CN111652428B - 一种基于历史数据的航班预达时刻估算方法及系统 - Google Patents
一种基于历史数据的航班预达时刻估算方法及系统 Download PDFInfo
- Publication number
- CN111652428B CN111652428B CN202010475294.9A CN202010475294A CN111652428B CN 111652428 B CN111652428 B CN 111652428B CN 202010475294 A CN202010475294 A CN 202010475294A CN 111652428 B CN111652428 B CN 111652428B
- Authority
- CN
- China
- Prior art keywords
- flight
- aircraft
- flight path
- path
- calculating
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002776 aggregation Effects 0.000 claims abstract description 186
- 238000004220 aggregation Methods 0.000 claims abstract description 186
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 24
- 238000007621 cluster analysis Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000007619 statistical method Methods 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于历史数据的航班预达时刻估算方法及系统,包括历史飞行数据采集模块、飞机类型划分模块、聚合空间划分模块、特征飞行路径划分模块、概率分布计算模块、到达时间预测模块和显示输出模块。本发明通过历史运行数据按照不同类型飞机进行聚合分析,然后分类并计算得到特征飞行路径及数据分布概率,进而计算得到预测到达时间及时间方差,提高了航班到达时刻的预测精度和偏差大小,有利于航班飞行实时指导与实时监视,对提升航班准点率和改善航班保障与运行效率具有重要数据支撑与指导,可提升航班飞行资源分配效率与任务规划。
Description
技术领域
本发明涉及航班运行领域,尤其涉及一种基于历史数据的航班预达时刻估算方法及系统。
背景技术
民航业务量的逐年增长对航班运行水平提出了更高的要求,尤其是航空公司航班准点率、机场运行效率方面。航班到达时刻的准确估计有利于提高机场和航空公司的运行效率和安全水平,对提升航班准点率、改善航班保障与运行效率、优化资源分配与任务规划具有重要而直接的意义。当前,航班到达时刻估计准确率不够理想,基于历史数据的大数据分析为航班预达时刻估计提供了新方法,丰富的航班运行历史数据库也为基于数据挖掘的预测方法提供了充足的数据支撑。
发明内容
针对现有技术存在的不足之处,本发明的目的在于提供一种基于历史数据的航班预达时刻估算方法及系统,通过历史运行数据按照不同类型飞机进行聚合分析,然后分类并计算得到特征飞行路径及数据分布概率,进而计算得到预测到达时间及时间方差,提高了航班到达时刻的预测精度和偏差大小,有利于航班飞行实时指导与实时监视。
本发明的目的通过下述技术方案实现:
一种基于历史数据的航班预达时刻估算方法,包括:
S1、按飞机的结构重量对飞机进行类型划分,划分为三种类型飞机,飞机的结构重量在80吨以下划分为A型飞机,飞机的结构重量在80~170吨划分为B型飞机,飞机的结构重量在170吨以上划分为C型飞机;
S2、分别采集不同类型飞机的历史飞行数据,针对不同类型飞机的历史飞行数据根据历史飞行数据中的飞行路径特点依据水平方向的飞行路径分别统计计算飞行路径的聚合点,并划分出飞行路径聚合空间以及子飞行路径聚合空间;
S3、通过聚类算法将飞行路径聚合空间和子飞行路径聚合空间分别进行飞行路径分类,并计算出特征飞行路径;
S4、根据历史飞行数据中飞行路径聚合空间与子飞行路径聚合空间内的各个飞行航迹的平均飞行速度和飞行时间匹配特征飞行路径计算数据分布规律;
S5、基于步骤S4中计算得出的数据分布标准,根据实际飞机速度,计算得到飞机实际飞行所需的预测时间及置信度,将各个飞行路径的时间相加得出最终的预测到达时间和时间方差ΔT。
为了更好地实现本发明,本发明航班预达时刻估算方法步骤S2中飞行路径的聚合点聚合方法如下:
基于同一航线区域,对同一航线下的全部N条航迹路径数据以某一航路点或路径点为中心计算其包含其他N-1条航迹路径数据的航迹路径点的最小半径r;然后遍历其全部航路点和路径点,得出所有点的最小半径r的数组,拟合曲线为f(x);对曲线求导f′(x)=0,保留最小半径r值较小的点,并且其最小半径r值较小的点所构成飞行路径占整条航迹路径需小于25%;最终得到同一航线下的飞行路径的聚合点。
作为优选,本发明航班预达时刻估算方法步骤S2中飞行路径聚合空间及子飞行路径聚合空间划分方法如下:
根据飞行路径的聚合点对同一航线下的飞行路径划分出飞行路径聚合空间及子飞行路径聚合空间,子飞行路径聚合空间位于飞行路径聚合空间内。
作为优选,本发明航班预达时刻估算方法步骤S3中飞行路径聚类方法如下:
基于K-means聚类方法对飞行路径聚合空间和子飞行路径聚合空间分别进行聚类分析,并计算聚类后所有飞行航迹的飞行距离ρ和平均速度矢量θ,并以飞行距离ρ、平均速度矢量θ作为特征点a=(ρ,θ)计算得到特征飞行路径。
作为优选,本发明航班预达时刻估算方法步骤S4中飞行路径聚类方法如下:
根据各个飞行航迹的平均飞行速度v和飞行时间t作为特征点b=(v,t),匹配特征飞行路径基于二元高斯分布计算全部点形成概率密度函数g(x),其中x为速度与时间组合形成的二维矢量。
作为优选,本发明航班预达时刻估算方法步骤S5中预测到达时间计算方法如下:
根据飞机的实际经纬坐标匹配对应至飞行路径聚合空间或子飞行路径聚合空间中并计算出实际飞行距离匹配到对应的特征飞行路径,根据飞机的实际飞行速度基于概率密度函数g(x)推算出速度对应的特征函数h(x),得到该飞行路径下的时间期望值t和95%概率密度下的方差Δt,将飞机各阶段飞行路径下的时间期望值t与95%概率密度下的方差Δt依次相加,即可得到飞机整条航线下的预测到达时间T和时间方差ΔT。
一种基于历史数据的航班预达时刻估算方法,包括:
S1、按飞机的结构重量对飞机进行类型划分,划分为三种类型飞机,飞机的结构重量在80吨以下划分为A型飞机,飞机的结构重量在80~170吨划分为B型飞机,飞机的结构重量在170吨以上划分为C型飞机;
S2、分别采集不同类型飞机的历史飞行数据,针对不同类型飞机的历史飞行数据根据历史飞行数据中的飞行路径特点依据水平方向的飞行路径分别统计计算飞行路径的聚合点,聚合点聚合方法如下:
基于同一航线区域,对同一航线下的全部N条航迹路径数据以某一航路点或路径点为中心计算其包含其他N-1条航迹路径数据的航迹路径点的最小半径r;然后遍历其全部航路点和路径点,得出所有点的最小半径r的数组,拟合曲线为f(x);对曲线求导f′(x)=0,保留最小半径r值较小的点,并且其最小半径r值较小的点所构成飞行路径占整条航迹路径需小于25%;最终得到同一航线下的飞行路径的聚合点;
并划分出飞行路径聚合空间以及子飞行路径聚合空间,飞行路径聚合空间及子飞行路径聚合空间划分方法如下:
根据飞行路径的聚合点对同一航线下的飞行路径划分出飞行路径聚合空间及子飞行路径聚合空间,子飞行路径聚合空间位于飞行路径聚合空间内;
S3、基于K-means聚类方法对飞行路径聚合空间和子飞行路径聚合空间分别进行聚类分析,并计算聚类后所有飞行航迹的飞行距离ρ和平均速度矢量θ,并以飞行距离ρ、平均速度矢量θ作为特征点a=(ρ,θ)计算得到特征飞行路径;
S4、根据历史飞行数据中飞行路径聚合空间与子飞行路径聚合空间内的各个飞行航迹的平均飞行速度v和飞行时间t作为特征点b=(v,t),匹配特征飞行路径基于二元高斯分布计算全部点形成概率密度函数g(x),其中x为速度与时间组合形成的二维矢量;
S5、基于步骤S4中计算得出的数据分布标准,根据飞机的实际经纬坐标匹配对应至飞行路径聚合空间或子飞行路径聚合空间中并计算出实际飞行距离匹配到对应的特征飞行路径,根据飞机的实际飞行速度基于概率密度函数g(x)推算出速度对应的特征函数h(x),得到该飞行路径下的时间期望值t和95%概率密度下的方差Δt,将飞机各阶段飞行路径下的时间期望值t与95%概率密度下的方差Δt依次相加,即可得到飞机整条航线下的预测到达时间T和时间方差ΔT。
一种基于历史数据的航班预达时刻估算系统,包括历史飞行数据采集模块、飞机类型划分模块、聚合空间划分模块、特征飞行路径划分模块、概率分布计算模块、到达时间预测模块和显示输出模块,所述历史飞行数据采集模块用于采集飞机的历史飞行数据,所述飞机类型划分模块用于按照飞机的结构重量将飞机划分为三种类型飞机;所述聚合空间划分模块用于根据历史飞行数据中的飞行路径特点依据水平方向的飞行路径分别统计计算飞行路径的聚合点并划分出飞行路径聚合空间以及子飞行路径聚合空间;所述特征飞行路径划分模块用于通过聚类算法将飞行路径聚合空间和子飞行路径聚合空间分别进行飞行路径分类并计算出特征飞行路径;所述概率分布计算模块用于根据历史飞行数据中飞行路径聚合空间与子飞行路径聚合空间内的各个飞行航迹的平均飞行速度和飞行时间匹配特征飞行路径计算数据分布规律;所述到达时间预测模块用于计算得到飞机的预测到达时间T和时间方差ΔT,所述显示输出模块用于显示和输出数据。
本发明较现有技术相比,具有以下优点及有益效果:
本发明通过历史运行数据按照不同类型飞机进行聚合分析,然后分类并计算得到特征飞行路径及数据分布概率,进而计算得到预测到达时间及时间方差,提高了航班到达时刻的预测精度和偏差大小,有利于航班飞行实时指导与实时监视,对提升航班准点率和改善航班保障与运行效率具有重要数据支撑与指导,可提升航班飞行资源分配效率与任务规划。
附图说明
图1为本发明航班预达时刻估算系统的原理结构框图;
图2为本发明实施例中的聚合空间划分示意图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明:
实施例一
一种基于历史数据的航班预达时刻估算方法,包括:
S1、按飞机的结构重量对飞机进行类型划分,划分为三种类型飞机,飞机的结构重量在80吨以下划分为A型飞机,飞机的结构重量在80~170吨划分为B型飞机,飞机的结构重量在170吨以上划分为C型飞机;
S2、分别采集不同类型飞机的历史飞行数据,针对不同类型飞机的历史飞行数据根据历史飞行数据中的飞行路径特点依据水平方向的飞行路径分别统计计算飞行路径的聚合点,并划分出飞行路径聚合空间以及子飞行路径聚合空间;
本实施例中步骤S2中飞行路径的聚合点聚合方法如下:
基于同一航线区域,对同一航线下的全部N条航迹路径数据以某一航路点或路径点为中心计算其包含其他N-1条航迹路径数据的航迹路径点的最小半径r;然后遍历其全部航路点和路径点,得出所有点的最小半径r的数组,拟合曲线为f(x);对曲线求导f′(x)=0,保留最小半径r值较小的点,并且其最小半径r值较小的点所构成飞行路径占整条航迹路径需小于25%(若最小半径r值较小的点所构成飞行路径占整条航迹路径大于或等于25%,那么有可能在整条航迹路径中绝大部分航迹路径重合,那么此区域整条航迹路径就相等于近乎直线飞行,则不能作为飞行路径的聚合点);最终得到同一航线下的飞行路径的聚合点。
图2为截取一段航线区域进行聚合点计算,在截取的航线区域中,历史飞行数据包括有若干条航迹路径数据,比如为N条航迹路径数据(图2均为示例),比如a点为航路点或者为某条航迹路径数据的路径点,那么以a点为中心计算包含其他N-1条航迹路径数据的航迹路径点的最小半径r,其最小半径r范围为A。依次类推,即可得到截取航线区域的全部航路点和路径点的最小半径r,比如图2中得到最小半径r范围为B的区域,最小半径r范围为C的区域,当然全部航路点和路径点都有最小半径r,保留最小半径r值较小的点(可以设置阈值来保留,也可以设置最小半径r值占截取航线区域比例的最小阈值),比如图2中的b点(B区域的中心点)与c点(C区域的中心点),然后得到截取航线区域的聚合点(图2中A区域内的点、B区域内的点与C区域内的点,A区域又称聚合点区域A,B区域又称聚合点区域B,C区域又称聚合点区域C)。依次类推,可以得到其他航线区域的聚合点。
本实施例中步骤S2中飞行路径聚合空间及子飞行路径聚合空间划分方法如下:
根据飞行路径的聚合点对同一航线下的飞行路径划分出飞行路径聚合空间及子飞行路径聚合空间,子飞行路径聚合空间位于飞行路径聚合空间内。
S3、通过聚类算法将飞行路径聚合空间和子飞行路径聚合空间分别进行飞行路径分类,并计算出特征飞行路径;
本实施例中步骤S3中飞行路径聚类方法如下:
基于K-means聚类方法对飞行路径聚合空间和子飞行路径聚合空间分别进行聚类分析,并计算聚类后所有飞行航迹的飞行距离ρ和平均速度矢量θ,并以飞行距离ρ、平均速度矢量θ作为特征点a=(ρ,θ)计算得到特征飞行路径。
如图2所示,在截取航线区域内,从聚合点区域A到聚合点区域B划分一个飞行路径聚合空间P1,同时从聚合点区域A到聚合点区域C划分一个子飞行路径聚合空间P11,从聚合点区域C到聚合点区域B划分一个子飞行路径聚合空间P12。依次类推,可以划分其他航线区域的飞行路径聚合空间与子飞行路径聚合空间。如图2所示,在截取航线区域内,分别对飞行路径聚合空间P1、子飞行路径聚合空间P11、子飞行路径聚合空间P12进行聚类分析,以子飞行路径聚合空间P11为例,子飞行路径聚合空间P11在聚合点区域A到聚合点区域C连线上方与下方分别分类,还可以进一步聚类至上方偏离距离多少进行进一步聚类分析,由此完成子飞行路径聚合空间P11的聚类分析;依次类推完成截取航线区域内飞行路径聚合空间与子飞行路径聚合空间的聚类分析。然后,计算聚类后所有飞行航迹的飞行距离ρ和平均速度矢量θ,并以飞行距离ρ、平均速度矢量θ作为特征点a=(ρ,θ)计算得到特征飞行路径。
S4、根据历史飞行数据中飞行路径聚合空间与子飞行路径聚合空间内的各个飞行航迹的平均飞行速度和飞行时间匹配特征飞行路径计算数据分布规律;
本实施例中步骤S4中飞行路径聚类方法如下:
根据各个飞行航迹的平均飞行速度v和飞行时间t作为特征点b=(v,t),匹配特征飞行路径基于二元高斯分布计算全部点形成概率密度函数g(x),其中x为速度与时间组合形成的二维矢量。
S5、基于步骤S4中计算得出的数据分布标准,根据实际飞机速度,计算得到飞机实际飞行所需的预测时间及置信度,将各个飞行路径的时间相加得出最终的预测到达时间和时间方差ΔT。
本实施例中步骤S5中预测到达时间计算方法如下:
根据飞机的实际经纬坐标匹配对应至飞行路径聚合空间或子飞行路径聚合空间中并计算出实际飞行距离匹配到对应的特征飞行路径,根据飞机的实际飞行速度基于概率密度函数g(x)推算出速度对应的特征函数h(x),得到该飞行路径下的时间期望值t和95%概率密度下的方差Δt,将飞机各阶段飞行路径下的时间期望值t与95%概率密度下的方差Δt依次相加,即可得到飞机整条航线下的预测到达时间T和时间方差ΔT。
如图2所示,比如,根据飞机的实际经纬坐标匹配对应至截取航线区域中计算得到时间期望值t和95%概率密度下的方差Δt,然后依次匹配其他航线区域,即可得到飞机整条航线下的预测到达时间T和时间方差ΔT。本发明可以根据飞机中的实际经纬坐标结合飞行计划、历史飞行数据来预测到达时间,也可以在飞机起飞时来预测到达时间。
如图1所示,一种基于历史数据的航班预达时刻估算系统,包括历史飞行数据采集模块、飞机类型划分模块、聚合空间划分模块、特征飞行路径划分模块、概率分布计算模块、到达时间预测模块和显示输出模块,所述历史飞行数据采集模块用于采集飞机的历史飞行数据,所述飞机类型划分模块用于按照飞机的结构重量将飞机划分为三种类型飞机;所述聚合空间划分模块用于根据历史飞行数据中的飞行路径特点依据水平方向的飞行路径分别统计计算飞行路径的聚合点并划分出飞行路径聚合空间以及子飞行路径聚合空间;所述特征飞行路径划分模块用于通过聚类算法将飞行路径聚合空间和子飞行路径聚合空间分别进行飞行路径分类并计算出特征飞行路径;所述概率分布计算模块用于根据历史飞行数据中飞行路径聚合空间与子飞行路径聚合空间内的各个飞行航迹的平均飞行速度和飞行时间匹配特征飞行路径计算数据分布规律;所述到达时间预测模块用于计算得到飞机的预测到达时间T和时间方差ΔT,所述显示输出模块用于显示和输出数据。
实施例二
一种基于历史数据的航班预达时刻估算方法,包括:
S1、按飞机的结构重量对飞机进行类型划分,划分为三种类型飞机,飞机的结构重量在80吨以下划分为A型飞机,飞机的结构重量在80~170吨划分为B型飞机,飞机的结构重量在170吨以上划分为C型飞机;
S2、分别采集不同类型飞机的历史飞行数据,针对不同类型飞机的历史飞行数据根据历史飞行数据中的飞行路径特点依据水平方向的飞行路径分别统计计算飞行路径的聚合点,聚合点聚合方法如下:
基于同一航线区域,对同一航线下的全部N条航迹路径数据以某一航路点或路径点为中心计算其包含其他N-1条航迹路径数据的航迹路径点的最小半径r;然后遍历其全部航路点和路径点,得出所有点的最小半径r的数组,拟合曲线为f(x);对曲线求导f′(x)=0,保留最小半径r值较小的点,并且其最小半径r值较小的点所构成飞行路径占整条航迹路径需小于25%;最终得到同一航线下的飞行路径的聚合点;
并划分出飞行路径聚合空间以及子飞行路径聚合空间,飞行路径聚合空间及子飞行路径聚合空间划分方法如下:
根据飞行路径的聚合点对同一航线下的飞行路径划分出飞行路径聚合空间及子飞行路径聚合空间,子飞行路径聚合空间位于飞行路径聚合空间内;
图2为截取一段航线区域进行聚合点计算,在截取的航线区域中,历史飞行数据包括有若干条航迹路径数据,比如为N条航迹路径数据(图2均为示例),比如a点为航路点或者为某条航迹路径数据的路径点,那么以a点为中心计算包含其他N-1条航迹路径数据的航迹路径点的最小半径r,其最小半径r范围为A。依次类推,即可得到截取航线区域的全部航路点和路径点的最小半径r,比如图2中得到最小半径r范围为B的区域,最小半径r范围为C的区域,当然全部航路点和路径点都有最小半径r,保留最小半径r值较小的点(可以设置阈值来保留,也可以设置最小半径r值占截取航线区域比例的最小阈值),比如图2中的b点(B区域的中心点)与c点(C区域的中心点),然后得到截取航线区域的聚合点(图2中A区域内的点、B区域内的点与C区域内的点,A区域又称聚合点区域A,B区域又称聚合点区域B,C区域又称聚合点区域C)。依次类推,可以得到其他航线区域的聚合点。
S3、基于K-means聚类方法对飞行路径聚合空间和子飞行路径聚合空间分别进行聚类分析,并计算聚类后所有飞行航迹的飞行距离ρ和平均速度矢量θ,并以飞行距离ρ、平均速度矢量θ作为特征点a=(ρ,θ)计算得到特征飞行路径;
如图2所示,在截取航线区域内,从聚合点区域A到聚合点区域B划分一个飞行路径聚合空间P1,同时从聚合点区域A到聚合点区域C划分一个子飞行路径聚合空间P11,从聚合点区域C到聚合点区域B划分一个子飞行路径聚合空间P12。依次类推,可以划分其他航线区域的飞行路径聚合空间与子飞行路径聚合空间。如图2所示,在截取航线区域内,分别对飞行路径聚合空间P1、子飞行路径聚合空间P11、子飞行路径聚合空间P12进行聚类分析,以子飞行路径聚合空间P11为例,子飞行路径聚合空间P11在聚合点区域A到聚合点区域C连线上方与下方分别分类,还可以进一步聚类至上方偏离距离多少进行进一步聚类分析,由此完成子飞行路径聚合空间P11的聚类分析;依次类推完成截取航线区域内飞行路径聚合空间与子飞行路径聚合空间的聚类分析。然后,计算聚类后所有飞行航迹的飞行距离ρ和平均速度矢量θ,并以飞行距离ρ、平均速度矢量θ作为特征点a=(ρ,θ)计算得到特征飞行路径。
S4、根据历史飞行数据中飞行路径聚合空间与子飞行路径聚合空间内的各个飞行航迹的平均飞行速度v和飞行时间t作为特征点b=(v,t),匹配特征飞行路径基于二元高斯分布计算全部点形成概率密度函数g(x),其中x为速度与时间组合形成的二维矢量;
S5、基于步骤S4中计算得出的数据分布标准,根据飞机的实际经纬坐标匹配对应至飞行路径聚合空间或子飞行路径聚合空间中并计算出实际飞行距离匹配到对应的特征飞行路径,根据飞机的实际飞行速度基于概率密度函数g(x)推算出速度对应的特征函数h(x),得到该飞行路径下的时间期望值t和95%概率密度下的方差Δt,将飞机各阶段飞行路径下的时间期望值t与95%概率密度下的方差Δt依次相加,即可得到飞机整条航线下的预测到达时间T和时间方差ΔT。
如图2所示,比如,根据飞机的实际经纬坐标匹配对应至截取航线区域中计算得到时间期望值t和95%概率密度下的方差Δt,然后依次匹配其他航线区域,即可得到飞机整条航线下的预测到达时间T和时间方差ΔT。本发明可以根据飞机中的实际经纬坐标结合飞行计划、历史飞行数据来预测到达时间,也可以在飞机起飞时来预测到达时间。
实施例三
一种基于历史数据的航班预达时刻估算方法,其方法步骤如下:
步骤一,按飞机的实际使用重量对飞机进行类型划分;按飞机的结构重量对飞机进行分类,可分为3种类型,80吨以下为1型,80-170位2型,170吨以上为3型。
步骤二,对不同类型飞机过去一段时间机场的历史飞行数据进行的统计分析,按机场实际的飞行路径特点依据水平方向的飞行路径计算飞行路径的聚合点,划分飞行路径的聚合空间和子飞行路径聚合空间。
其计算飞行路径的聚合点方法如下:对于全部N条航迹,基于一条航线,以其某一航路点为中心,计算其包含全部其他N-1航迹路径点的最小半径r,遍历其全部路径点,得出所有点的最小半径r的数组,拟合曲线f(x),对曲线求导f′(x)=0,将求解出的全部位置点根据距离相互的距离删除r值较大的点,距离的范围为整体航迹长度的25%,最终所求的点位飞行路径的聚合点。
其聚合空间和子空间内的飞行路径聚类方法如下:计算空间内所有飞行航迹的飞行距离ρ和平均速度矢量θ形成特征点a=(ρ,θ),全部特征点在空间内形成散点分布,基于K-means聚类方法对全部航迹进行聚类计算,将其归到和他距离最近的聚类中心所属的类。
步骤三,基于步骤二计算出的聚合空间,通过聚类算法将聚合空间和子空间内的飞行路径分类,并计算特征飞行路径;
步骤四,基于步骤三中特征飞行路径的分类,根据聚合空间内各个飞行航迹平均飞行速度和时间计算数据分布规律。
其飞行航迹平均飞行速度和时间计算数据分布规律方法如下:计算空间内所有飞行航迹的平均飞行速度v和所需时间t形成特征点b=(v,t),基于二元高斯分布计算全部点形成概率密度函数g(x),x速度和时间组合形成的二维矢量。
步骤五,基于步骤四中计算得出的数据分布标准,根据实际飞机速度,计算飞行所需的时间及置信度,最后将各个阶段的时间相加得出最终的预计到达时间。计算整体飞行时间时,根据飞机的实际飞行速度基于概率密度函数g(x),推算速度对应的特征函数h(x),计算出其数学期望t和95%概率密度下的方差Δt,将各阶段的时间加和可得最后所需的预计到达时间T和不确定的时间ΔT。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于历史数据的航班预达时刻估算方法,其特征在于,包括:
S1、按飞机的结构重量对飞机进行类型划分,划分为三种类型飞机,飞机的结构重量在80吨以下划分为A型飞机,飞机的结构重量在80~170吨划分为B型飞机,飞机的结构重量在170吨以上划分为C型飞机;
S2、分别采集不同类型飞机的历史飞行数据,针对不同类型飞机的历史飞行数据根据历史飞行数据中的飞行路径特点依据水平方向的飞行路径分别统计计算飞行路径的聚合点,并划分出飞行路径聚合空间以及子飞行路径聚合空间;
S3、基于K-means聚类方法对飞行路径聚合空间和子飞行路径聚合空间分别进行聚类分析,并计算聚类后所有飞行航迹的飞行距离ρ和平均速度矢量θ,并以飞行距离ρ、平均速度矢量θ作为特征点a=(ρ,θ)计算得到特征飞行路径;
S4、根据历史飞行数据中飞行路径聚合空间与子飞行路径聚合空间内的各个飞行航迹的平均飞行速度和飞行时间匹配特征飞行路径计算数据分布规律,方法如下:
根据各个飞行航迹的平均飞行速度v和飞行时间t作为特征点b=(v,t),匹配特征飞行路径基于二元高斯分布计算全部点形成概率密度函数g(x),其中x为速度与时间组合形成的二维矢量;
S5、基于步骤S4中计算得出的数据分布标准,根据实际飞机速度,计算得到飞机实际飞行所需的预测时间及置信度,将各个飞行路径的时间相加得出最终的预测到达时间和时间方差ΔT;预测到达时间计算方法如下:
根据飞机的实际经纬坐标匹配对应至飞行路径聚合空间或子飞行路径聚合空间中并计算出实际飞行距离匹配到对应的特征飞行路径,根据飞机的实际飞行速度基于概率密度函数g(x)推算出速度对应的特征函数h(x),得到该飞行路径下的时间期望值t和95%概率密度下的方差Δt,将飞机各阶段飞行路径下的时间期望值t与95%概率密度下的方差Δt依次相加,即可得到飞机整条航线下的预测到达时间T和时间方差ΔT。
2.按照权利要求1所述的一种基于历史数据的航班预达时刻估算方法,其特征在于:所述步骤S2中飞行路径的聚合点聚合方法如下:
基于同一航线区域,对同一航线下的全部N条航迹路径数据以某一航路点或路径点为中心计算其包含其他N-1条航迹路径数据的航迹路径点的最小半径r;然后遍历其全部航路点和路径点,得出所有点的最小半径r的数组,拟合曲线为f(x);对曲线求导f′(x)=0,保留最小半径r值较小的点,并且其最小半径r值较小的点所构成飞行路径占整条航迹路径需小于25%;最终得到同一航线下的飞行路径的聚合点。
3.按照权利要求2所述的一种基于历史数据的航班预达时刻估算方法,其特征在于:所述步骤S2中飞行路径聚合空间及子飞行路径聚合空间划分方法如下:
根据飞行路径的聚合点对同一航线下的飞行路径划分出飞行路径聚合空间及子飞行路径聚合空间,子飞行路径聚合空间位于飞行路径聚合空间内。
4.一种基于历史数据的航班预达时刻估算系统,其特征在于:包括历史飞行数据采集模块、飞机类型划分模块、聚合空间划分模块、特征飞行路径划分模块、概率分布计算模块、到达时间预测模块和显示输出模块,所述历史飞行数据采集模块用于采集飞机的历史飞行数据,所述飞机类型划分模块用于按照飞机的结构重量将飞机划分为三种类型飞机;所述聚合空间划分模块用于根据历史飞行数据中的飞行路径特点依据水平方向的飞行路径分别统计计算飞行路径的聚合点并划分出飞行路径聚合空间以及子飞行路径聚合空间;所述特征飞行路径划分模块用于通过聚类算法将飞行路径聚合空间和子飞行路径聚合空间分别进行飞行路径分类并计算出特征飞行路径,飞行路径聚类方法如下:
基于K-means聚类方法对飞行路径聚合空间和子飞行路径聚合空间分别进行聚类分析,并计算聚类后所有飞行航迹的飞行距离ρ和平均速度矢量θ,并以飞行距离ρ、平均速度矢量θ作为特征点a=(ρ,θ)计算得到特征飞行路径;
所述概率分布计算模块用于根据历史飞行数据中飞行路径聚合空间与子飞行路径聚合空间内的各个飞行航迹的平均飞行速度和飞行时间匹配特征飞行路径计算数据分布规律,方法如下:
根据各个飞行航迹的平均飞行速度v和飞行时间t作为特征点b=(v,t),匹配特征飞行路径基于二元高斯分布计算全部点形成概率密度函数g(x),其中x为速度与时间组合形成的二维矢量;
所述到达时间预测模块用于计算得到飞机的预测到达时间R和时间方差ΔT,所述显示输出模块用于显示和输出数据,预测到达时间计算方法如下:
根据飞机的实际经纬坐标匹配对应至飞行路径聚合空间或子飞行路径聚合空间中并计算出实际飞行距离匹配到对应的特征飞行路径,根据飞机的实际飞行速度基于概率密度函数g(x)推算出速度对应的特征函数h(x),得到该飞行路径下的时间期望值t和95%概率密度下的方差Δt,将飞机各阶段飞行路径下的时间期望值t与95%概率密度下的方差Δt依次相加,即可得到飞机整条航线下的预测到达时间T和时间方差ΔT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475294.9A CN111652428B (zh) | 2020-05-29 | 2020-05-29 | 一种基于历史数据的航班预达时刻估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475294.9A CN111652428B (zh) | 2020-05-29 | 2020-05-29 | 一种基于历史数据的航班预达时刻估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652428A CN111652428A (zh) | 2020-09-11 |
CN111652428B true CN111652428B (zh) | 2023-06-20 |
Family
ID=72346974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010475294.9A Active CN111652428B (zh) | 2020-05-29 | 2020-05-29 | 一种基于历史数据的航班预达时刻估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652428B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703010B (zh) * | 2023-08-09 | 2023-10-31 | 民航成都信息技术有限公司 | 一种行李到达时间的预测方法、装置、电子设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855776A (zh) * | 2012-08-27 | 2013-01-02 | 合肥飞友网络科技有限公司 | 航班预计到达时间预估方法 |
CN107610531A (zh) * | 2017-08-08 | 2018-01-19 | 上海民航华东空管工程技术有限公司 | 基于4d航迹和航路飞行经验数据的航班过点时刻预估方法 |
CN110930770A (zh) * | 2019-11-06 | 2020-03-27 | 南京莱斯信息技术股份有限公司 | 一种基于管制意图和飞机性能模型的四维航迹预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017108133A1 (en) * | 2015-12-23 | 2017-06-29 | Swiss Reinsurance Company Ltd. | Automated, reactive flight-delay risk-transfer system and method thereof |
-
2020
- 2020-05-29 CN CN202010475294.9A patent/CN111652428B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855776A (zh) * | 2012-08-27 | 2013-01-02 | 合肥飞友网络科技有限公司 | 航班预计到达时间预估方法 |
CN107610531A (zh) * | 2017-08-08 | 2018-01-19 | 上海民航华东空管工程技术有限公司 | 基于4d航迹和航路飞行经验数据的航班过点时刻预估方法 |
CN110930770A (zh) * | 2019-11-06 | 2020-03-27 | 南京莱斯信息技术股份有限公司 | 一种基于管制意图和飞机性能模型的四维航迹预测方法 |
Non-Patent Citations (1)
Title |
---|
Trajectory Clustering, Modelling, and Selection with the focus on Airspace Protection;Willem J. Eerland et al.;arXiv;1-14 * |
Also Published As
Publication number | Publication date |
---|---|
CN111652428A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493644B (zh) | 一种基于历史航迹数据挖掘的四维航迹推测方法 | |
US11501039B2 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
US20210383706A1 (en) | System and methods for improving aircraft flight planning | |
JP6050592B2 (ja) | 航空交通を管理する方法およびシステム | |
JP2012174266A (ja) | 航空交通を管理する方法およびシステム | |
US9507053B2 (en) | Using aircraft trajectory data to infer atmospheric conditions | |
CN108877298A (zh) | 一种基于四维航迹运行的航班计划安全性判断预警方法 | |
CN110196962A (zh) | 一种基于核密度估计的飞机速度异常识别方法 | |
US20210125512A1 (en) | Aircraft parking stand assignment prediction | |
Welch et al. | Sector workload model for benefits analysis and convective weather capacity prediction | |
Lin et al. | Approach for 4-d trajectory management based on HMM and trajectory similarity | |
Dancila et al. | Vertical flight profile optimization for a cruise segment with RTA constraints | |
CN111652428B (zh) | 一种基于历史数据的航班预达时刻估算方法及系统 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
Alharbi et al. | Modeling and characterization of traffic flow patterns and identification of airspace density for UTM application | |
Graas et al. | Quantifying accuracy and uncertainty in data-driven flight trajectory predictions with gaussian process regression | |
Dai et al. | Real-Time Prediction of Runway Occupancy Buffers | |
CN114118578A (zh) | 一种基于空中轨迹和大数据预测航班到达时间的计算方法 | |
Romano et al. | A static algorithm to solve the air traffic sequencing problem | |
Condé Rocha Murça et al. | Data-Driven Modeling of Air Traffic Flows for Advanced Air Traffic Management | |
Kumar et al. | Application of isolation forest for detection of energy anomalies in ADS-B trajectory data | |
Chu et al. | Hierarchical Method for Mining a Prevailing Flight Pattern in Airport Terminal Airspace | |
Corrado | A Data-Driven Methodology to Analyze Air Traffic Management System Operations within the Terminal Airspace | |
Šimić et al. | Airport delay prediction using machine learning regression models as a tool for decision making process | |
Pan et al. | Online stochastic prediction of mid-flight aircraft trajectories |
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 |