CN112182885A - 一种基于高斯混合模型的燃油消耗偏差预测方法及系统 - Google Patents

一种基于高斯混合模型的燃油消耗偏差预测方法及系统 Download PDF

Info

Publication number
CN112182885A
CN112182885A CN202011050994.XA CN202011050994A CN112182885A CN 112182885 A CN112182885 A CN 112182885A CN 202011050994 A CN202011050994 A CN 202011050994A CN 112182885 A CN112182885 A CN 112182885A
Authority
CN
China
Prior art keywords
fuel consumption
consumption deviation
fuel
gaussian mixture
probability density
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
Application number
CN202011050994.XA
Other languages
English (en)
Inventor
钱宇
杨军利
向小军
周泽友
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Civil Aviation Flight University of China
Original Assignee
Civil Aviation Flight University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Civil Aviation Flight University of China filed Critical Civil Aviation Flight University of China
Priority to CN202011050994.XA priority Critical patent/CN112182885A/zh
Publication of CN112182885A publication Critical patent/CN112182885A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于高斯混合模型的燃油消耗偏差预测方法及系统，其中方法，包括以下步骤：S1:获取燃油消耗偏差数据；S2:将所述燃油消耗偏差数据通过高斯混合模型进行拟合，获得所述燃油消耗偏差数据的概率密度分布函数；S3:输入待预测燃油偏差数据，根据所述概率密度函数获得所述待预测燃油消耗偏差的概率。通过将燃油消耗偏差数据代入高斯混合模型进行拟合，获得燃油消耗偏差数据的概率密度分布函数，再通过概率密度函数获得待预测燃油消耗偏差的概率，或者输入特定的概率获得预测的燃油消耗偏差值，为飞机燃油携带量提供参考，支撑燃油政策优化。

Description

一种基于高斯混合模型的燃油消耗偏差预测方法及系统
技术领域
本发明涉及航空技术领域，尤其涉及一种基于高斯混合模型的燃油消耗偏差预测方法及系统。
背景技术
民航运输的航空燃油消耗是其主要直接运行成本之一。在其能源消耗结构中，飞机燃油消耗量约占94％，航空公司属于“能源依赖型企业”，公司节油是民航节能减排的重点领域。在保证民航安全的前提下，减少飞机运行时燃油携带量、增加商载，可以减少“油烧油”现象的发生，降低航空公司运营成本，增加收益，提升航空公司竞争力。飞机运行时所需要携带的燃油量由民航运行规章和公司的运行规范共同确定。为了更好地符合国际民航公约的要求，鼓励航空公司在保证安全的前提下提高运行效率，2017年9月颁布的《大型飞机公共航空运输承运人运行合格审定规则》第五次修订版(CCAR-121R5)对燃油政策进行了修改。更新后的121部统一了国际和国内运行的燃油要求，并为航空公司实施燃油政策优化提供了规章支持。
利用运行数据支持燃油政策优化是该领域的研究重点。掌握运行数据的分布规律对研究该运行数据的相关性质以及对后续燃油政策优化具有重大意义。概率密度函数是描述一个随机变量的输出值，掌握该运行数据的概率密度函数，可通过概率密度函数获得具有参考意义的预测值，进而为飞机燃油携带量等数据提供参考依据。
在现有技术中，通过单一高斯模型对燃油运行数据进行拟合，其拟合效果差，不能充分反映燃油运行数据的分布特性，通过此方法获得的预测值并不能为飞机燃油携带量提供参考，也不能为燃油政策优化提供支撑。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，一种基于高斯混合模型的燃油消耗偏差预测方法及系统，有效解决现有技术中不能为飞机燃油携带量提供参考，也不能为燃油政策优化提供支撑的问题。
本发明解决上述技术问题的技术方案如下：一种基于高斯混合模型的燃油消耗偏差预测方法，包括以下步骤：
S1:获取燃油消耗偏差数据；
S2:将所述燃油消耗偏差数据通过高斯混合模型进行拟合，获得所述燃油消耗偏差数据的概率密度分布函数；
S3:输入待预测燃油偏差数据，根据所述概率密度函数获得所述待预测燃油消耗偏差的概率。
本发明的有益效果是，通过将燃油消耗偏差数据代入高斯混合模型进行拟合，获得燃油消耗偏差数据的概率密度分布函数，再通过概率密度函数获得待预测燃油消耗偏差的概率，或者输入特定的概率获得预测的燃油消耗偏差值，为飞机燃油携带量提供参考，支撑燃油政策优化。
进一步，所述S1中燃油消耗偏差数据的计算方式为：
Figure BDA0002709542990000021
其中，FA是实际航程燃油，FP是计划航程燃油。
采用上述进一步方案的有益效果是，当燃油消耗偏差Δ<0时，表示航班计划燃油消耗量大于实际燃油消耗量；当燃油消耗偏差Δ>0时，表示航班计划燃油消耗量小于实际燃油消耗量，即携带的燃油有富裕。
进一步，所述S2中高斯混合模型的表达式为:
Figure BDA0002709542990000022
其中aj是权值因子,
Figure BDA0002709542990000023
Nj(xi；uj；∑j)表示第j个高斯分布的概率密度函数，
Figure BDA0002709542990000024
Figure BDA0002709542990000025
其中，m是向量的维数，∑j是模型方差。
采用上述进一步方案的有益效果是，由于高斯混合模型是多个高斯分布函数的线性叠加，每个高斯分布的概率密度函数均有各自的uj、σj，只要j取得足够大，高斯混合模型就可以基于最大期望算法来拟合任意连续的概率密度分布。
进一步，所述S2的具体过程为：
S201:输入所述燃油消耗偏差数据，分别使用不同阶次的高斯混合模型进行拟合；
S202:采用拟合效果最好的高斯混合模型作为所述燃油消耗偏差数据的概率密度分布函数。
采用上述进一步方案的有益效果是，采用拟合效果最好的高斯混合模型作为所述燃油消耗偏差数据的概率密度，可以充分反映所述燃油消耗偏差的特性，为后续燃油政策优化提供支撑。
进一步，所述拟合效果的判断指标包括，残差平方和、校正决定系数、决定系数、残差平方和、RMSE中的一种或多种。
一种基于高斯混合模型的燃油消耗偏差预测系统，包括数据获取模块、模型建立模块和预测模块；
所述数据获取模块用于获取燃油消耗偏差数据并发送至所述模型建立模块；
所述模型建立模块用于将所述燃油消耗偏差数据通过高斯混合模型进行拟合，获得所述燃油消耗偏差数据的概率密度分布函数；
所述预测模块用于接收输入的待预测燃油偏差数据，根据所述概率密度函数获得所述待预测燃油消耗偏差的概率。
本发明的有益效果是，通过将燃油消耗偏差数据代入高斯混合模型进行拟合，获得燃油消耗偏差数据的概率密度分布函数，再通过概率密度函数获得待预测燃油消耗偏差的概率，或者输入特定的概率获得预测的燃油消耗偏差值，为飞机燃油携带量提供参考，支撑燃油政策优化。
进一步，所述燃油消耗偏差数据的计算方式为：
Figure BDA0002709542990000041
其中，FA是实际航程燃油，FP是计划航程燃油。
采用上述进一步方案的有益效果是，当燃油消耗偏差Δ<0时，表示航班计划燃油消耗量大于实际燃油消耗量；当燃油消耗偏差Δ>0时，表示航班计划燃油消耗量小于实际燃油消耗量，即携带的燃油有富裕。
进一步，所述高斯混合模型的表达式为：
Figure BDA0002709542990000042
其中aj是权值因子,
Figure BDA0002709542990000043
Nj(xi；uj；∑j)表示第j个高斯分布的概率密度函数，
Figure BDA0002709542990000044
Figure BDA0002709542990000045
其中，m是向量的维数，∑j是模型方差。
采用上述进一步方案的有益效果是，由于高斯混合模型是多个高斯分布函数的线性叠加，每个高斯分布的概率密度函数均有各自的uj、σj，只要j取得足够大，高斯混合模型就可以基于最大期望算法来拟合任意连续的概率密度分布。
进一步，所述模型建立模块获得概率密度分布函数的具体过程为：
输入所述燃油消耗偏差数据，分别使用不同阶次的高斯混合模型进行拟合；
采用拟合效果最好的高斯混合模型作为所述燃油消耗偏差数据的概率密度分布函数。
采用上述进一步方案的有益效果是，采用拟合效果最好的高斯混合模型作为所述燃油消耗偏差数据的概率密度，可以充分反映所述燃油消耗偏差的特性，为后续燃油政策优化提供支撑。
进一步，所述模型建立模块的拟合效果的判断指标包括，残差平方和、校正决定系数、决定系数、残差平方和、RMSE中的一种或多种。
附图说明
图1为本发明一种基于高斯混合模型的燃油消耗偏差预测方法的流程图；
图2为本发明实施例中采用单一高斯混合模型的拟合图；
图3为本发明采用六阶高斯混合模型的拟合图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
参照图1，一种基于高斯混合模型的燃油消耗偏差预测方法，包括以下步骤：
S1:获取燃油消耗偏差数据；
S2:将所述燃油消耗偏差数据通过高斯混合模型进行拟合，获得所述燃油消耗偏差数据的概率密度分布函数；
S3:输入待预测燃油偏差数据，根据所述概率密度函数获得所述待预测燃油消耗偏差的概率。
通过将燃油消耗偏差数据代入高斯混合模型进行拟合，获得燃油消耗偏差数据的概率密度分布函数，再通过概率密度函数获得待预测燃油消耗偏差的概率，或者输入特定的概率获得预测的燃油消耗偏差值，为飞机燃油携带量提供参考，支撑燃油政策优化。
所述S1中燃油消耗偏差数据的计算方式为：
Figure BDA0002709542990000051
其中，FA是实际航程燃油，FP是计划航程燃油。
当燃油消耗偏差Δ<0时，表示航班计划燃油消耗量大于实际燃油消耗量；当燃油消耗偏差Δ>0时，表示航班计划燃油消耗量小于实际燃油消耗量，即携带的燃油有富裕。
所述S2中高斯混合模型的表达式为:
Figure BDA0002709542990000061
其中aj是权值因子,
Figure BDA0002709542990000062
Nj(xi；uj；∑j)表示第j个高斯分布的概率密度函数，
Figure BDA0002709542990000063
Figure BDA0002709542990000064
其中，m是向量的维数，∑j是模型方差。
由于高斯混合模型是多个高斯分布函数的线性叠加，每个高斯分布的概率密度函数均有各自的uj、σj，只要j取得足够大，高斯混合模型就可以基于最大期望算法来拟合任意连续的概率密度分布。
所述S2的具体过程为：
S201:输入所述燃油消耗偏差数据，分别使用不同阶次的高斯混合模型进行拟合；
S202:采用拟合效果最好的高斯混合模型作为所述燃油消耗偏差数据的概率密度分布函数。
采用拟合效果最好的高斯混合模型作为所述燃油消耗偏差数据的概率密度，可以充分反映所述燃油消耗偏差的特性，为后续燃油政策优化提供支撑。
单一高斯模型：
对于一维随机变量x，假设其分布近似椭球状，则其高斯分布表达式定义如下：
Figure BDA0002709542990000065
式中，μ为均值，σ为标准差；而对于D维的向量x的高斯概率密度函数表达式定义如下：
Figure BDA0002709542990000066
式中，μ是模型期望，通常用样本均值来代替，Σ是模型方差，通常用样本方差来代替。μ、Σ决定了密度函数的特性，如函数形状的宽窄、中心点、走向等特征信息。
假设样本数据满足以上高斯分布模型，将x＝xi代入可得到其概率密度为f(xi；μ,Σ)。假设xi,(i＝1...n)，之间为互相独立事件，则X＝{x1，x2，...，xn}的概率密度函数如下：
Figure BDA0002709542990000071
利用最佳可能性估测法(MLE)，可以求得最佳参数μ和Σ如下：
Figure BDA0002709542990000072
Figure BDA0002709542990000073
单一高斯分布模型在二维空间近似于椭圆，在三维空间中近似于椭球。但是在很多分类问题中，即使属于同一类别的样本点，有时也并不满足“椭圆”分布的特性，无法用答疑高斯分布模型进行求解。
在本实施例中，采用自2017年1月至2017年12月A330机型从北京首都国际机场飞往成都双流国际机场的1350条航班的运行数据为例，通过计算燃油消耗偏差，采用现有技术中的单一高斯模型对燃油运行数据进行拟合，得到的拟合效果图如图2。概率密度函数f(x)表达式如下：
Figure BDA0002709542990000074
式中，a＝98.6(88.25,109)b＝-0.4302(-0.4367,-0.4237)c＝0.07559(0.06641,0.08478)。
高斯混合模型：
假设样本数据点都是独立同分布的，该分布是由几个高斯核函数的线性叠加组成。高斯混合模型的表达式为:
Figure BDA0002709542990000075
其中aj是权值因子,
Figure BDA0002709542990000076
Nj(xi；uj；∑j)表示第j个高斯分布的概率密度函数，
Figure BDA0002709542990000077
Figure BDA0002709542990000078
其中，m是向量的维数，∑j是模型方差。
高斯混合模型是一种聚类算法，每一个高斯分布都具有各自的μj,∑j，而其中任意一个高斯分布Nj(xi；uj；∑j)均可视为高斯混合模型中的一个成员，每个成员就是一个聚类中心。只要j取得足够大，高斯混合模型就可以基于最大期望算法来拟合任意连续的概率密度分布。
所述S202中对不同阶次的高斯混合模型的拟合效果进行判断的指标包括，残差平方和、校正决定系数、决定系数、残差平方和、RMSE中的一种或多种。
在用不同模型对不同数据的概率密度分布进行拟合时，需要对拟合效果进行判断。残差平方和(SumofSquaresforError，SSE)表示拟合数据和原始数据对应点的误差平方和，它反映了每个样本各观测值的离散状况。计算公式如下：
Figure BDA0002709542990000081
式中，
Figure BDA0002709542990000082
为一个水平下的分布函数模型中对应的函数值；yi为该水平下样本的真实值。随着样本数量的增加，SSE值也必然增大，但在同样的数据集下，SSE值越小，表示分布函数模型的拟合效果越好。
均方根误差(RootMeanSquareError，RMSE)，也称为回归系统的拟合标准差，其计算公式如下：
Figure BDA0002709542990000083
同样，式中
Figure BDA0002709542990000084
为一个水平下的分布函数模型中对应的函数值；yi为该水平下样本的真实值。RMSE与SSE都是从误差角度来反映拟合效果，因此RMSE的值越小，表示分布函数模型的拟合效果越好。
决定系数(CoefficientofDetermination)，是一个通过数据的变化来表征拟合优劣的统计量，定义R_square来表示决定系数，计算公式如下：
Figure BDA0002709542990000091
式中，SSR表示拟合预测数据与原始数据均值
Figure BDA0002709542990000092
之差的平方和；SST表示样本值和均值
Figure BDA0002709542990000093
之差的平方和。R_square的取值范围为[0,1]，若值越接近1，则表明方程的变量对样本的解释能力越强，即所使用的模型对数据拟合的也越好。
校正决定系数(AdjustedCoefficientofDetermination)，考虑自变量个数的影响，可将不同维数数据序列的决定系数进行归一处理，消除数据维度和参数数量的影响，从而达到比较的公平性。定义AdjR_sq来表示校正决定系数，计算公式如下：
Figure BDA0002709542990000094
式中，n为数据的维数，p为模型中的参数数量；AdjR_sq的取值范围为[0,1]。
在本实施例中，选取上述RMSE和AdjR_sq两个判断指标来定量比较单一高斯模型和高斯混合模型对燃油消耗偏差的拟合效果。
单一高斯模型的判断指标RMSE和AdjR_sq分别为12.9606和0.8819。为对比高斯混合模型与单一高斯模型拟合效果差异，分别采用不同阶次高斯混合模型来对燃油消耗偏差进行拟合，拟合结果见表1。
表1不同阶次高斯混合模型拟合判断指标
Figure BDA0002709542990000095
通过上表可以发现，针对此组燃油消耗偏差数据采用六阶高斯混合模型拟合可以更好的拟合得到其概率度分布特性。此时，概率密度函数
Figure BDA0002709542990000096
表达式如下：
Figure BDA0002709542990000101
表2.
Figure BDA0002709542990000102
表达式参数值
Figure BDA0002709542990000103
最后，再将基于六阶高斯混合模型与单一高斯模型拟合得到的结果进行对比，如图3和表3
表3.单一高斯模型与六阶高斯混合模型拟合指标对比
Figure BDA0002709542990000104
通过对比可以得出，基于六阶高斯混合模型较单一高斯模型可以更好的描述燃油消耗偏差的概率密度分布特性。
实施例2
在实施例1的基础上，一种基于高斯混合模型的燃油消耗偏差预测系统，包括数据获取模块、模型建立模块和预测模块；
所述数据获取模块用于获取燃油消耗偏差数据并发送至所述模型建立模块；
所述模型建立模块用于将所述燃油消耗偏差数据通过高斯混合模型进行拟合，获得所述燃油消耗偏差数据的概率密度分布函数；
所述预测模块用于接收输入的待预测燃油偏差数据，根据所述概率密度函数获得所述待预测燃油消耗偏差的概率。
在本实施例中，数据获取模块可采用常见的数据输入设备，例如键盘，鼠标，输出传输设备等硬件数据读写装置，模型建立模块和预测模块可使用计算机、服务器等具有计算、存储能力的硬件设备。
通过将燃油消耗偏差数据代入高斯混合模型进行拟合，获得燃油消耗偏差数据的概率密度分布函数，再通过概率密度函数获得待预测燃油消耗偏差的概率，或者输入特定的概率获得预测的燃油消耗偏差值，为飞机燃油携带量提供参考，支撑燃油政策优化。
所述燃油消耗偏差数据的计算方式为：
其中，FA是实际航程燃油，FP是计划航程燃油。
当燃油消耗偏差Δ<0时，表示航班计划燃油消耗量大于实际燃油消耗量；当燃油消耗偏差Δ>0时，表示航班计划燃油消耗量小于实际燃油消耗量，即携带的燃油有富裕。
所述高斯混合模型的表达式为：
Figure BDA0002709542990000112
其中aj是权值因子,
Figure BDA0002709542990000113
Nj(xi；uj；∑j)表示第j个高斯分布的概率密度函数，
Figure BDA0002709542990000114
Figure BDA0002709542990000115
其中，m是向量的维数，∑j是模型方差。
由于高斯混合模型是多个高斯分布函数的线性叠加，每个高斯分布的概率密度函数均有各自的uj、σj，只要j取得足够大，高斯混合模型就可以基于最大期望算法来拟合任意连续的概率密度分布。
所述模型建立模块获得概率密度分布函数的具体过程为：
输入所述燃油消耗偏差数据，分别使用不同阶次的高斯混合模型进行拟合；
采用拟合效果最好的高斯混合模型作为所述燃油消耗偏差数据的概率密度分布函数。
采用拟合效果最好的高斯混合模型作为所述燃油消耗偏差数据的概率密度，可以充分反映所述燃油消耗偏差的特性，为后续燃油政策优化提供支撑。
单一高斯模型：
对于一维随机变量x，假设其分布近似椭球状，则其高斯分布表达式定义如下：
Figure BDA0002709542990000121
式中，μ为均值，σ为标准差；而对于D维的向量x的高斯概率密度函数表达式定义如下：
Figure BDA0002709542990000122
式中，μ是模型期望，通常用样本均值来代替，Σ是模型方差，通常用样本方差来代替。μ、Σ决定了密度函数的特性，如函数形状的宽窄、中心点、走向等特征信息。
假设样本数据满足以上高斯分布模型，将x＝xi代入可得到其概率密度为f(xi；μ,Σ)。假设xi,(i＝1...n)，之间为互相独立事件，则X＝{x1，x2，...，xn}的概率密度函数如下：
Figure BDA0002709542990000123
利用最佳可能性估测法(MLE)，可以求得最佳参数μ和Σ如下：
Figure BDA0002709542990000124
Figure BDA0002709542990000125
单一高斯分布模型在二维空间近似于椭圆，在三维空间中近似于椭球。但是在很多分类问题中，即使属于同一类别的样本点，有时也并不满足“椭圆”分布的特性，无法用答疑高斯分布模型进行求解。
在本实施例中，采用自2017年1月至2017年12月A330机型从北京首都国际机场飞往成都双流国际机场的1350条航班的运行数据为例，通过计算燃油消耗偏差，采用现有技术中的单一高斯模型对燃油运行数据进行拟合，得到的拟合效果图如图2。概率密度函数f(x)表达式如下：
Figure BDA0002709542990000131
式中，a＝98.6(88.25,109)b＝-0.4302(-0.4367,-0.4237)c＝0.07559(0.06641,0.08478)。
高斯混合模型：
假设样本数据点都是独立同分布的，该分布是由几个高斯核函数的线性叠加组成。高斯混合模型的表达式为:
Figure BDA0002709542990000132
其中aj是权值因子,
Figure BDA0002709542990000133
Nj(xi；uj；∑j)表示第j个高斯分布的概率密度函数，
Figure BDA0002709542990000134
Figure BDA0002709542990000135
其中，m是向量的维数，∑j是模型方差。
高斯混合模型是一种聚类算法，每一个高斯分布都具有各自的μj,∑j，而其中任意一个高斯分布Nj(xi；uj；∑j)均可视为高斯混合模型中的一个成员，每个成员就是一个聚类中心。只要j取得足够大，高斯混合模型就可以基于最大期望算法来拟合任意连续的概率密度分布。
所述模型建立模块对不同阶次的高斯混合模型的拟合效果进行判断的指标包括，残差平方和、校正决定系数、决定系数、残差平方和、RMSE中的一种或多种。
以上对本发明实施例所提供的技术方案进行了详细介绍，本专利中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，即应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。

Claims (10)

1.一种基于高斯混合模型的燃油消耗偏差预测方法，其特征在于，包括以下步骤：
S1:获取燃油消耗偏差数据；
S2:将所述燃油消耗偏差数据通过高斯混合模型进行拟合，获得所述燃油消耗偏差数据的概率密度分布函数；
S3:输入待预测燃油偏差数据，根据所述概率密度函数获得所述待预测燃油消耗偏差的概率。
2.根据权利要求1所述的预测方法，其特征在于，所述S1中燃油消耗偏差数据的计算方式为：
Figure FDA0002709542980000011
其中，FA是实际航程燃油，FP是计划航程燃油。
3.根据权利要求1所述的预测方法，其特征在于，所述S2中高斯混合模型的表达式为:
Figure FDA0002709542980000012
其中aj是权值因子,
Figure FDA0002709542980000013
Nj(xi；uj；∑j)表示第j个高斯分布的概率密度函数，
Figure FDA0002709542980000014
Figure FDA0002709542980000015
其中，m是向量的维数，∑j是模型方差。
4.根据权利要求1-3任一所述的预测方法，其特征在于，所述S2的具体过程为：
S201:输入所述燃油消耗偏差数据，分别使用不同阶次的高斯混合模型进行拟合；
S202:采用拟合效果最好的高斯混合模型作为所述燃油消耗偏差数据的概率密度分布函数。
5.根据权利要求4所述的预测方法，其特征在于，所述拟合效果的判断指标包括，残差平方和、校正决定系数、决定系数、残差平方和、RMSE中的一种或多种。
6.一种基于高斯混合模型的燃油消耗偏差预测系统，其特征在于，包括数据获取模块、模型建立模块和预测模块；
所述数据获取模块用于获取燃油消耗偏差数据并发送至所述模型建立模块；
所述模型建立模块用于将所述燃油消耗偏差数据通过高斯混合模型进行拟合，获得所述燃油消耗偏差数据的概率密度分布函数；
所述预测模块用于接收输入的待预测燃油偏差数据，根据所述概率密度函数获得所述待预测燃油消耗偏差的概率。
7.根据权利要求6所述的系统，其特征在于，所述燃油消耗偏差数据的计算方式为：
Figure FDA0002709542980000021
其中，FA是实际航程燃油，FP是计划航程燃油。
8.根据权利要求6所述的系统，其特征在于，所述高斯混合模型的表达式为：
Figure FDA0002709542980000022
其中aj是权值因子,
Figure FDA0002709542980000023
Nj(xi；uj；∑j)表示第j个高斯分布的概率密度函数，
Figure FDA0002709542980000024
Figure FDA0002709542980000025
其中，m是向量的维数，∑j是模型方差。
9.根据权利要求6-8任一所述的系统，其特征在于，所述模型建立模块获得概率密度分布函数的具体过程为：
输入所述燃油消耗偏差数据，分别使用不同阶次的高斯混合模型进行拟合；
采用拟合效果最好的高斯混合模型作为所述燃油消耗偏差数据的概率密度分布函数。
10.根据权利要求9所述的系统，其特征在于，所述模型建立模块的拟合效果的判断指标包括，残差平方和、校正决定系数、决定系数、残差平方和、RMSE中的一种或多种。
CN202011050994.XA 2020-09-29 2020-09-29 一种基于高斯混合模型的燃油消耗偏差预测方法及系统 Pending CN112182885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011050994.XA CN112182885A (zh) 2020-09-29 2020-09-29 一种基于高斯混合模型的燃油消耗偏差预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011050994.XA CN112182885A (zh) 2020-09-29 2020-09-29 一种基于高斯混合模型的燃油消耗偏差预测方法及系统

Publications (1)

Publication Number Publication Date
CN112182885A true CN112182885A (zh) 2021-01-05

Family

ID=73945903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011050994.XA Pending CN112182885A (zh) 2020-09-29 2020-09-29 一种基于高斯混合模型的燃油消耗偏差预测方法及系统

Country Status (1)

Country Link
CN (1) CN112182885A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822999A (zh) * 2023-08-31 2023-09-29 中国石油大学(华东) 成品油管道混油界面后行油品监测密度预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106290709A (zh) * 2015-06-02 2017-01-04 齐鲁工业大学 一种变电站气体无线监测报警控制方法
CN108563806A (zh) * 2018-01-05 2018-09-21 哈尔滨工业大学（威海） 基于相似性的发动机气路参数长期预测方法及系统
CN109615134A (zh) * 2018-12-10 2019-04-12 中国民用航空飞行学院 一种离场航线数据处理系统及方法、信息数据处理终端
CN109978025A (zh) * 2019-03-11 2019-07-05 浙江工业大学 一种基于高斯过程回归的智能网联车辆前车加速度预测方法
CN110046735A (zh) * 2018-12-10 2019-07-23 南京航空航天大学 基于飞行数据分析的飞机离场燃油消耗评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106290709A (zh) * 2015-06-02 2017-01-04 齐鲁工业大学 一种变电站气体无线监测报警控制方法
CN108563806A (zh) * 2018-01-05 2018-09-21 哈尔滨工业大学（威海） 基于相似性的发动机气路参数长期预测方法及系统
CN109615134A (zh) * 2018-12-10 2019-04-12 中国民用航空飞行学院 一种离场航线数据处理系统及方法、信息数据处理终端
CN110046735A (zh) * 2018-12-10 2019-07-23 南京航空航天大学 基于飞行数据分析的飞机离场燃油消耗评估方法
CN109978025A (zh) * 2019-03-11 2019-07-05 浙江工业大学 一种基于高斯过程回归的智能网联车辆前车加速度预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIANAN HUANG .ETC: "Eco-Routing based on a Data Driven Fuel Consumption Model", 《STATISTICS》 *
邱藤: "基于高斯混合模型的EM算法及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
钱宇等: "核密度估计法在燃油政策优化中的应用研究", 《民航学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116822999A (zh) * 2023-08-31 2023-09-29 中国石油大学(华东) 成品油管道混油界面后行油品监测密度预测方法及系统
CN116822999B (zh) * 2023-08-31 2023-12-05 中国石油大学(华东) 成品油管道混油界面后行油品监测密度预测方法及系统

Similar Documents

Publication Publication Date Title
Turrini et al. Spare parts inventory management: New evidence from distribution fitting
Mavris et al. Technology identification, evaluation, and selection for commercial transport aircraft
Daskilewicz et al. Effects of disciplinary uncertainty on multi-objective optimization in aircraft conceptual design
Chen Can low‐carbon development force enterprises to make digital transformation?
Dong et al. A new method for solving fuzzy multi-objective linear programming problems
Li et al. Improved collaboration pursuing method for multidisciplinary robust design optimization
Liu et al. Comparative analysis of forecasting for air cargo volume: Statistical techniques vs. machine learning
CN112182885A (zh) 一种基于高斯混合模型的燃油消耗偏差预测方法及系统
Jimenez et al. Fuel burn and CO2 system-wide assessment of environmentally responsible aviation technologies
Zhang et al. Sparrow search algorithm with adaptive t distribution for multi-objective low-carbon multimodal transportation planning problem with fuzzy demand and fuzzy time
CN117273786A (zh) 民用客机市场直接运营成本的估计方法
Zhang et al. A GERT Network Model for input-output optimization of general aviation industry chain based on value flow
Jimenez et al. Pareto-optimal aircraft technology study for environmental benefits with multi-objective optimization
Khan et al. Intelligent business analytics using proposed input/output oriented data envelopment analysis DEA and slack based DEA models for US-airlines
Zhen et al. Benders decomposition for internal truck renewal decision in green ports
Schueltke et al. Implementation of an Airfoil Information Database for Usage in Conceptual Aircraft Wing Design Process
Ermoliev et al. Linking distributed sectorial and regional optimization models under asymmetric information: towards robust food-water-energy-environmental nexus
Yao et al. Probabilistic linguistic term envelopment analysis model
Rahmawati et al. The Impact of Aircraft Spare Parts Import Duty Exemption on the MRO Industry's Competitiveness and Its Services Export
Wang On Operating Efficiency of Advanced Manufacturing Industry Based on Three-Stage DEA Model--Taking Wuxi as an Example
Su et al. Robust modeling for fleet assignment problem based on GASVR forecast
Mu et al. A collaborative filtering recommendation algorithm based on user preferences on service properties
Liu et al. Research on the dynamic relationship between industrial structure adjustment and the development level of modern logistics industry
US20240095642A1 (en) Method and apparatus for comparing the efficiency of operators
Huang et al. Dynamic multi-attribute decision-making method with double reference points and its application

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210105