CN111832834A - 一种机场道面使用性能预测方法、装置和电子设备 - Google Patents
一种机场道面使用性能预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111832834A CN111832834A CN202010714253.0A CN202010714253A CN111832834A CN 111832834 A CN111832834 A CN 111832834A CN 202010714253 A CN202010714253 A CN 202010714253A CN 111832834 A CN111832834 A CN 111832834A
- Authority
- CN
- China
- Prior art keywords
- value
- pavement
- prediction
- predicted
- identifier
- 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 49
- 238000003062 neural network model Methods 0.000 claims description 54
- 230000009471 action Effects 0.000 claims description 50
- 230000002068 genetic effect Effects 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 claims description 31
- 230000015556 catabolic process Effects 0.000 claims description 30
- 238000006731 degradation reaction Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000010006 flight Effects 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 26
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 19
- 238000007689 inspection Methods 0.000 description 12
- 108090000623 proteins and genes Proteins 0.000 description 10
- 238000010606 normalization Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012384 transportation and delivery 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (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)
Abstract
本发明提供了一种机场道面使用性能预测方法、装置和电子设备,获取到当前时间起预测时长内道面标识对应道面上起降的航班的航班信息后,基于航班信息中的飞机型号和航班数量计算得到道面标识对应道面上作用次数,然后将计算得到的作用次数、以及当前时间起预测时长内机场的温度信息和湿度信息输入到对道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起预测时长内道面标识对应道面的使用性能进行预测,整个机场道面使用性能预测的过程无需人为操作,提高了道面使用性能预测的准确性。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种机场道面使用性能预测方法、装置和电子设备。
背景技术
目前,机场道面(简称道面)在交付使用时性能最好,但在长期的使用过程中,由于受机轮荷载、道面结构、交通次数、环境、施工质量和养护水平及各种自然因素的影响,道面使用性能会随着使用时间的增加而发生衰减,所以为了保证航班的起降安全,需要对道面的使用性能进行预测。
为了对道面的使用性能进行评价和预测,可以通过机场的道面养护人员对道面进行人工检查,并根据得到的道面人工检查结果和养护人员自身的经验,对道面的使用性能进行主观预测。
对道面的使用性能进行预测是道面养护人员主观完成的,不能很好的结合多方面因素的影响,很容易导致对道面的使用性能的预测不准确。
发明内容
为解决上述问题,本发明实施例的目的在于提供一种机场道面使用性能预测方法、装置和电子设备。
第一方面,本发明实施例提供了一种机场道面使用性能预测方法,包括:
获取需要进行性能预测的道面标识和预测时长;
获取当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息;所述航班信息,包括:飞机型号和航班数量;
基于所述飞机型号和所述航班数量计算得到所述道面标识对应道面上作用次数;
获取当前时间起所述预测时长内机场的温度信息和湿度信息,并将所述温度信息、所述湿度信息、以及计算得到的所述作用次数输入到对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标预测值。
第二方面,本发明实施例还提供了一种机场道面使用性能预测装置,包括:
第一获取模块,用于获取需要进行性能预测的道面标识和预测时长;
第二获取模块,用于获取当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息;所述航班信息,包括:飞机型号和航班数量;
计算模块,用于基于所述飞机型号和所述航班数量计算得到所述道面标识对应道面上作用次数;
预测模块,用于获取当前时间起所述预测时长内机场的温度信息和湿度信息,并将所述温度信息、所述湿度信息、以及计算得到的所述作用次数输入到对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标预测值。
第三方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面所述的方法的步骤。
第四方面,本发明实施例还提供了一种电子设备,所述电子设备包括有存储器,处理器以及一个或者一个以上的程序,其中所述一个或者一个以上程序存储于所述存储器中,且经配置以由所述处理器执行第一方面所述的方法的步骤。
本发明实施例上述第一方面提供的方案中,获取到当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息后,基于航班信息中的飞机型号和航班数量计算得到道面标识对应道面上作用次数,然后将计算得到的作用次数、以及当前时间起预测时长内机场的温度信息和湿度信息输入到对道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起预测时长内道面标识对应道面的使用性能进行预测,与相关技术中道面巡检员主观对道面的使用性能进行预测的方式相比,整个机场道面使用性能预测的过程无需人为操作,提高了道面使用性能预测的准确性;而且,在预测过程中使用到了道面上作用次数以及温度信息和湿度信息,从而在不相关的作用次数因素以及温度、湿度因素的相互作用下,使得当前时间起预测时长内道面标识对应道面的使用性能进行预测得到的预测结果更符合使用性能的实际发展趋势,进一步提高了使用性能预测的准确性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例1所提供的一种机场道面使用性能预测方法的流程图;
图2示出了本发明实施例2所提供的一种机场道面使用性能预测装置的结构示意图;
图3示出了本发明实施例3所提供的一种电子设备的结构示意图。
具体实施方式
目前,机场道面(简称道面)在交付使用时性能最好,但在长期的使用过程中,由于受机轮荷载、道面结构、交通次数、环境、施工质量和养护水平及各种自然因素的影响,道面使用性能会随着使用时间的增加而发生衰减,所以为了保证航班的起降安全,需要对道面的使用性能进行预测。为了对道面的使用性能进行评价和预测,可以通过机场的道面巡检员对道面进行人工检查,并根据得到的道面人工检查结果和养护人员自身的经验,对道面的使用性能进行主观预测。
这里,所述机场道面使用性能,可以通过以下使用性能指标表示:道面状况指标(pavement condition index,PCI)、国际平整度指标(International Roughness Index,IRI)、道面抗滑性指标摩擦力μ、以及道面承载力(Aircraft Classification Number,ACN)-(Pavement Classification Number,PCN)。
上述的PCI、IRI、μ以及ACN-PCN是非常难以预测的,仅凭人工主观预测不能很好的结合多方面因素的影响,很容易导致对道面的使用性能的预测不准确的问题。所以本申请提出的方案中,使用到了遗传神经网络模型对道面的使用性能进行预测,整个机场道面使用性能预测的过程无需人为预测,提高了使用性能预测的准确性。使得机场能了解到道面的使用性能的发展情况,并及时对使用性能不好的道面进行修复,同时预测得到的道面的使用性能,对于机场未来的航班规划也提供了可信赖的帮助。
基于此,本实施例提出一种机场道面使用性能预测方法、装置和电子设备,获取到当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息后,基于航班信息中的飞机型号和航班数量计算得到道面标识对应道面上作用次数,然后将计算得到的作用次数、以及当前时间起预测时长内机场的温度信息和湿度信息输入到对道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起预测时长内道面标识对应道面的使用性能进行预测,整个机场道面使用性能预测的过程无需人为预测,提高了使用性能预测的准确性。
在本申请各实施例中,所述作用次数,用于表示飞机相对于设计飞机的作用次数。
由于飞机的型号很多,大小,长宽,荷载不一样,在机场道面设计时,根据机场的设计吞吐量来确定允许在此机场起降的飞机型号,根据飞机的荷载、主起落架在道面横向的主轮数,计算得到每个主轮承受的重量对道面的破坏程度,以道面不受到明显损坏,并可持续使用为原则,选定一个飞机的型号作为设计飞机的型号。在计算作用次数的时候,针对小型飞机,由于对道面几乎无损坏,有时可以将飞行架次忽略不计,对于大型飞机,计算时将所有飞行的飞机型号、飞机每个主轮承受的重力对道面的影响和设计飞机对道面的影响相比,即得到相对于设计飞机的作用次数。
遗传神经网络模型具有学习和改进功能,通过输入到遗传神经网络模型中的数据的增加,使得遗传神经网络模型更加完善,能够更加准确地预测道面的使用性能,使得技术人员可以提早了解机场道面的使用性能的发展趋势,对机场未来的航班规划提供了可靠的数据参考。
为了使用遗传神经网络模型对机场道面的使用性能进行预测,需要先对遗传神经网络模型进行训练。
所述遗传神经网络模型运行在计算设备中。所述计算设备可以是现有技术中任何能够使用遗传神经网络模型对机场道面的使用性能进行预测的设备,这里不再一一赘述。
要想得到比较稳定的遗传神经网络模型,首先需要搜集影响模型预测结果的因素。影响模型预测结果的因素,通常主要包括:机场的温度信息T、作用次数Ne和湿度信息W等。其中,温度信息和湿度信息可以通过气象台(站)已发布的气象情报得到。作用次数Ne是将各类机型的机轮荷载多次作用于道面的影响换算为设计机型的作用次数而得到的。作用次数与飞机的实际起降次数、飞机的质量,飞机主起落架在道面横向的主轮数、道面的厚度、道面的材质等参数相关,飞机的质量、主轮数等可以根据飞机出厂时的型号得到这些参数,道面的厚度、道面材质等是根据需要满足设计飞机的型号而确定下来的道面指标,有了设计指标才可以进行施工。
其中,作用次数Ne计算公式如下:
式1和式2中:i表示飞机型号;j分别表示起飞(j=1时)或着陆(j=2时);n表示机型种数;δi表示拟换算飞机主起落架在道面横向的主轮数;Nij表示拟换算飞机单位时间长度内运行架次;(ESWL)ij表示拟换算飞机主起落架当量单轮荷载;(ESWL)s表示设计飞机主起落架当量单轮荷载。
所述单位时间长度,可以是但不限于:自然日(简称日)或者自然月(简称月)。
在机场交付运营时期,即可建立影响模型预测结果的因素数据库,该数据库包括:不同的道面上每台飞机的单轮荷载,主起落架在道面横向的主轮数、飞机型号、航班数量,起降情况、单位时间长度的温度和湿度状况等,以及计算得到的单位时间长度中飞机相对于设计飞机在各道面的作用次数。
其次,为了获得机场道面模型的使用性能指标,需要道面巡检员用仪器设备或者凭借目视经验,进行道面检查,并根据道面损坏位置的重要程度,对道面的使用性能指标进行测量和计算。如使用性能指标中的PCI的计算如公式3所示:
式3中:Dijk表示道面被第i种类型破坏,第j严重程度、损坏密度为k的扣分数;wij表示同时出现多种破坏时,第i种类型损坏、第j严重程度对应扣分值的修正系数。具体的PCI计算过程是现有技术,这里不再赘述。
其中,破坏类型、严重程度、损坏密度以及破坏的道面都是道面巡检员对道面进行实地检查测量后得到的。
同样地,还可以对IRI、μ以及ACN-PCN分别进行参数测量和计算。具体的测量和计算过程是现有技术,这里不再赘述。在得到计算结果后记录计算时间,将计算得到的IRI、μ以及ACN-PCN输入到道面使用性能指标表中。
在一个实施方式中,道面使用性能指标表如下表1所示:
表1
道面标识 | PCI | μ | IRI | ACN-PCN |
1号跑道道面 | 90 | 0.8 | 1.5 | 1.02 |
2号跑道道面 | 88 | 0.7 | 1.3 | 1.06 |
所述道面使用性能指标表中记录的是使用性能指标的测量值。
然后基于PCI、IRI、μ以及ACN-PCN的计算时间和道面使用性能指标表生成使用性能指标的计算时间和道面使用性能指标表的对应关系;并将使用性能指标的计算时间和道面使用性能指标表的对应关系缓存在计算设备中。
然后,针对不同的道面分别建立遗传神经网络模型。飞行区内各道面的功能不同,重要程度不同,承载飞机的能力也不同,因此需要根据不同的道面分别训练遗传神经网络模型。
通过以下内容,对如何训练得到一个道面的遗传神经网络模型进行描述:
(1)从所述影响模型预测结果的因素数据库中获取起始时间到巡检时刻机场的温度信息和湿度信息,以及该道面起降的飞机型号和航班数量;根据该道面起始时间到巡检时刻之间的间隔时间中各单位时间长度中的飞机型号和航班数量,对该道面起始时间到巡检时刻之间的各单位时间长度中的使用次数进行计算,然后将起始时间到巡检时刻机场的温度信息和湿度信息、以及该道面起始时间到巡检时刻之间的各单位时间长度中的使用次数分别进行累加计算,得到从起始时间到巡检时刻的累加温度、累加湿度、累加使用次数。其中,起算时间是指该道面在新建、大修或者重建之后开始使用的时间点,所述巡检时刻就是计算得到该道面的使用次数指标的时间点。
(2)将从起始时间到巡检时刻的累加温度、累加湿度以及累加作用次数分别进行归一化处理,使其取值范围为[0,1],以此作为遗传神经网络模型的输入参数。其中归一化方法如公式4所示:
x'=(x-xmin)/(xmax-xmin) (4)
式4中:x′表示归一化后的值;x表示归一化前的原始值;xmin表示归一化之前样本数据中的最小值、xmax表示归一化之前样本数据中的最大值。
从所述道面使用性能指标表中获取该道面多次检查后分别得到的道面使用性能,将获取到的该道面多次检查后分别得到的道面使用性能指标同样分别进行归一化处理,使其取值范围为[0,1],以此作为遗传神经网络模型的输出参数。
其中,[0,1],用于表示取值在大于等于0且小于等于1的范围内。
将归一化的道面性能指标以及归一化处理后的累加温度、累加湿度以及累加使用次数作为样本集合。然后随机选取样本集合中的部分数据作为训练样本数据,剩余作为检验数据,用来评定预测结果。
所述遗传神经网络模型,用于表示使用了遗传算法的神经网络模型。
(3)针对神经网络模型来说,需要先确定神经网络中的权值和阈值个数。神经网络的参数个数是根据神经网络中的输入层、隐含层、输出层的神经元个数来确定的,由于输入到神经网络的参数为3个(累加温度、累加湿度以及累加作用次数),隐含层神经元个数采用通用计算方法可得:2×输入层神经元个数+输出层神经元个数=2*3+1=7个参数,因为输出层需要输出4个使用性能指标(PCI、IRI、μ以及ACN-PCN),因此需要建立4个3×7×1的神经网络模型。总共有权值个数为3*7*4=84个,阈值个数为7+4=11个。
(4)利用遗传算法获得权值和阈值的初始值。选取训练样本中的一组数据作为输入数据和输出数据,初步训练神经网络模型,并随机生成N组在[0,1]范围内的包含有输入层权值、隐含层阈值、隐含层权值、以及输出层阈值的数组,并进行二进制编码得到N组二进制编码基因序列,以此N组基因序列作为遗传算法的种群。通过对基因序列进行选择、交叉、变异的操作来得到N组新的二进制基因序列,并将二进制基因序列反算为十进制的权值和阈值后,代入神经网络模型,根据训练样本的输入数据进行该道面的使用性能指标的计算,比较每组权值和阈值计算所得的使用性能指标与实测的使用性能指标之间的误差,并以误差最小作为目标函数,计算每个基因序列的适应度,再随机生成的若干数值,以落入适应度区间的个数对基因序列进行筛选,误差较小的即适应度最大的被选择的概率大,误差较大的即适应度小的被选择的概率小,将被选中概率比较高的基因序列进行复制,将被选中概率居中的序列进行遗传到下一代,生成新的种群,然后再对新生成的种群中的基因序列进行第二次的基因交换、交叉、变异等操作,直到新生成的种群中有一组权值和阈值计算所得的使用性能指标与实测的使用性能指标误差很小,结束,以此权值和阈值作为神经网络模型的初始值。
(5)将通过遗传算法获得的神经网络模型的初始值和训练样本数据输入到神经网络模型,得到用于对该道面的使用性能进行预测的遗传神经网络模型,生成该道面的道面标识,并利用生成的道面标识建立道面标识与遗传神经网络模型的对应关系,从而根据道面的道面标识就可以从建立的道面标识与遗传神经网络模型的对应关系中查询出对道面标识对应的道面的使用性能进行预测的遗传神经网络模型。
在上述步骤(4)中,所述实测,就是指道面巡检员用仪器设备或者凭借目视经验,进行道面检查,并根据道面损坏位置的重要程度,对道面的使用性能指标进行测量和计算后得到使用性能指标的测量值的过程。
通过以上内容,对训练得到一个道面的遗传神经网络模型进行了描述。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请做进一步详细的说明。
实施例1
本实施例提出的机场道面使用性能预测方法的执行主体是上述的计算设备。
参见图1所示的一种机场道面使用性能预测方法的流程图,本实施例提出的机场道面使用性能预测方法,包括以下具体步骤:
步骤100、获取需要进行性能预测的道面标识和预测时长。
在上述步骤100中,需要进行性能预测的道面标识和预测时长,是工作人员通过计算设备的输入设备向计算设备内输入的。
所述预测时长,包括:多个单位时间长度。
所述预测时长,可以是但不限于:季度、半年度以及年度。
其中,当所述预测时长是季度时,预测时长是3个月;当所述预测时长是半年度时,预测时长是6个月;当所述预测时长是年度时,预测时长是12个月。
步骤102、获取当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息;所述航班信息,包括:飞机型号和航班数量。
在上述步骤102中,所述计算设备,从与其进行交互的统一位置服务平台中获取到当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息。
所述航班信息,是所述统一位置服务平台从广播式自动相关监视(AutomaticDependent Surveillance Broadcast,ADS-B)数据站实时获取的航班信息。
除了航班信息外,所述统一位置服务平台数据站中还存储有各单位时间长度内的历史温度信息和历史湿度信息。
所述历史温度信息和所述历史湿度信息,是所述统一位置服务平台数据站从气象局中获取到的。
在一个实施方式中,所述历史温度信息,可以是各单位时间长度分别对应的具体月份的温度平均值。
所述历史湿度信息,是各单位时间长度分别对应的具体月份的湿度平均值。
所述飞机型号,用于表示航班所使用的飞机的飞机机型。
所述飞机机型,可以是但不限于:波音747和空中客车A350。
步骤104、基于所述飞机型号和所述航班数量计算得到所述道面标识对应道面上作用次数。
在上述步骤104中,所述作用次数,包括:分别在当前时间起所述预测时长内的各单位时间长度中的子作用次数。
在一个实施方式中,若预测时长是3个月,单位时间长度是自然月时,在当前时间起所述预测时长内的各单位时间长度中的子作用次数,就是在当前时间起3个月内各月份的子作用次数。
当前时间起所述预测时长内的各单位时间长度中的子作用次数的计算过程是现有技术,或可以参考上述公式(1)和公式(2)进行计算,这里不再赘述。
步骤106、获取当前时间起所述预测时长内机场的温度信息和湿度信息,并将所述温度信息、所述湿度信息、以及计算得到的所述作用次数输入到对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标预测值。
具体地,为了得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标预测值,上述步骤106,包括以下步骤(1)至步骤(5):
(1)获取机场从当前时间起的所述预测时长内各单位时间长度中的历史温度信息和历史湿度信息,将获取到的各单位时间长度中的历史温度信息作为当前时间起所述预测时长内机场的温度信息,将获取到的各单位时间长度中的历史湿度信息作为当前时间起所述预测时长内机场的湿度信息;
(2)将各单位时间长度中的历史温度信息进行累加计算,得到温度累加值,将各单位时间长度中的历史湿度信息进行累加计算,得到湿度累加值,将各单位时间长度中的子作用次数进行累加计算,得到作用次数累加值;
(3)查询出对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型;
(4)将所述温度累加值进行归一化处理,得到温度输入值,将所述湿度累加值进行归一化处理,得到湿度输入值,将所述作用次数累加值进行归一化处理,得到作用次数输入值;
(5)将所述温度输入值、所述湿度输入值、以及所述作用次数输入值输入到查询出的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标的预测值。
在上述步骤(1)中,为了获取机场从当前时间起的所述预测时长内各单位时间长度中的历史温度信息和历史湿度信息,计算设备可以执行以下步骤(11)至步骤(14):
(11)确定从当前时间起的所述预测时长内各单位时间长度分别对应的具体月份;
(12)根据确定的具体月份生成温度湿度获取信息,并将生成的所述温度湿度获取信息发送到统一位置服务平台数据站中,以从所述统一位置服务平台数据站中获取到从当前时间起的所述预测时长内各单位时间长度分别对应的具体月份的历史温度信息和历史湿度信息;
(13)接收所述统一位置服务平台数据站反馈的从当前时间起的所述预测时长内各单位时间长度分别对应的具体月份的历史温度信息和历史湿度信息;
(14)将获取到的各单位时间长度中的历史温度信息作为当前时间起所述预测时长内机场的温度信息,将获取到的各单位时间长度中的历史湿度信息作为当前时间起所述预测时长内机场的湿度信息。
在上述步骤(4)中,所述温度输入值,是将温度累加值归算到道面标识对应的道面的使用性能进行预测的遗传神经网络模型在训练时得到的关于温度的归一化区间后的数值。
所述湿度输入值,是将湿度累加值归算到道面标识对应的道面的使用性能进行预测的遗传神经网络模型在训练时得到的关于湿度的归一化区间后的数值。
所述作用次数输入值,是将作用次数累加值归算到道面标识对应的道面的使用性能进行预测的遗传神经网络模型在训练时得到的关于作用次数的归一化区间后的数值。
在上述步骤(5)中,将所述温度输入值、所述湿度输入值、以及所述作用次数输入值输入到查询出的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标的预测值的过程与现有任何遗传神经网络模型的处理数据的过程类似,是现有技术,这里不再赘述。
所述使用性能指标的预测值,包括:PCI的预测值、IRI的预测值、μ的预测值、以及ACN-PCN的预测值。
在得到所述使用性能指标的预测值后,本实施例提出的机场道面使用性能预测方法,还包括以下步骤(1)至步骤(7):
(1)获取使用性能指标预测值与评价等级的对应关系表,从所述对应关系表中查询出PCI的预测值、IRI的预测值、μ的预测值以及ACN-PCN的预测值分别对应的评价等级;其中,所述评价等级,包括:优、良、中、差以及最差;
(2)当所述PCI的预测值、所述IRI的预测值、所述μ的预测值以及所述ACN-PCN的预测值中的任一预测值对应的评价等级低于中时,确定当前时间起所述预测时长内所述道面标识对应道面的使用性能差,需要进行道面保养;
(3)当所述PCI的预测值、所述IRI的预测值、所述μ的预测值以及所述ACN-PCN的预测值分别对应的评价等级均不低于中且存在至少两个中时,获取当前时间采集到的所述道面标识对应道面的使用性能指标的第一测量值、上一次对所述道面标识对应道面的使用性能进行预测时采集到的所述道面标识对应道面的使用性能指标的第二测量值、以及对所述道面标识对应道面的使用性能进行上一次预测时的预测时间与当前时间之间的时间间隔长度;
(4)通过以下公式5计算第一使用性能降速值:
第一使用性能降速值=(第一测量值-第二测量值)/时间间隔长度(5);
(5)通过以下公式6计算第二使用性能降速值:
第二使用性能降速值=(预测值-第一测量值)/预测时长(6);
(6)当PCI、IRI、μ以及ACN-PCN中任一使用性能指标的第一使用性能降速值与第二使用性能降速值的差值小于0时,确定所述道面标识对应道面的使用性能变化快,需要排查并进行道面保养,并结束;
(7)当所述PCI的预测值、所述IRI的预测值、所述道面抗滑性指标摩擦力的预测值以及所述ACN-PCN的预测值分别对应的评价等级均不低于中且最多存在一个中时,确定当前时间起所述预测时长内所述道面标识对应道面的使用性能满足航班起降需求。
在上述步骤(1)中,使用性能指标预测值与评价等级的对应关系表存储在计算设备中。
在一个实施方式中,使用性能指标预测值与评价等级的对应关系表可以如下表2所示:
表2
通过表2可以看出,当PCI的预测值大于85时,说明PCI的预测值的评价等级是优。评价等级是优和良,说明道面标识对应的道面在当前时间起所述预测时长内的使用性能是满足航班起降需求的。
当ACN-PCN的预测值在1.0到1.05之间时,说明ACN-PCN的预测值的评价等级是中。评价等级是中,说明道面标识对应的道面在当前时间起所述预测时长内的使用性能是勉强满足航班起降需求的。如果PCI的预测值、IRI的预测值、μ的预测值以及ACN-PCN的预测值中有至少两个预测值对应的评价等级是中,那么就可以考虑是否需要对道面进行及时保养。
当IRI的预测值在6.0至8.0之间时,说明IRI的预测值的评价等级是差。评价等级是差和最差,说明道面标识对应的道面在当前时间起所述预测时长内的使用性能是不能满足航班起降需求的,需要尽快进行道面保养。
在上述步骤(3)中,所述使用性能指标的第一测量值,包括:PCI的第一测量值、IRI的第一测量值、μ的第一测量值和ACN-PCN的第一测量值。
PCI的第一测量值、IRI的第一测量值、μ的第一测量值和ACN-PCN的第一测量值均是根据道面巡检员在对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测前,最近一次在道面标识对应道面进行检查后采集到的参数计算得到的,具体过程是现有技术,这里不再赘述。
所述使用性能指标的第二测量值,包括:PCI的第二测量值、IRI的第二测量值、μ的第二测量值和ACN-PCN的第二测量值。
PCI的第二测量值、IRI的第二测量值、μ的第二测量值和ACN-PCN的第二测量值,均是根据道面巡检员在上一次对所述道面标识对应道面的使用性能进行预测前,在道面标识对应道面进行检查后采集到的参数计算得到的,具体过程是现有技术,这里不再赘述。
上一次对所述道面标识对应道面的使用性能进行预测,是指对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测的前一次对道面标识对应道面的使用性能的预测过程。
在上述步骤(4)和步骤(5)中,由于所述使用性能指标,包括:PCI、IRI、μ以及ACN-PCN。
当上述公式5和公式6中的第一测量值是PCI的第一测量值、第二测量值是PCI的第二测量值、且预测值是PCI的预测值时,第一使用性能降速值是PCI的第一使用性能降速值,第二使用性能降速值是PCI的第二使用性能降速值。
在得到PCI的第一使用性能降速值和PCI的第二使用性能降速值后,对PCI的第一使用性能降速值进行绝对值计算,得到PCI的第一使用性能降速值的绝对值,对PCI的第二使用性能降速值进行绝对值计算,得到PCI的第二使用性能降速值的绝对值。
然后,计算PCI的第一使用性能降速值的绝对值与PCI的第一使用性能降速值的绝对值的差值,将计算得到的差值作为PCI的第一使用性能降速值与第二使用性能降速值的差值。
当上述公式5和公式6中的第一测量值是IRI的第一测量值、第二测量值是IRI的第二测量值、且预测值是IRI的预测值时,第一使用性能降速值是IRI的第一使用性能降速值,第二使用性能降速值是IRI的第二使用性能降速值。
在得到IRI的第一使用性能降速值和IRI的第二使用性能降速值后,对IRI的第一使用性能降速值进行绝对值计算,得到IRI的第一使用性能降速值的绝对值,对IRI的第二使用性能降速值进行绝对值计算,得到IRI的第二使用性能降速值的绝对值。
然后,计算IRI的第一使用性能降速值的绝对值与IRI的第一使用性能降速值的绝对值的差值,将计算得到的差值作为IRI的第一使用性能降速值与第二使用性能降速值的差值。
当上述公式5和公式6中的第一测量值是μ的第一测量值、第二测量值是μ的第二测量值、且预测值是μ的预测值时,第一使用性能降速值是μ的第一使用性能降速值,第二使用性能降速值是μ的第二使用性能降速值。
在得到μ的第一使用性能降速值和μ的第二使用性能降速值后,对μ的第一使用性能降速值进行绝对值计算,得到μ的第一使用性能降速值的绝对值,对μ的第二使用性能降速值进行绝对值计算,得到μ的第二使用性能降速值的绝对值。
然后,计算μ的第一使用性能降速值的绝对值与μ的第一使用性能降速值的绝对值的差值,将计算得到的差值作为μ的第一使用性能降速值与第二使用性能降速值的差值。
当上述公式5和公式6中的第一测量值是ACN-PCN的第一测量值、第二测量值是ACN-PCN的第二测量值、且预测值是ACN-PCN的预测值时,第一使用性能降速值是ACN-PCN的第一使用性能降速值,第二使用性能降速值是ACN-PCN的第二使用性能降速值。
在得到ACN-PCN的第一使用性能降速值和ACN-PCN的第二使用性能降速值后,对ACN-PCN的第一使用性能降速值进行绝对值计算,得到ACN-PCN的第一使用性能降速值的绝对值,对ACN-PCN的第二使用性能降速值进行绝对值计算,得到ACN-PCN的第二使用性能降速值的绝对值。
然后,计算ACN-PCN的第一使用性能降速值的绝对值与ACN-PCN的第一使用性能降速值的绝对值的差值,将计算得到的差值作为ACN-PCN的第一使用性能降速值与第二使用性能降速值的差值。
通过以上的步骤(1)至步骤(8)描述的内容可以看出,可以根据使用性能指标的预测值、第一测量值以及第二测量值,对当前时间起所述预测时长内所述道面标识对应道面的使用性能是否满足航班起降的需求进行分析,并在所述道面标识对应道面的使用性能不能满足航班起降的需求时,提示机场尽快对道面标识对应道面进行养护,操作简单方便。
综上所述,本实施例提出的一种机场道面使用性能预测方法,获取到当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息后,基于航班信息中的飞机型号和航班数量计算得到道面标识对应道面上作用次数,然后将计算得到的作用次数、以及当前时间起预测时长内机场的温度信息和湿度信息输入到道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起预测时长内道面标识对应道面的使用性能进行预测,与相关技术中道面巡检员主观对道面的使用性能进行预测的方式相比,整个机场道面使用性能预测的过程无需人为预测,提高了道面使用性能预测的准确性;而且,在预测过程中使用到了道面上作用次数以及温度信息和湿度信息,从而在不相关的作用次数因素以及温湿度因素的相互作用下,使得当前时间起预测时长内道面标识对应道面的使用性能进行预测得到的预测结果更符合使用性能的实际发展趋势,进一步提高了使用性能预测的准确性。
实施例2
本实施例提出一种机场道面使用性能预测装置,用于执行上述实施例1提出的机场道面使用性能预测方法。
参见图2所示的一种机场道面使用性能预测装置的结构示意图,本实施例提出一种机场道面使用性能预测装置,包括:
第一获取模块200,用于获取需要进行性能预测的道面标识和预测时长;
第二获取模块202,用于获取当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息;所述航班信息,包括:飞机型号和航班数量;
计算模块204,用于基于所述飞机型号和所述航班数量计算得到所述道面标识对应道面上作用次数;
预测模块206,用于获取当前时间起所述预测时长内机场的温度信息和湿度信息,并将所述温度信息、所述湿度信息、以及计算得到的所述作用次数输入到对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标预测值。
所述作用次数,包括:分别在当前时间起所述预测时长内的各单位时间长度中的子作用次数。
所述预测模块206,具体用于:
获取机场从当前时间起的所述预测时长内各单位时间长度中的历史温度信息和历史湿度信息,将获取到的各单位时间长度中的历史温度信息作为当前时间起所述预测时长内机场的温度信息,将获取到的各单位时间长度中的历史湿度信息作为当前时间起所述预测时长内机场的湿度信息;
将各单位时间长度中的历史温度信息进行累加计算,得到温度累加值,将各单位时间长度中的历史湿度信息进行累加计算,得到湿度累加值,将各单位时间长度中的子作用次数进行累加计算,得到作用次数累加值;
查询出对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型;
将所述温度累加值进行归一化处理,得到温度输入值,将所述湿度累加值进行归一化处理,得到湿度输入值,将所述作用次数累加值进行归一化处理,得到作用次数输入值;
将所述温度输入值、所述湿度输入值、以及所述作用次数输入值输入到查询出的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标的预测值。
所述使用性能指标的预测值,包括:道面状况指标PCI的预测值、国际平整度指标IRI的预测值、道面抗滑性指标摩擦力μ的预测值、以及道面承载力ACN-PCN的预测值。
进一步地,所述机场道面使用性能预测装置,还包括:
第三获取模块,用于获取使用性能指标预测值与评价等级的对应关系表,从所述对应关系表中查询出PCI的预测值、IRI的预测值、μ的预测值以及ACN-PCN的预测值分别对应的评价等级;其中,所述评价等级,包括:优、良、中、差以及最差;
确定模块,用于当所述PCI的预测值、所述IRI的预测值、所述μ的预测值以及所述ACN-PCN的预测值中的任一预测值对应的评价等级低于中时,确定当前时间起所述预测时长内所述道面标识对应道面的使用性能差,需要进行道面保养。
进一步地,所述机场道面使用性能预测装置,还包括:
第四获取模块,用于当所述PCI的预测值、所述IRI的预测值、所述μ的预测值以及所述ACN-PCN的预测值分别对应的评价等级均不低于中且存在至少两个中时,获取当前时间采集到的所述道面标识对应道面的使用性能指标的第一测量值、上一次对所述道面标识对应道面的使用性能进行预测时采集到的所述道面标识对应道面的使用性能指标的第二测量值、以及对所述道面标识对应道面的使用性能进行上一次预测时的预测时间与当前时间之间的时间间隔长度;
第二计算模块,用于通过以下公式计算第一使用性能降速值:
第一使用性能降速值=(第一测量值-第二测量值)/时间间隔长度;
第三计算模块,用于通过以下公式计算第二使用性能降速值:
第二使用性能降速值=(预测值-第一测量值)/预测时长;
第二确定模块,用于当PCI、IRI、μ以及ACN-PCN中任一使用性能指标的第一使用性能降速值与第二使用性能降速值的差值小于0时,确定所述道面标识对应道面的使用性能下降快,需要排查并进行道面保养。
综上所述,本实施例提出的一种机场道面使用性能预测装置,获取到当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息后,基于航班信息中的飞机型号和航班数量计算得到道面标识对应道面上作用次数,然后将计算得到的作用次数、以及当前时间起预测时长内机场的温度信息和湿度信息输入到道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起预测时长内道面标识对应道面的使用性能进行预测,与相关技术中道面巡检员主观对道面的使用性能进行预测的方式相比,整个机场道面使用性能预测的过程无需人为预测,提高了道面使用性能预测的准确性;而且,在预测过程中使用到了道面上作用次数以及温度信息和湿度信息,从而在不相关的作用次数因素以及温湿度因素的相互作用下,使得当前时间起预测时长内道面标识对应道面的使用性能进行预测得到的预测结果更符合使用性能的实际发展趋势,进一步提高了使用性能预测的准确性。
实施例3
本实施例提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述实施例1描述的机场道面使用性能预测方法的步骤。具体实现可参见方法实施例1,在此不再赘述。
此外,参见图3所示的一种电子设备的结构示意图,本实施例还提出一种电子设备,上述电子设备包括总线51、处理器52、收发机53、总线接口54、存储器55和用户接口56。上述电子设备包括有存储器55。
本实施例中,上述电子设备还包括:存储在存储器55上并可在处理器52上运行的一个或者一个以上的程序,经配置以由上述处理器执行上述一个或者一个以上程序用于进行以下步骤(1)至步骤(4):
(1)获取需要进行性能预测的道面标识和预测时长;
(2)获取当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息;所述航班信息,包括:飞机型号和航班数量;
(3)基于所述飞机型号和所述航班数量计算得到所述道面标识对应道面上作用次数;
(4)获取当前时间起所述预测时长内机场的温度信息和湿度信息,并将所述温度信息、所述湿度信息、以及计算得到的所述作用次数输入到对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标预测值。
收发机53,用于在处理器52的控制下接收和发送数据。
在图3中,总线架构(用总线51来代表),总线51可以包括任意数量的互联的总线和桥,总线51将包括由通用处理器52代表的一个或多个处理器和存储器55代表的存储器的各种电路链接在一起。总线51还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本实施例不再对其进行进一步描述。总线接口54在总线51和收发机53之间提供接口。收发机53可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发机53从其他设备接收外部数据。收发机53用于将处理器52处理后的数据发送给其他设备。取决于计算系统的性质,还可以提供用户接口56,例如小键盘、显示器、扬声器、麦克风、操纵杆。
处理器52负责管理总线51和通常的处理,如前述上述运行通用操作系统。而存储器55可以被用于存储处理器52在执行操作时所使用的数据。
可选的,处理器52可以是但不限于:中央处理器、单片机、微处理器或者可编程逻辑器件。
可以理解,本发明实施例中的存储器55可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本实施例描述的系统和方法的存储器55旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器55存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统551和应用程序552。
其中,操作系统551,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序552,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序552中。
综上所述,本实施例提出的一种计算机可读存储介质和电子设备,获取到当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息后,基于航班信息中的飞机型号和航班数量计算得到道面标识对应道面上作用次数,然后将计算得到的作用次数、以及当前时间起预测时长内机场的温度信息和湿度信息输入到道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起预测时长内道面标识对应道面的使用性能进行预测,与相关技术中道面巡检员主观对道面的使用性能进行预测的方式相比,整个机场道面使用性能预测的过程无需人为预测,提高了道面使用性能预测的准确性;而且,在预测过程中使用到了道面上作用次数以及温度信息和湿度信息,从而在不相关的作用次数因素以及温湿度因素的相互作用下,使得当前时间起预测时长内道面标识对应道面的使用性能进行预测得到的预测结果更符合使用性能的实际发展趋势,进一步提高了使用性能预测的准确性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种机场道面使用性能预测方法,其特征在于,包括:
获取需要进行性能预测的道面标识和预测时长;
获取当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息;所述航班信息,包括:飞机型号和航班数量;
基于所述飞机型号和所述航班数量计算得到所述道面标识对应道面上作用次数;
获取当前时间起所述预测时长内机场的温度信息和湿度信息,并将所述温度信息、所述湿度信息、以及计算得到的所述作用次数输入到对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标预测值。
2.根据权利要求1所述的方法,其特征在于,所述作用次数,包括:分别在当前时间起所述预测时长内的各单位时间长度中的子作用次数;
获取当前时间起所述预测时长内机场的温度信息和湿度信息,并将所述温度信息、所述湿度信息、以及计算得到的所述作用次数输入到对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,包括:
获取机场从当前时间起的所述预测时长内各单位时间长度中的历史温度信息和历史湿度信息,将获取到的各单位时间长度中的历史温度信息作为当前时间起所述预测时长内机场的温度信息,将获取到的各单位时间长度中的历史湿度信息作为当前时间起所述预测时长内机场的湿度信息;
将各单位时间长度中的历史温度信息进行累加计算,得到温度累加值,将各单位时间长度中的历史湿度信息进行累加计算,得到湿度累加值,将各单位时间长度中的子作用次数进行累加计算,得到作用次数累加值;
查询出对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型;
将所述温度累加值进行归一化处理,得到温度输入值,将所述湿度累加值进行归一化处理,得到湿度输入值,将所述作用次数累加值进行归一化处理,得到作用次数输入值;
将所述温度输入值、所述湿度输入值、以及所述作用次数输入值输入到查询出的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标的预测值。
3.根据权利要求1所述的方法,其特征在于,所述使用性能指标的预测值,包括:道面状况指标PCI的预测值、国际平整度指标IRI的预测值、道面抗滑性指标摩擦力μ的预测值、以及道面承载力ACN-PCN的预测值;
所述方法,还包括:
获取使用性能指标预测值与评价等级的对应关系表,从所述对应关系表中查询出PCI的预测值、IRI的预测值、μ的预测值以及ACN-PCN的预测值分别对应的评价等级;其中,所述评价等级,包括:优、良、中、差以及最差;
当所述PCI的预测值、所述IRI的预测值、所述μ的预测值以及所述ACN-PCN的预测值中的任一预测值对应的评价等级低于中时,确定当前时间起所述预测时长内所述道面标识对应道面的使用性能差,需要进行道面保养。
4.根据权利要求3所述的方法,其特征在于,还包括:
当所述PCI的预测值、所述IRI的预测值、所述μ的预测值以及所述ACN-PCN的预测值分别对应的评价等级均不低于中且存在至少两个中时,获取当前时间采集到的所述道面标识对应道面的使用性能指标的第一测量值、上一次对所述道面标识对应道面的使用性能进行预测时采集到的所述道面标识对应道面的使用性能指标的第二测量值、以及对所述道面标识对应道面的使用性能进行上一次预测时的预测时间与当前时间之间的时间间隔长度;
通过以下公式计算第一使用性能降速值:
第一使用性能降速值=(第一测量值-第二测量值)/时间间隔长度;
通过以下公式计算第二使用性能降速值:
第二使用性能降速值=(预测值-第一测量值)/预测时长;
当PCI、IRI、μ以及ACN-PCN中任一使用性能指标的第一使用性能降速值与第二使用性能降速值的差值小于0时,确定所述道面标识对应道面的使用性能下降快,需要排查并进行道面保养。
5.一种机场道面使用性能预测装置,其特征在于,包括:
第一获取模块,用于获取需要进行性能预测的道面标识和预测时长;
第二获取模块,用于获取当前时间起所述预测时长内所述道面标识对应道面上起降的航班的航班信息;所述航班信息,包括:飞机型号和航班数量;
计算模块,用于基于所述飞机型号和所述航班数量计算得到所述道面标识对应道面上作用次数;
预测模块,用于获取当前时间起所述预测时长内机场的温度信息和湿度信息,并将所述温度信息、所述湿度信息、以及计算得到的所述作用次数输入到对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标预测值。
6.根据权利要求5所述的装置,其特征在于,所述作用次数,包括:分别在当前时间起所述预测时长内的各单位时间长度中的子作用次数;
所述预测模块,具体用于:
获取机场从当前时间起的所述预测时长内各单位时间长度中的历史温度信息和历史湿度信息,将获取到的各单位时间长度中的历史温度信息作为当前时间起所述预测时长内机场的温度信息,将获取到的各单位时间长度中的历史湿度信息作为当前时间起所述预测时长内机场的湿度信息;
将各单位时间长度中的历史温度信息进行累加计算,得到温度累加值,将各单位时间长度中的历史湿度信息进行累加计算,得到湿度累加值,将各单位时间长度中的子作用次数进行累加计算,得到作用次数累加值;
查询出对所述道面标识对应道面的使用性能进行预测的遗传神经网络模型;
将所述温度累加值进行归一化处理,得到温度输入值,将所述湿度累加值进行归一化处理,得到湿度输入值,将所述作用次数累加值进行归一化处理,得到作用次数输入值;
将所述温度输入值、所述湿度输入值、以及所述作用次数输入值输入到查询出的遗传神经网络模型中,对当前时间起所述预测时长内所述道面标识对应道面的使用性能进行预测,得到当前时间起所述预测时长内所述道面标识对应道面的使用性能指标的预测值。
7.根据权利要求5所述的装置,其特征在于,所述使用性能指标的预测值,包括:道面状况指标PCI的预测值、国际平整度指标IRI的预测值、道面抗滑性指标摩擦力μ的预测值、以及道面承载力ACN-PCN的预测值;
所述装置,还包括:
第三获取模块,用于获取使用性能指标预测值与评价等级的对应关系表,从所述对应关系表中查询出PCI的预测值、IRI的预测值、μ的预测值以及ACN-PCN的预测值分别对应的评价等级;其中,所述评价等级,包括:优、良、中、差以及最差;
确定模块,用于当所述PCI的预测值、所述IRI的预测值、所述μ的预测值以及所述ACN-PCN的预测值中的任一预测值对应的评价等级低于中时,确定当前时间起所述预测时长内所述道面标识对应道面的使用性能差,需要进行道面保养。
8.根据权利要求7所述的装置,其特征在于,还包括:
第四获取模块,用于当所述PCI的预测值、所述IRI的预测值、所述μ的预测值以及所述ACN-PCN的预测值分别对应的评价等级均不低于中且存在至少两个中时,获取当前时间采集到的所述道面标识对应道面的使用性能指标的第一测量值、上一次对所述道面标识对应道面的使用性能进行预测时采集到的所述道面标识对应道面的使用性能指标的第二测量值、以及对所述道面标识对应道面的使用性能进行上一次预测时的预测时间与当前时间之间的时间间隔长度;
第二计算模块,用于通过以下公式计算第一使用性能降速值:
第一使用性能降速值=(第一测量值-第二测量值)/时间间隔长度;
第三计算模块,用于通过以下公式计算第二使用性能降速值:
第二使用性能降速值=(预测值-第一测量值)/预测时长;
第二确定模块,用于当PCI、IRI、μ以及ACN-PCN中任一使用性能指标的第一使用性能降速值与第二使用性能降速值的差值小于0时,确定所述道面标识对应道面的使用性能下降快,需要排查并进行道面保养。
9.一种计算机可读存储介质,所述计算机可读存储介质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运行时执行上述权利要求1-4任一项所述的方法的步骤。
10.一种电子设备,其特征在于,所述电子设备包括有存储器,处理器以及一个或者一个以上的程序,其中所述一个或者一个以上程序存储于所述存储器中,且经配置以由所述处理器执行权利要求1-4任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010714253.0A CN111832834B (zh) | 2020-07-20 | 2020-07-20 | 一种机场道面使用性能预测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010714253.0A CN111832834B (zh) | 2020-07-20 | 2020-07-20 | 一种机场道面使用性能预测方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832834A true CN111832834A (zh) | 2020-10-27 |
CN111832834B CN111832834B (zh) | 2023-11-24 |
Family
ID=72924949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010714253.0A Active CN111832834B (zh) | 2020-07-20 | 2020-07-20 | 一种机场道面使用性能预测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832834B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557506A (zh) * | 2020-11-27 | 2021-03-26 | 上海华东民航机场建设监理有限公司 | 采用无人机监理道面特征的方法、系统、终端和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060085236A1 (en) * | 1999-03-05 | 2006-04-20 | Smith Alexander E | Automated management of airport revenues |
US20080140278A1 (en) * | 1995-06-07 | 2008-06-12 | Automotive Technologies International, Inc. | Vehicle Software Upgrade Techniques |
CN102239087A (zh) * | 2008-11-25 | 2011-11-09 | 以色列宇航工业有限公司 | 无牵引杆飞机拖车 |
US20190078274A1 (en) * | 2017-07-25 | 2019-03-14 | John S. Mcneeely | Method for airfield assessments and predictive maintenance |
CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
US20190265703A1 (en) * | 2018-02-26 | 2019-08-29 | Nvidia Corporation | Systems and methods for computer-assisted shuttles, buses, robo-taxis, ride-sharing and on-demand vehicles with situational awareness |
CN111191803A (zh) * | 2020-03-21 | 2020-05-22 | 中设设计集团北京民航设计研究院有限公司 | 一种用于机场飞行区道面信息化管理平台系统 |
-
2020
- 2020-07-20 CN CN202010714253.0A patent/CN111832834B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080140278A1 (en) * | 1995-06-07 | 2008-06-12 | Automotive Technologies International, Inc. | Vehicle Software Upgrade Techniques |
US20060085236A1 (en) * | 1999-03-05 | 2006-04-20 | Smith Alexander E | Automated management of airport revenues |
CN102239087A (zh) * | 2008-11-25 | 2011-11-09 | 以色列宇航工业有限公司 | 无牵引杆飞机拖车 |
CN103538731A (zh) * | 2008-11-25 | 2014-01-29 | 以色列宇航工业有限公司 | 无牵引杆飞机拖车 |
US20190078274A1 (en) * | 2017-07-25 | 2019-03-14 | John S. Mcneeely | Method for airfield assessments and predictive maintenance |
US20190265703A1 (en) * | 2018-02-26 | 2019-08-29 | Nvidia Corporation | Systems and methods for computer-assisted shuttles, buses, robo-taxis, ride-sharing and on-demand vehicles with situational awareness |
CN109993223A (zh) * | 2019-03-26 | 2019-07-09 | 南京道润交通科技有限公司 | 路面使用性能预测方法、存储介质、电子设备 |
CN111191803A (zh) * | 2020-03-21 | 2020-05-22 | 中设设计集团北京民航设计研究院有限公司 | 一种用于机场飞行区道面信息化管理平台系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557506A (zh) * | 2020-11-27 | 2021-03-26 | 上海华东民航机场建设监理有限公司 | 采用无人机监理道面特征的方法、系统、终端和存储介质 |
CN112557506B (zh) * | 2020-11-27 | 2024-04-26 | 上海华东民航机场建设监理有限公司 | 采用无人机监理道面特征的方法、系统、终端和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111832834B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376003B (zh) | 基于bim的智能列车整车服役寿命预测方法及其系统 | |
JP6313929B2 (ja) | 構造物を監視するための方法及びシステム | |
CN112819207B (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
CN111950627B (zh) | 一种多源信息融合方法及其应用 | |
Iyyer et al. | Aircraft life management using crack initiation and crack growth models–P-3C Aircraft experience | |
CN107403325B (zh) | 机票订单可信度评价方法和装置 | |
CN107958268A (zh) | 一种数据模型的训练方法及装置 | |
Barua et al. | A gradient boosting approach to understanding airport runway and taxiway pavement deterioration | |
CA2487704A1 (en) | Method and system for health monitoring of aircraft landing gear | |
Calle-Alonso et al. | A Bayesian-network-based approach to risk analysis in runway excursions | |
Pai et al. | Comparing structural identification methodologies for fatigue life prediction of a highway bridge | |
Elbagalati et al. | Development of an enhanced decision-making tool for pavement management using a neural network pattern-recognition algorithm | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
US20150106313A1 (en) | Predictive modeling of high-bypass turbofan engine deterioration | |
CN116451514A (zh) | 桥梁结构状态评估方法、装置以及电子设备 | |
CN106779222A (zh) | 机场地面等待时间预测方法及装置 | |
EP3721197B1 (en) | Estimating fatigue damage in a structure | |
CN111832834B (zh) | 一种机场道面使用性能预测方法、装置和电子设备 | |
CN111985119B (zh) | 基于HarmonySE和CBAM的架构权衡分析方法 | |
CN112231641A (zh) | 一种基于气象数据的能见度估计方法 | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
CN114363004B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
Robinson et al. | Distress prediction models for rigid pavements for Texas pavement management information system | |
CN115048290A (zh) | 软件质量的评估方法、装置、存储介质及计算机设备 | |
Shu et al. | Large-scale evaluation of pavement performance models utilizing automated pavement condition survey data |
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 |