时间、计划起飞时间、计划起飞机场、实际起飞时间、实际起飞机场、计划着陆时间、计划着陆机场、实际着陆时间、实际着陆机场、航空公司代码、起降机场之间的距离、航班是否延误一共12个属性；
对历史天气数据进行预处理：
首先对天气数据进行筛选，将筛选后的天气数据集定义为W，包括观测机场、观测时间、能见度、风、沉降、冻结、危险现象、恶劣天气持续时间一共8个属性；
然后对天气数据集W进行量化处理，量化方法为空中交通管理机场性能天气算法(ATMAP算法)，具体量化过程为：
A)解析METAR报，提取有关能见度、风、沉降、冻结及危险天气现象相关的天气组分；
B)分配严重程度代码，该代码是一个离散数字，给定的严重性代码用气象事实描述(例如温度，风速或诸如雨或雪的现象)定义情况的下限和上限，将最好天气状况的严重程度代码为1，最糟糕的天气情况对应的严重程度代码为5，每条METAR报中解析出的天气现象都会有一个与之对应的气象严重程度；
C)分配协同作用得分系数，其是一个离散的数字(从0到30)，为给定严重性代码的严重性赋值，引入它是因为严重性代码本身不足以描述某些气象现象的非线性行为，例如，从中雪到大雪的转变对于机场运营来说比从中雨到大雨的转变要重要得多。
本实施例中恶劣天气持续时间的具体计算方法为：
a)确定恶劣天气临界值ws。统计不同天气得分s下，机场的累计离场航班延误场的恶劣天气临界值，即ws＝{s|max(p(s+1)-p(s)),s∈S}，其中S为机场量化天气得分集合。详细统计情况如图2所示。
b)确定恶劣天气的持续时间
即天气得分在某一连续时段内持续大于等于恶劣天气临界值所对应的连续时段时间之和，在本实施例中设置30min一时段。
此步骤最后将预处理后的航班数据和天气数据进行数据融合，其过程为：以航班的实际起飞/降落时间以及机场天气的观测时间这3个特征为键值，对历史航班数据和天气数据进行融合。
S2：将步骤S1得到的融合数据进行特征分析和提取：
本实施例着重分析了天气的发生时间、严重程度以及恶劣天气的持续时间对离场航班运行的影响，绘制不同天气得分在不同时段下的离场延误航班量分布图(如图3所示)、不同天气对应的航班离场延误时长分布图(如图4所示)、恶劣天气不同持续时间下的延误航班量分布图(如图5所示)来进行分析说明。
本实施例中提取离场航班所处的时段、航班所处时段对应的恶劣天气所持续的时间、起降机场间的距离、起飞机场的气象要素评分及目的机场的气象要素评分(能见度、风、沉降、冻结、危险现象)共13个特征。
S3：将步骤S2得到的13个特征作为模型的特征输入，将航班是否发生离场延误作为模型的训练目标，构建如图1所示的随机森林模型，并且其具体的训练过程如下：
这里应用到了合成少数类的过采样技术(SMOTE)：当数据分类类别之间的比例失调时，此数据集是不平衡的。不平衡的数据集会导致预测结果偏向于类别较多的一侧，所以在进行模型的训练之前需要对训练数据进行采样处理，调整少数类和多数类的分布以获得均衡的数据集。合成少数类别的过采样技术是基于随机采样的一种改进方案，常用非平衡数据集的处理。它主要是对少数类别样本进行分析和模拟，并将人工模拟的新样本添加到数据集中，进而使原始数据中的类别不再严重失衡。
本实施例中将使用的数据集分为两个部分，其中80％的数据用于训练，20％的数据用于预测模型的准确率，重复训练100次，得到如图6所示的模型的详细预测精度结果。
本实施例中对所构建的随机森林模型的可信度进行对比分析，分类模型的性能对准确率的可信程度，使用ROC曲线(Receiver Operating Characteristic Curve，ROC)来评估二值分类器的性能。二值分类就是将实例分为正例和反例，如果一个实例是正例并且也被预测成正例，即为真正例(True Positive，TP)，如果实例是反例，被预测成正例，称之为假正例(False Positive，FP)。相应地，如果实例是反例，被预测成反例，称之为真反例(True Negative，TN),正例被预测成反例，则为假反例(False Negative，FN)。假阳性率(False Positive Rate，FPR)是指在真实的反例中被预测正确的比例，真阳性率(TruePositive Rate，TPR)是指在真实的正例中被预测正确的比例。假阳性率FRP和真阳性率TPR的表达式如下：
ROC曲线由一系列FPR和TPR构成的散点绘制成的曲线。ROC曲线上的理想点为(0，1)，即所有正样本分类正确，没有负样本被误分类为正样本。曲线越靠左上角，分类器性能越佳。ROC曲线下的面积(Area Under Curve，AUC)也是一种预测性能指标，AUC越大，预测效果越好。
本实施例中获取到如图7所示的性能分析结果，根据图7可知，本实施例构建的随机森林模型的AUC均值为0.669，传统的随机猜测方法的AUC值为0.5，所以使用随机森林分类模型的性能要优于随机猜测，故本发明构建的随机森林模型具有更好的可信度。
Claims (8)
1.一种基于天气影响的离场航班延误分析及预测方法，其特征在于：包括如下步骤：
S1：对航班数据和天气数据进行预处理，并进行数据融合；
S2：将步骤S1中得到的融合后的数据进行特征分析和提取；
S3：构建基于天气因素的随机森林模型，将步骤S2提取的特征作为随机森林模型的特征输入，将航班是否发生延误作为模型的训练目标，进行模型的训练，得到模型的预测精度，获取到航班延误预测的分类结果。
2.根据权利要求1所述的一种基于天气影响的离场航班延误分析及预测方法，其特征在于：所述步骤S1中经过预处理后的航班数据包括航班的执行时间、计划起飞时间、计划起飞机场、实际起飞时间、实际起飞机场、计划着陆时间、计划着陆机场、实际着陆时间、实际着陆机场、航空公司代码、起降机场之间的距离、航班是否延误一共12个属性。
3.根据权利要求1所述的一种基于天气影响的离场航班延误分析及预测方法，其特征在于：所述步骤S1中对于天气数据的预处理的具体方法步骤如下：
S1-1：解析METAR报，提取有关能见度、风、沉降、冻结及危险天气现象相关的天气组分；
S1-2：分配严重程度代码，每条METAR报中解析出的天气现象都会有一个与之对应的气象严重程度；
S1-3：分配协同作用得分系数，为给定严重性代码的严重性赋值。
4.根据权利要求1或3所述的一种基于天气影响的离场航班延误分析及预测方法，其特征在于：所述步骤S1中预处理后的天气数据包括观测机场、观测时间、能见度、风、沉降、冻结、危险现象、恶劣天气持续时间一共8个属性。
5.根据权利要求4所述的一种基于天气影响的离场航班延误分析及预测方法，其特征在于：所述步骤S1中恶劣天气持续时间的具体计算方法为：
确定恶劣天气临界值ws，统计不同天气得分s下，机场的累计离场航班延误场的恶劣天气临界值，即ws＝{s|max(p(s+1)-p(s)),s∈S}，其中S为机场量化天气得分集合；
确定恶劣天气的持续时间
即天气得分在某一连续时段内持续大于等于恶劣天气临界值所对应的连续时段时间之和。
6.根据权利要1所述的一种基于天气影响的离场航班延误分析及预测方法，其特征在于：所述步骤S1中以航班的实际起飞/降落时间以及机场天气的观测时间这3个特征为键值，对历史航班数据和天气数据进行融合。
7.根据权利要1所述的一种基于天气影响的离场航班延误分析及预测方法，其特征在于：所述步骤S2中特征分析和提取的具体方法为：
特征分析：分析天气的发生时间以及恶劣天气的持续时间、严重程度对离场航班运行的影响；
特征提取：提取离场航班所处的时段、航班所处时段对应的恶劣天气所持续的时间、起降机场间的距离、起飞机场的气象要素评分及目的机场的气象要素评分的特征。
8.根据权利要1所述的一种基于天气影响的离场航班延误分析及预测方法，其特征在于：所述步骤S3具体为：将步骤S2提取的特征作为模型的输入，将航班是否发生离场延误作为模型的训练目标；使用合成少数类的过采样技术对不平衡数据集进行处理；将构建模型的数据分两部分，一部分数据用于训练，另一部分数据用于测试预测模型的准确率，重复训练，得到模型的预测精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911217613.XA CN111160612A (zh) | 2019-12-03 | 2019-12-03 | 一种基于天气影响的离场航班延误分析及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911217613.XA CN111160612A (zh) | 2019-12-03 | 2019-12-03 | 一种基于天气影响的离场航班延误分析及预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111160612A true CN111160612A (zh) | 2020-05-15 |
Family
ID=70556523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911217613.XA Pending CN111160612A (zh) | 2019-12-03 | 2019-12-03 | 一种基于天气影响的离场航班延误分析及预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160612A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112132366A (zh) * | 2020-11-30 | 2020-12-25 | 中航信移动科技有限公司 | 一种航班放行率的预测系统 |
| CN112232535A (zh) * | 2020-09-18 | 2021-01-15 | 南京航空航天大学 | 一种基于监督学习的航班离场平均延误预测方法 |
| 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 |
| CN112365095A (zh) * | 2020-12-03 | 2021-02-12 | 浙江汉德瑞智能科技有限公司 | 基于天气和流量管控影响的航班延误分析及预测方法 |
| CN112418730A (zh) * | 2020-12-11 | 2021-02-26 | 中国民航科学技术研究院 | 一种运输系统的响应指标预估模型的构建方法 |
| CN117422320A (zh) * | 2023-12-19 | 2024-01-19 | 长安大学 | 一种提取天气对航班韧性运行影响因素的方法 |
| WO2024188432A1 (en) * | 2023-03-10 | 2024-09-19 | Sita Information Networking Computing Uk Limited | A system and method for flight departure delay prediction |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030220740A1 (en) * | 2000-04-18 | 2003-11-27 | Intriligator Devrie S. | Space weather prediction system and method |
| US20180286257A1 (en) * | 2017-03-31 | 2018-10-04 | The Boeing Company | Aircraft flight path holding pattern system and method |
| 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
- 2019-12-03 CN CN201911217613.XA patent/CN111160612A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030220740A1 (en) * | 2000-04-18 | 2003-11-27 | Intriligator Devrie S. | Space weather prediction system and method |
| US20180286257A1 (en) * | 2017-03-31 | 2018-10-04 | The Boeing Company | Aircraft flight path holding pattern system and method |
| 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 |
|---|
| 刘彤丹，许梦婷，陈舒伟，林思远，王艳军: "基于天气影响的离场航班延误分析及预测" * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232535A (zh) * | 2020-09-18 | 2021-01-15 | 南京航空航天大学 | 一种基于监督学习的航班离场平均延误预测方法 |
| 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 |
| CN112132366A (zh) * | 2020-11-30 | 2020-12-25 | 中航信移动科技有限公司 | 一种航班放行率的预测系统 |
| CN112365095A (zh) * | 2020-12-03 | 2021-02-12 | 浙江汉德瑞智能科技有限公司 | 基于天气和流量管控影响的航班延误分析及预测方法 |
| CN112418730A (zh) * | 2020-12-11 | 2021-02-26 | 中国民航科学技术研究院 | 一种运输系统的响应指标预估模型的构建方法 |
| WO2024188432A1 (en) * | 2023-03-10 | 2024-09-19 | Sita Information Networking Computing Uk Limited | A system and method for flight departure delay prediction |
| CN117422320A (zh) * | 2023-12-19 | 2024-01-19 | 长安大学 | 一种提取天气对航班韧性运行影响因素的方法 |
| CN117422320B (zh) * | 2023-12-19 | 2024-03-05 | 长安大学 | 一种提取天气对航班韧性运行影响因素的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160612A (zh) | 一种基于天气影响的离场航班延误分析及预测方法 | |
| 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 | |
| WO2021082393A1 (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 | |
| Solomentsev et al. | Sequential procedure of changepoint analysis during operational data processing | |
| CN110533095B (zh) | 一种基于改进随机森林的航班飞行风险行为识别方法 | |
| CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
| WO2021082394A1 (zh) | 基于大数据深度学习的场面可变滑出时间预测系统 | |
| CN108805337B (zh) | 航空运行控制风险管控方法及系统 | |
| CN110570693B (zh) | 一种基于可靠性的航班运行时间预测方法 | |
| CN108710623A (zh) | 基于时间序列相似性度量的机场离港延误时间预测方法 | |
| CN111652427A (zh) | 一种基于数据挖掘分析的航班到达时刻预测方法及系统 | |
| CN111366931A (zh) | 一种基于云雷达的云降水精细化反演方法 | |
| CN110796315B (zh) | 基于时效信息和深度学习的离港航班延误预测方法 | |
| CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
| Provan et al. | A probabilistic airport capacity model for improved ground delay program planning | |
| CN115857059B (zh) | 一种积冰预报管理方法、系统、可读存储介质和设备 | |
| CN115752708A (zh) | 一种基于深度时间卷积网络的机场单点噪声预测方法 | |
| McGovern et al. | Quasi-operational testing of real-time storm-longevity prediction via machine learning | |
| CN114037122A (zh) | 基于大数据挖掘处理分析的航班延误预测方法 | |
| CN112182059B (zh) | 一种航班延误特性的高阶分析方法 | |
| CN111175852B (zh) | 一种基于长短时记忆算法的机场大雾预报预警方法 | |
| Torres | Determination and ranking of trajectory accuracy factors | |
| CN116777028A (zh) | 基于对流天气影响交通指数的机场累积延误预测方法 | |
| Priyanka | Prediction of airline delays using K-nearest neighbor algorithm |
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: 20200515 |
|
| RJ01 | Rejection of invention patent application after publication |