CN111599219A - 一种基于排序学习的多数据源航班起飞时间预测方法 - Google Patents
一种基于排序学习的多数据源航班起飞时间预测方法 Download PDFInfo
- Publication number
- CN111599219A CN111599219A CN202010459570.2A CN202010459570A CN111599219A CN 111599219 A CN111599219 A CN 111599219A CN 202010459570 A CN202010459570 A CN 202010459570A CN 111599219 A CN111599219 A CN 111599219A
- Authority
- CN
- China
- Prior art keywords
- flight
- time
- prediction
- data
- takeoff
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 230000010006 flight Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (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排序学习的多数据源航班起飞时间预测方法，包括以下步骤：使用航班属性和航班起飞预测时间的历史数据进行预测模型训练；对预测模型进行优化；通过预测模型对多数据源航班起飞时间的实时数据进行采信。该方法将排序学习算法应用于航班预计起飞时间预测的多数据源决策采信中，基于多数据源对航班预测起飞时间的历史数据进行时间采样，结合航班属性形成航班文档集，并基于预测误差的航班起飞时间预测进行相关性标注，调用排序学习算法获取得分最高的预测起飞时间作为决策采信。本发明的方案将航班的所有数据源的历史预测数据结合在一起，合理利用了预测信息量，训练数据丰富，统一模型解决航班整个生命周期中任何时刻预测采信问题的综合决策。
Description
技术领域
本发明涉及一种基于排序学习的多数据源航班起飞时间预测方法，属于民用航空信息技术领域。
背景技术
航班的起飞时间预测(ETD，estimated time of departure)，决定了民航客机对地面、空域等资源的占用，对于空管、机场、航空公司等航空单位的工作效率极其重要。针对同一航班，其起飞时间的预测通常来源于多个单位，各数据源由于各自掌握不同的资源，其预计的覆盖范围、误差分布各不相同，经常产生分歧，如何实现优质的综合采信决策是一个值得解决的问题。单数据源的采信方案，可将数据源的采信与否建模成一个二分类问题，使用常见的二分类算法来解决，如贝叶斯方法、SVM、多层神经网络等。多数据源的采信方案，可基于二分类模型直接向多分类模型进行扩展，是一种直观的实现方案；基于统计的方法对每个数据源进行评价，参考其置信度，也可以实现多数据源采信任务。
但是，在多数据源的采信方法中，基于多分类和统计学的方案均难以利用数据源之间的互补性质。借助排序学习算法，将收到的所有数据源全部纳入一个模型，则可以充分地利用所有数据源。在训练数据的获取上，现有技术往往局限于各数据源内部分别建模。假设各数据源的预测逻辑长时间保持稳定，即其误差关于选取的特征组合的分布稳定，当同时收到两个预测值相差过大的数据源时，误差较大的数据源虽然不应被采用，但不代表其出现得毫无价值，任何其他预测无论正确与否，其本身也贡献了一定的信息量，对选取正确的数据源理应有所帮助。
发明内容
针对现有技术中所存在的问题，本发明提出一种基于排序学习的多数据源航班起飞时间预测方法，解决在多数据源的采信方法基于多分类和统计学的方案均难以利用数据源之间互补性质，借助排序学习算法，将收到的所有数据源全部纳入一个模型，充分提高多源数据的利用率。
为达到以上目的，本发明一方面提出一种基于排序学习的多数据源航班起飞时间预测方法，包括以下步骤：
步骤S1、获取航班属性和航班起飞预测时间的多源历史数据，使用排序学习算法训练预测模型；
步骤S2、优化预测模型；
步骤S3、通过预测模型对多源航班预测起飞时间进行决策。
优选地，所述步骤S1的工作流程为：
步骤S11、采集所有航班属性和航班起飞预测信息的历史数据；
步骤S12、将历史数据分为训练集和预测集；
步骤S13、对训练集的历史数据进行时间轴采样和特征提取，形成训练集文档；
步骤S14、根据训练集文档预测起飞时间与给定起飞时间之间的误差绝对值，对训练集文档进行相关性标注选分类；
步骤S15、调用排序学习算法训练预测模型。
优选地，所述步骤S11的航班属性包括航班号、起飞机场；所述航班起飞预测信息包括预测数据源、预测起飞时间、预测发生时间。
优选地，所述步骤S13是将特定航班属性在预测时间点形成的组合作为排序学习算法的查询，该航班属性与早于上述时间点的若干个预测时间点形成的组合作为排序算法的训练集文档。
优选地，所述步骤S14相同误差绝对值的文档，其权重大小误差正负值确定。
优选地，所述步骤S15使用排序学习算法对训练文档集进行K折交叉验证法进行训练，得到预测模型。
优选地，所述步骤S2使用历史数据的预测集，根据排序评价指标归一化贴现累计收益ndcg，对预测模型进行优化调整。
优选地，所述步骤S3的工作流程为：
步骤31、获取需要对预测起飞时间进行决策的全部航班属性；
步骤32、根据航班属性获取该航班所有的预测起飞时间；
步骤33、形成针对当前时间的实时航班文档集；
步骤34、将实时航班文档集输入已训练好的预测模型，将评分最高的预测时间决策为采信预测。
另一方面，本发明提供一种电子设备，包括中央处理器以及存储计算机可执行指令的存储器，其特征在于，所述计算机可执行指令在被执行时使所述处理器执行上述方法。
再一方面，本发明提供一种非易失性存储介质，其中存储有计算机程序，所述计算机程序在执行上述方法。
本发明相对于现有技术取得了如下的技术效果：
本发明的方法将排序学习算法应用于航班预计起飞时间预测的多数据源决策采信中，基于多数据源对航班预测起飞时间的历史数据进行时间采样，结合航班属性形成航班文档集，并基于预测误差的航班起飞时间预测进行相关性标注，调用排序学习算法获取得分最高的预测起飞时间作为决策采信。本发明的方案将航班的所有数据源的历史预测数据结合在一起，合理利用了预测信息量，训练数据丰富，统一模型解决航班整个生命周期中任何时刻预测采信问题的综合决策。
附图说明
以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：
图1示出本发明一个实施例的一种基于排序学习的多数据源航班起飞时间预测方法流程图；
图2示出本发明一个实施例的使用排序学习算法训练预测模型的流程图；
图3示出本发明一个实施例的通过预测模型对多源航班预测起飞时间进行决策流程图。
图4示出本发明一个实施例的基于规则的决策模型和排序学习模型的性能比较图。
具体实施方式
为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。下面结合附图和具体实施方式对本发明作进一步描述。
实施例
本发明涉及的专业术语包括：
多数据源：是指能够接收到起飞事件报文的多个不同的数据源，例如机场数据源、航空公司数据源、天航信数据源等。因为各种原因，对于同一航班而言，这些数据源所发的起飞事件报文中的起飞时间可能会不尽相同，因而需要对它们进行校验和选择。
排序学习Learning-to-Rank：简称LTR模型，是指在排序任务中使用机器学习的方法，在信息检索、自然语言处理与数据挖掘等许多领域中有重要的应用。以文档排序为例，排序学习的核心就是要学习到一个排序模型f(q,d)，q表示查询，d表示文档，然后利用排序模型，在给定查询q的时候给出相关文档的排序。排序学习属于监督学习，有训练与测试两个阶段。查询q与文档d的相关信息可以有多种表示形式，其中应用最广泛的形式是使用标注label表示，将相关性表示为几个级别。算法的目标是训练一个模型，能在给定一个(q,d)组合的情况下，给出相应的评分score，而排序就是利用得到评分给出一个文档的排列ranking。排列在前面的文档最接近满足用户查询需求，其满足程度通常用排序评价指标归一化贴现累计收益ndcg来度量。ndcg是一种对搜索结果排序质量进行评价的指标，其公式如下：
其中,n代表被评价序列的长度，r(j)代表返回的第j个文档的相关性标签，刻画了文档与搜索项的契合程度，常用的标签规则将相关性分为6类，从好到坏分别为5,4,3,2,1,0。(2r(j)-1)表示某文档被返回时的收益，log(1+j)表示其在第j位返回时的收益权重，Zn为归一化项，将得分的取值区间映射到0到1之间。被评价的序列长度通常可变，此时通过固定计算其中的前n个，如n＝1,5,10,20，实现对模型效果的整体评价，对应不同的n，指标可用ndcg@n来表示。本发明关注在预测集合中唯一返回的一条决策，所以关注的指标为ndcg@1。
航班预测起飞时间：由于各数据源的预测行为是有时间先后之分的，因此，不同数据源的采信同样需要在时间上进行叠加决策，借助排序学习算法，可以对时间序列进行采样，将采样时刻之前收到的全部预测数据作为排序学习算法模型的输入，便可实现在任意时刻进行采信决策之目的。
在具有多个数据源的航班预测起飞时间的采信任务中，我们将某个航班已接收的所有预测数据类比为文档子集，使用机器学习方法，对其中每个数据源进行打分排序，目的是让预测误差最小的预测起飞时间获得评分最高，以便尽量选择出最准的预测进行决策采信。
具体地，本发明的方法步骤如图1所示，包括：
步骤S1、获取航班属性和航班起飞预测时间的多源历史数据，使用排序学习算法训练预测模型。
首先，采集所有航班属性和航班起飞预测信息的历史数据。航班属性包括航班号、起飞机场、降落机场、航线、载客人数、当前状态等信息；所述航班起飞预测信息包括该预测数据源、预测起飞时间、预测发生时间。
其次，将历史数据分为训练集和验证集。其中，训练集的作用是用于模型拟合的数据样本，通过设置分类器的参数，训练分类模型；验证集则是当通过训练集训练出多个模型后，为了能找出效果最佳的模型，使用各个模型对验证集数据进行预测，并通过适当的模型准确性度量指标判断模型是否需要优化，以及如何进行优化。特别地，K折交叉验证是一种合理利用有限数据集的交叉验证方法，首先将原始数据平均分为K份，每次选择其中一份数据作为验证集，其他K-1份作为训练集，进行一次训练，一份数据集进行K种训练集-测试集的划分，可以提高数据的利用率和模型的稳健性。
再次，对训练集的历史数据进行时间轴采样和特征提取，形成训练集文档。对训练集中历史数据的各航班在时间上采样。具体地，如对航班F1在t1时刻进行时间采样，则随机选取早于t1时刻的预测时间点，形成如下的时间采样序列：{(F1,t11),(F1,t12),(F1,t13),…,(F1,t1n)},其中，采样时间点满足：t11<t12<…<t1n≤t1；同理，对航班F2在t2时刻进行时间采样得到{(F2,t21),(F1,t22),(F1,t23),…,(F1,t2n)},其中，采样时间点满足：t21<t22<…<t2n≤t2。对训练集中历史数据进行特征提取。通过对各特征信息增益值的计算以获取进入模型的特征，这些特征包括航班所属的航空公司，航班出发地，计划出发时间等基础的航班信息和时间信息，也包含预测起飞时间同当前时间的时间差，当前时间前序航班的状态等动态信息。
第四步，根据训练集文档预测起飞时间与给定起飞时间之间的误差为预测值与实际值之差，对训练集文档进行相关性标注选分类。对训练集的每一个文档，根据其预测误差，对该文档相关性进行标注。标注的标准是：误差越小则相关性越大，如：误差为±5分钟以内标为5分，误差为±5至10分钟标为4分，误差为±10至15分钟标为3分，误差为±15至30分钟标为2分，误差为±30分钟以上标为1分。此外，同样绝对值的误差，其误差的正负值可能存在权重差异，同样可以考虑到标注过程中：实际场景中，预测时间偏晚(误差为正)可能导致乘客误机，预测时间偏早(误差为负)只会导致用户等待时间增加，前者的代价明显大于后者，基于这个特点，差异化的权重设计如下：误差在[-8,+3]区间标为5分，[-15,-8)和(3,10]标为4分，[-25,-10)和(10,15]标为3分，[-35,-25)和(15,20]标为2分，小于-35和大于20的区间标为1分。
最后，调用排序学习算法训练预测模型。借助经典排序学习模型，如rankingSVM、ranknet、lambdaRank、lambdaMART等，使用排序学习算法对训练文档集进行K折交叉验证法进行调优，得到预测模型。以ranknet方法为例，我们将时间采样和相关性标注完成的训练数据输入模型，模型会对航班时间采样序列内各条数据进行打分，进而根据分数高低对预测数据进行排序，并同输入模型的标注结果进行比对，据此结果对模型参数加以修正，经过多轮迭代后，获得预测模型。
步骤S2、优化预测模型。在使用训练集完成预测模型训练完成后，将使用历史数据的验证集，对训练后的预测模型进行准确度评价，选用的指标是归一化贴现累计收益ndcg指标，并且使用ndcg@1进行预测准确程度度量，根据该指标对预测模型的参数进行调整，以便得到较优的预测模型。
步骤S3、通过预测模型对多源航班预测起飞时间进行决策。如图3所示为使用实时数据作为测试集，通过上述训练和验证得到的预测模型，进行预测起飞时间的决策采信。
步骤31、获取需要对预测起飞时间进行决策的全部航班属性。从流式数据引擎，例如spark streaming中，分批次获取实时的预测起飞时间数据，如每3分钟一个批次数据，该batch中覆盖的航班即为系统需要做出新的决策的全部航班。
步骤32、根据航班属性获取该航班所有的预测起飞时间。统计收集到预测数据中包含的航班列表，从航班数据库中将这些航班的属性查询出来，从历史事件表中将这些航班目前为止收到的所有预测数据查询出来。
步骤33、形成针对当前时间的实时航班文档集。对每个航班Fi，将当前时间作为ti，进行实时特征的抽取，行程实时航班文档集{(Fi,ti1),(F1,ti2),(F1,ti3),…,(F1,tin)},其中，采样时间点满足ti1<ti2<…<tin≤ti。
步骤34、将实时航班文档集输入已训练好的预测模型，将评分最高的预测时间决策为采信预测。
下面介绍基于排序学习的采信模型于既有规则的结果对比。表1为基于某日6828个航班的统计数据，将航班按其延误情况划分为4类进行对比，表中前两行数据为平均误差，最后一行为航班数。此外，排序学习模型有效的降低了决策次数，测试航班中，原有规则发生了62197次预测，新模型只有21428次，优化了旅客体验。
表1示出本发明一个实施例的在多数据源情况下既有规则模型与排序学习模型的性能比较。
| 所有数据 | 延误>120分 | 60分<延误≤120分 | 30分<延误≤60分 | 延误≤30分 | |
| 既有规则 | 16.8766 | 166.0174 | 69.3394 | 38.4713 | 10.5283 |
| LTR模型 | 16.4518 | 160.0896 | 66.6421 | 36.6487 | 10.4018 |
| 航班数 | 6828 | 98 | 238 | 505 | 5987 |
表1
在数据源的选取上，基于规则的决策模型ISUSED通常会导致某些数据源被完全摒弃，新模型有效的利用了所有数据源，其选取数据源的分布如下，其中横轴为不同数据源，纵轴表示被选取的比例，排序学习LTR模型读数据源的选取更加平均，展现了较高的稳健性，如图4所示。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于排序学习的多数据源航班起飞时间预测方法，其特征在于，包括以下步骤：
步骤S1、获取航班属性和航班起飞预测时间的多源历史数据，使用排序学习算法训练预测模型；
步骤S2、优化预测模型；
步骤S3、通过预测模型对多源航班预测起飞时间进行采信决策。
2.根据权利要求1所述的一种基于排序学习的多数据源航班起飞时间预测方法，其特征在于，所述步骤S1的工作流程为：
步骤S11、采集所有航班属性和航班起飞预测信息的历史数据；
步骤S12、将历史数据分为训练集和验证集；
步骤S13、对训练集的历史数据进行时间轴采样和特征提取，形成训练集文档；
步骤S14、根据训练集文档预测起飞时间与给定起飞时间之间的误差绝对值，对训练集文档进行相关性标注选分类；
步骤S15、调用排序学习算法训练预测模型。
3.根据权利要求2所述的一种基于排序学习的多数据源航班起飞时间预测方法，其特征在于，所述步骤S11的航班属性包括航班号、起飞机场；所述航班起飞预测信息包括预测数据源、预测起飞时间、预测发生时间。
4.根据权利要求2所述的一种基于排序学习的多数据源航班起飞时间预测方法，其特征在于，所述步骤S13是将特定航班属性与预测时间点形成的组合作为排序学习算法的查询，该航班属性与早于上述时间点的若干个预测时间点形成的组合作为排序算法的训练集文档。
5.根据权利要求2所述的一种基于排序学习的多数据源航班起飞时间预测方法，其特征在于，所述步骤S14相同误差绝对值的文档，其权重大小误差正负值确定。
6.根据权利要求2所述的一种基于排序学习的多数据源航班起飞时间预测方法，其特征在于，所述步骤S15使用排序学习算法对训练文档集进行K折交叉验证法进行训练，得到预测模型。
7.根据权利要求2所述的一种基于排序学习的多数据源航班起飞时间预测方法，其特征在于，所述步骤S2使用历史数据的预测集，根据排序评价指标归一化贴现累计收益ndcg，对预测模型进行优化调整。
8.根据权利要求2所述的一种基于排序学习的多数据源航班起飞时间预测方法，其特征在于，所述步骤S3的工作流程为：
步骤31、获取需要对预测起飞时间进行决策的全部航班属性；
步骤32、根据航班属性获取该航班所有的预测起飞时间；
步骤33、形成针对指定时间点的实时航班文档集；
步骤34、将实时航班文档集输入已训练好的预测模型，将评分最高的预测时间决策为采信预测。
9.一种电子设备，包括中央处理器以及存储计算机可执行指令的存储器，其特征在于，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-8中任一项所述的方法。
10.一种非易失性存储介质，其中存储有计算机程序，所述计算机程序在执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010459570.2A CN111599219B (zh) | 2020-05-27 | 2020-05-27 | 一种基于排序学习的多数据源航班起飞时间预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010459570.2A CN111599219B (zh) | 2020-05-27 | 2020-05-27 | 一种基于排序学习的多数据源航班起飞时间预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111599219A true CN111599219A (zh) | 2020-08-28 |
| CN111599219B CN111599219B (zh) | 2021-12-24 |
Family
ID=72192357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010459570.2A Active CN111599219B (zh) | 2020-05-27 | 2020-05-27 | 一种基于排序学习的多数据源航班起飞时间预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111599219B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801548A (zh) * | 2021-03-22 | 2021-05-14 | 中航信移动科技有限公司 | 一种航班调度的系统 |
| 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 |
| CN112967013A (zh) * | 2021-02-20 | 2021-06-15 | 海南太美航空股份有限公司 | 一种确定预开通航班的起飞时间的方法、系统和电子设备 |
| CN114781704A (zh) * | 2022-04-08 | 2022-07-22 | 南京航空航天大学 | 一种基于过站航班保障流程的航班延误预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530321A (zh) * | 2013-09-18 | 2014-01-22 | 上海交通大学 | 一种基于机器学习的排序系统 |
| CN106529734A (zh) * | 2016-11-18 | 2017-03-22 | 中国民航大学 | 一种基于knn和svr的航班滑出时间预测方法 |
| CN107590176A (zh) * | 2017-07-31 | 2018-01-16 | 北京奇艺世纪科技有限公司 | 一种评价指标的获得方法、装置及电子设备 |
| KR20180082821A (ko) * | 2017-01-11 | 2018-07-19 | (주)아이비리더스 | 출발 및 도착 항공기 관제 지원 시스템 |
| CN109508394A (zh) * | 2018-10-18 | 2019-03-22 | 青岛聚看云科技有限公司 | 一种多媒体文件搜索排序模型的训练方法及装置 |
-
2020
- 2020-05-27 CN CN202010459570.2A patent/CN111599219B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103530321A (zh) * | 2013-09-18 | 2014-01-22 | 上海交通大学 | 一种基于机器学习的排序系统 |
| CN106529734A (zh) * | 2016-11-18 | 2017-03-22 | 中国民航大学 | 一种基于knn和svr的航班滑出时间预测方法 |
| KR20180082821A (ko) * | 2017-01-11 | 2018-07-19 | (주)아이비리더스 | 출발 및 도착 항공기 관제 지원 시스템 |
| CN107590176A (zh) * | 2017-07-31 | 2018-01-16 | 北京奇艺世纪科技有限公司 | 一种评价指标的获得方法、装置及电子设备 |
| CN109508394A (zh) * | 2018-10-18 | 2019-03-22 | 青岛聚看云科技有限公司 | 一种多媒体文件搜索排序模型的训练方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 姚远等: ""一款基于移动客户端的航班起飞时刻预测模型"", 《2019世界交通运输大会论文集（上）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112967013A (zh) * | 2021-02-20 | 2021-06-15 | 海南太美航空股份有限公司 | 一种确定预开通航班的起飞时间的方法、系统和电子设备 |
| CN112967013B (zh) * | 2021-02-20 | 2024-03-19 | 海南太美航空股份有限公司 | 一种确定预开通航班的起飞时间的方法、系统和电子设备 |
| CN112801548A (zh) * | 2021-03-22 | 2021-05-14 | 中航信移动科技有限公司 | 一种航班调度的系统 |
| 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 |
| CN114781704A (zh) * | 2022-04-08 | 2022-07-22 | 南京航空航天大学 | 一种基于过站航班保障流程的航班延误预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111599219B (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
| CN112069310B (zh) | 基于主动学习策略的文本分类方法及系统 | |
| US20220147023A1 (en) | Method and device for identifying industry classification of enterprise and particular pollutants of enterprise | |
| CN110442702B (zh) | 搜索方法、装置、可读存储介质和电子设备 | |
| CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
| CN112037539B (zh) | 一种用于饱和城市交通网络的信控方案推荐方法及系统 | |
| CN109255029A (zh) | 一种采用加权优化训练集增强自动Bug报告分配的方法 | |
| 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 | |
| WO2020024444A1 (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
| CN109816010A (zh) | 一种用于航班延误预测的基于选择性集成的cart增量学习分类方法 | |
| CN112800232A (zh) | 基于大数据的案件自动分类、优化方法及训练集修正方法 | |
| CN112101779A (zh) | 基于主客观结合的结构熵权法机场场面运行综合评价系统 | |
| CN109526027B (zh) | 一种小区容量优化方法、装置、设备及计算机存储介质 | |
| CN114692978A (zh) | 一种基于大数据的社交媒体用户行为预测方法及系统 | |
| CN110347821A (zh) | 一种文本类别标注的方法、电子设备和可读存储介质 | |
| Zeng et al. | Decision tree classification model for popularity forecast of Chinese colleges | |
| CN111324641B (zh) | 人员估计方法、装置及计算机可读存储介质和终端设备 | |
| Lin et al. | Using Computing Intelligence Techniques to Estimate Software Effort | |
| CN116029379B (zh) | 空中目标意图识别模型构建方法 | |
| CN111666765A (zh) | 一种基于k-means文本聚类的诈骗话题分析方法和系统 | |
| CN113326882A (zh) | 一种基于分类和回归算法的模型集成方法、装置 | |
| CN110413782B (zh) | 一种表自动主题分类方法、装置、计算机设备及存储介质 | |
| CN112215006A (zh) | 机构命名实体归一化方法和系统 | |
| CN112308618A (zh) | 一种数据处理方法、装置、电子设备及存储介质 |
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 |