CN112270445B - 基于统计分析和分类预测的航班延误波及综合评估方法 - Google Patents

基于统计分析和分类预测的航班延误波及综合评估方法 Download PDF

Info

Publication number
CN112270445B
CN112270445B CN202011204247.7A CN202011204247A CN112270445B CN 112270445 B CN112270445 B CN 112270445B CN 202011204247 A CN202011204247 A CN 202011204247A CN 112270445 B CN112270445 B CN 112270445B
Authority
CN
China
Prior art keywords
flight
airport
delay
level
flight chain
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
Application number
CN202011204247.7A
Other languages
English (en)
Other versions
CN112270445A (zh
Inventor
屈景怡
张金杰
赵娅倩
吴仁彪
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 University of China
Original Assignee
Civil Aviation 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 University of China filed Critical Civil Aviation University of China
Priority to CN202011204247.7A priority Critical patent/CN112270445B/zh
Publication of CN112270445A publication Critical patent/CN112270445A/zh
Application granted granted Critical
Publication of CN112270445B publication Critical patent/CN112270445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于统计分析和分类预测的航班延误波及综合评估方法，包括步骤一：建立航班链式模型；步骤二：对历史航班数据进行预处理；步骤三：根据航班链模型的定义来构造航班链数据集；步骤四：基于步骤一的航班链式模型及步骤三构建的航班链数据集，对延误波及统计评估结果进行可视化；步骤五：对航班链中的航班延误等级进行预测，分别为航班链预测延误等级数、航班链预测延误等级变化；步骤六：总和两种评估综合起来，对航班延误波及进行整体评估。本发明所述的基于统计分析和分类预测的航班延误波及综合评估方法，统计与分析定义了两个航班延误波及统计评估指标，对航班链中的航班延误波及时长进行了整体分析与评估。

Description

基于统计分析和分类预测的航班延误波及综合评估方法
技术领域
本发明属于数据分析及大数据领域，尤其是涉及一种基于统计分析和分类预测的航班延误波及综合评估方法。
背景技术
随着空中交通流量的增加，航班延误产生和波及问题日益凸显，给民航的正常运转带来了挑战。通过对航班延误波及的预测评估，可以提高航班延误预警水平，减小航空公司和机场的经济损失，提高旅客出行满意度。
目前，国内外学者在航班延误波及的评估与预测方面做出了大量针对性研究。文献“PYRGIOTIS N,MALONE K M,ODONI A.Modelling delay propagation within anairport network[J].Transportation Research Part C:Emerging Technologies,2013,27:60-75.”中基于排队论机制，构造了一个近似网络延误模型AND(The Approximate NetWork Delays Model)来研究在美国34个繁忙机场组成的机场网络中的延误情况。文献“顾绍康,张兆宁.大面积航班延误的实时航班延误程度评估研究[J].航空计算技术,2014,4:29-32.”中将模糊隶属度评估方法应用于航班延误程度评估，从时间和范围的不同角度给出了基于模糊综合评价的航班延误程度实时评估方法。但是研究大多只对历史数据进行了分析，研究某一时间段内的航班延误时长情况，较少对航班延误波及整体问题进行评估分析。
基于计算机对海量数据处理的能力和速度正在逐渐进步，对大数据进行科学化处理与分析的技术在广大领域都得到了很好的应用。深度学习更是成为当今解决预测问题的重要方法，应用领域越来越广泛，准确率也有很大的提升。
发明内容
有鉴于此，本发明旨在提出一种基于统计分析和分类预测的航班延误波及综合评估方法，以提高航班延误预警水平，减小航空公司和机场的经济损失。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于统计分析和分类预测的航班延误波及综合评估方法，包括按顺序进行的下列步骤：
步骤一：根据航班延误波及的传播规律，建立航班链式模型；
步骤二：对历史航班数据进行预处理；
步骤三：根据航班链模型的定义来构造航班链数据集；
步骤四：基于步骤一的航班链式模型及步骤三构建的航班链数据集，统计分析出各级机场的延误时长，然后定义航班链延误时长、航班链延误时长变化这两个评估指标，最后使用Web前端框架Echarts对延误波及统计评估结果进行可视化；
步骤五：对航班链中的航班延误等级进行预测，先对步骤三构建的航班链数据集进行编码，再构建基于CondenseNet的网络模型，利用softmax分类器将延误预测等级进行分类，然后定义两个延误波及预测评估指标，分别为航班链预测延误等级数、航班链预测延误等级变化；
步骤六：将延误波及统计评估、航班延误波及预测与评估两种评估方法综合起来，对航班延误波及进行整体评估。
进一步的，所述步骤一中建立航班链式模型的具体方法为：根据同一架飞机连续执行不同的航班任务时，航班延误波及的传播规律建立航班链式模型。首先选定三个目标机场，根据航班任务的时间顺序依次对目标机场进行排序。设同一架航空器在规定时间内，执行第一次航班计划的出发的机场为一级机场，第一次航班计划的到达机场为二级机场，然后从二级机场执行第二次飞行任务，设执行第二次航班计划的到达机场为三级机场。按照时间顺序，定义一架飞机执行航班任务的三个不同机场为一条航班链。
进一步的，所述步骤二中对历史航班数据进行预处理的方法为：对航班数据中24个特征属性与机场数据的5个属性进行数据的清洗，并对原始数据进行时间上的周时转换，对异常值和空值使用Python语句直接删除，一条数据中缺省值少于三项的直接采用均值进行填充。
进一步的，所述步骤三中根据航班链模型的定义来构造航班链数据集的具体方法为：选定一级机场、二级机场、三级机场，将同一架飞机在规定时间段内从一级机场到二级机场再到三级机场执行不同的航班任务，根据空间维度与时间维度对原始航班数据进行关联融合，构建航班链数据集。
进一步的，所述步骤五中对航班链中的航班延误等级预测的具体方法为：首先对航班链数据的连续性特征进行Min-Max归一化编码，离散性特征进行Mean-Encoder编码；然后构建CondenseNet神经网络，将构造完成的航班链数据集输入到深度学习网络模型中进行特征提取对网络模型中的参数进行优化训练；最后用Softmax分类器对航班链中各级机场的航班延误等级进行预测。
进一步的，所述步骤五中定义延误波及预测评估指标的具体方法为：对预测所得机场航班延误波及等级数进行累加，得到延误波及预测评估指标航班链延误等级数N；计算各级机场延误预测延误等级数的差值，得到延误波及预测评估指标航班链延误等级变化△Ni。
相对于现有技术，本发明所述的基于统计分析和分类预测的航班延误波及综合评估方法具有以下优势：
(1)本发明所述的基于统计分析和分类预测的航班延误波及综合评估方法，通过分析航班延误传播机理，建立了航班链式模型，并基于历史数据的统计与分析定义了两个航班延误波及统计评估指标，对航班链中的航班延误波及时长进行了整体分析与评估。
(2)本发明所述的基于统计分析和分类预测的航班延误波及综合评估方法，采用深度学习的方法来学习航班延误波及的信息特征，提高了预测准确率，同时根据航班延误波及预测结果，定义两个航班延误波及预测评估指标，对延误波及程度进行了进一步评估。
(3)本发明所述的基于统计分析和分类预测的航班延误波及综合评估方法，对航班链中的航班延误波及进行可视化展示，有助于更直观的分析与观察航班延误波及现象的规律特点。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的基于统计分析和分类预测的航班延误波及综合评估方法；
图2为本发明实施例所述的航班链模型图；
图3为本发明实施例所述的数据集F1的构造流程图；
图4为本发明实施例所述的数据集F2的构造流程图；
图5为本发明实施例所述的数据集F3的构造流程图；
图6为本发明实施例所述的数据集F4的构造流程图；
图7为本发明实施例所述的航班延误等级划分图；
图8为本发明实施例所述的航班延误波及可视化图；
图9为本发明实施例所述的CondenseNet网络结构图；
图10为本发明实施例所述的航班延误波及等级预测图；
图11为本发明实施例所述的航班延误波及预测分类准确率对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
名词解释
Web：全球广域网，也称为万维网，它是一种基于超文本和HTTP的、全球性的、动态交互的、跨平台的分布式图形信息系统。
Echarts：使用JavaScript实现的开源可视化库。
CondenseNet：Convolutional Block Attention Module-An EfficientDenseNet using Learned Group Convolutions，一种深度学习算法。
Min-Max编码：中文指归一化编码。
Mean-Encoder编码：中文指均值编码。
基于统计分析和分类预测的航班延误波及综合评估方法，如图1至图11所示，包括如下步骤：1)根据航班的波及特性建立航班链式模型；
根据同一架飞机连续执行不同的航班任务时，航班延误波及的传播规律建立航班链式模型。首先选定三个目标机场，根据航班任务的时间顺序依次对目标机场进行排序。设同一架航空器在规定时间内，执行第一次航班计划的出发的机场为一级机场，第一次航班计划的到达机场为二级机场，然后从二级机场执行第二次飞行任务，设执行第二次航班计划的到达机场为三级机场。按照时间顺序，定义一架飞机执行航班任务的三个不同机场为一条航班链。当航班链中有多个枢纽机场时，以“北京-深圳-南京”为例，定义北京为一级机场，深圳相对于北京来说是二级机场，南京相对于北京来说是三级机场。以此类推，多个机场由于航空器Z在不同机场间执行飞行任务联系，从而构成航班链，详见图2。
2)对原始历史航班数据进行预处理；
航班数据包括具体航班的航班号、飞机编号、飞机起飞年份、飞机起飞季度、飞机起飞月份、飞机起飞日、飞机起飞星期几、飞机起飞机场编号、飞机起飞机场代码、飞机起飞机场所属空域、起飞城市编号、飞机降落机场编号、飞机降落城市编号、飞机降落机场代码、飞机降落机场所属空域、航班航空公司编号、承运人、航班计划起飞时间、航班计划降落时间、飞机航程信息、飞机轮挡时间、飞机抡起时间、飞机滑出时间、飞机滑入时间二十四个特征属性；机场数据特征包括日期、时刻、机场编号、机场代码、机场城市编号五个特征属性。对航班数据中24个特征属性与机场数据的5个属性进行数据的清洗，并对原始数据进行时间上的周时转换，对异常值和空值使用Python语句直接删除，一条数据中缺省值少于三项的直接采用均值进行填充。
3)根据航班链模型的定义来构造航班链数据集；
具体方法为：首先，航班数据包括具体航班的航班号、起飞时间、飞机编号、起飞机场编号、降落机场编号等二十四个特征属性。机场数据特征包括日期、时刻、机场编号、机场代码、机场城市编号五个特征属性。将航班数据与机场数据具体融合构建新的航班链数据集的方法为：首先，选定航班链中的一级机场，二级机场、三级机场，按照航班链式模型的定义，确定研究的航班链，并按照选择机场的名称与机场的编号进行对照。选定一级机场的起飞日期，以起飞日期、一机场编号、二级机场编号、三级机场编号、飞机编号为关联键值，对航班数据与机场数据进行关联融合得到航班链整体数据集F1，可见图3所示；然后，选定数据集F1中的航班延误时间特征属性，去除所有一级机场未延误航班数据得到数据集F2，可见图4所示；其次，选定F2数据集中的航班延误特征属性，依次去除一级机场、二级机场所有未延误航班数据得到数据集F3，可见图5所示；最后，选定F3数据集中的航班延误特征属性，去除一级机场、二级机场、三级机场中所有未延误航班数据得到数据集F4，可见图6所示。基于航班的链式模型构建出的数据集，既用于航班延误波及的历史统计，又用于航班延误波及的分级预测。
4)针对历史数据对航班延误波及进行统计评估：根据延误波及模型统计各级机场延误时长，然后定义航班链延误时长、航班链延误时长变化这两个评估指标，最后使用Web前端框架Echarts对延误波及统计评估结果进行可视化；
前三级机场的各机场延误统计具体方法为：在进行航班延误波及统计时依次选定每条航班链的一级机场，二级机场、三级机场并进行数据融合得到航班链数据集F1。去除数据集F1中一级机场所有离港未延误的数据，得到数据集F2。对数据集F2进行统计计算，定义一级机场延误时长T1如公式(1)所示。
Figure GDA0003900311160000081
其中，ti表示数据集F2中每条航班链数据中一级机场的延误时长，S1表示数据集F2的数据总量。其中F2每条航班链数据中一级机场均为起飞延误，二级机场与三级机场为延误或者不延误。
去除数据集F2中二级机场所有未延误的数据，得到数据集F3。对数据集F3进行统计计算，定义二级机场延误时长T2如公式(2)所示。
Figure GDA0003900311160000082
其中，ti表示数据集F3中每条航班链数据中二级机场的延误时长，S2表示数据集F3的数据总量。其中F3每条航班链数据中一级机场均为起飞延误，二级级机场受到一级机场延误波及后起飞也延误，三级机场为延误或者不延误。
去除数据集F3中三级机场所有未延误的数据，得到数据集F4。对数据集F4进行统计计算，定义三级机场延误时长T3如公式(3)所示。
Figure GDA0003900311160000091
其中，ti表示数据集F4中每条航班链数据中三级机场的延误时长，S3表示数据集F4的数据总量。其中F4每条航班链数据中一级机场、二级机场、三级机场均为航班延误。
定义延误波及统计评估指标具体方法为：对航班链中各级机场的延误程度进行整体评估，即对各级机场统计出的航班延误波统计时长进行累加，得到评估指标航班链延误时长T，如公式(4)所示。
Figure GDA0003900311160000092
其中，Ti表示第m级机场延误时长。航班链延误时长T值越大，说明这条航班链的整体延误时间越长，航班延误情况越严重。
航班链中的每级机场受到上一级机场的延误波及程度进行评估，即计算各级机场延误时长的差值，得到评估指标航班链延误时长变化△Ti公式(5)所示。
ΔTi＝Ti+1-Ti,i＝1,2,3…m (5)
其中，Ti+1为航班链中需要评估某级机场的延误时长，Ti为选定机场的上一级机场的延误时长。当△Ti>0时，说明航班链中选定级机场受到上级的机场的延误波及在增大，延误时长变化越大说明受到延误波及的程度越大。当△Ti<0时，说明选定机场受到上级的机场的延误波及程度在减小。
航班延误波及可视具体方法为：使用Web前端框架Echarts对延误波及的统计结果即不同等级机场的延误时长，及两个评估指标航班链延误时长、航班链延误时长变化进行可视化展示。一级机场用中心节点来表示，二级机场用中心节点所分支出的15个节点来表示，三级机场用15个二级机场节点所各自分支出节点来表示。不同等级机场的节点大小不同，但与该机场的延误时长成正比。在航班链中每级机场的延误时长越大，节点大小也越大。同一航班链中，不同等级机场节点大小的差异，表示延误时长变化这个评估指标，可以更清楚的分析航班延误波及对下一级机场产生的影响。
根据《航班正常管理规定》中“航班延误”的相关定义，将航班延误情况进行细分得到五个延误等级，其判定标准详见图7。根据图7的航班延误等级划分，将未延误、轻度延误、中度延误、高度延误、重度延误五种评估出的延误等级结果分别用箭头形、正方形、圆形、三角形、圆角正方形五种形状来表示。一级机场命名为编号1，节点形状代表所有航班链数据的一级机场平均延误程度，一级机场节点分支出的树干颜色越深代表二级机场的延误程度越严重；二级机场命名为编号1-1、1-2、1-3、1-4、1-5，代表5个不同的二级机场，不同航班链中相同二级机场的二级节点的形状也可能不同，节点形状代表所有航班链数据中该航班链二级机场的平均延误程度，二级机场节点分支出的树干颜色越深代表三级机场的延误程度越严重；三级机场命名为编号1-1-1、1-1-2、1-1-3、1-2-1、1-2-2、1-2-3、1-3-1、1-3-2、1-3-3、1-4-1、1-4-2、1-4-3、1-5-1、1-5-2、1-5-3，代表15个不同的三级机场，节点形状代表所有航班链数据中该航班链三级级机场的平均延误程度；三级机场的节点颜色从白色到黑色呈渐变色分布，航班链延误时长越大，颜色越暗，越接近于黑色，航班链延误时长越小，越接近于白色。航班延误波及可视化示例图详见图8。
5)对未来航班的延误波进行预测与评估：对航班链数据集进行编码，构建基于CondenseNet的网络模型，将延误预测等级进行分类，然后定义航班链预测延误等级数、航班链预测等级变化这两个评估指标。
首先对航班链数据的连续性特征进行Min-Max归一化编码，离散性特征进行Mean-Encoder编码；然后构建CondenseNet神经网络，CondenseNet网络结构如图9所示。CondenseNet网络通过前向传播计算得到由任意一组随机参数w和b计算的神经网络预测结果，随后利用损失函数针对每个参数的梯度值，采用反向传播算法计算各隐藏层误差项。
根据图7的航班延误划分标准将构造完成的航班链数据集输入到深度学习网络模型中进行特征提取对网络模型中的参数进行优化训练；在神经网络的训练过程中，使用训练集训练模型，使用验证集考查训练模型的泛化能力,不同层数的CondenseNet在航班链数据集上的准确率大小见图11所示。最后用Softmax分类器对航班链中各级机场的航班延误等级进行预测，详见图10。
定义延误波及预测评估指标具体方法为：对预测所得机场航班延误波及等级数进行累加，得到延误波及预测评估指标航班链延误等级数N，如公式(6)所示。
Figure GDA0003900311160000111
其中，Ni为第i级机场的航班延误波及预测等级，N为航班链延误等级数，N越大表明这条航班链在整体延误程度越大。
计算各级机场延误预测延误等级数的差值，得到延误波及预测评估指标航班链延误等级变化△Ni，如公式(7)所示。
ΔNi＝Ni+1-Ni,i＝1,2,3…m (7)
其中，Ni+1为第i+1级机场的延误等级数，Ni为第i级机场的延误等级数，ΔNi为i+1级机场受到i级机场航班误波及后的延误等级变化。如果延误等级变化大于0，说明延误波及程度增加，机场航班延误等级增加；如果延误等级变化小于0，说明延误波及减少，机场航班延误等级减小。
6)综合两种评估方法，对航班延误波及进行整体评估。
具体方法为：对航班延误波及进行统计分析，可以统计出历史航班的延误波及时长，清楚的可以分析出航班延误波及的规律。航班延误波及预测的评估方法可以针对不同日期的不同航班对未来航班延误情况进行预测评估，更具有针对性。所以将这两种评估方法进行综合，选定的航班链的延误波及情况进行整体评估。
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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于统计分析和分类预测的航班延误波及综合评估方法，其特征在于：包括按顺序进行的下列步骤：
步骤一：根据航班延误波及的传播规律，建立航班链式模型；
步骤二：对历史航班数据进行预处理；
步骤三：根据航班链模型的定义来构造航班链数据集，具体方法为：选定一级机场、二级机场、三级机场，同一架飞机在规定时间段内从一级机场到二级机场再到三级机场执行不同的航班任务，根据空间维度与时间维度对原始航班数据进行关联融合，构建航班链数据集；
步骤四：基于步骤一的航班链式模型及步骤三构建的航班链数据集，统计分析出各级机场的延误时长，然后定义航班链延误时长、航班链延误时长变化这两个评估指标，最后使用Web前端框架Echarts对延误波及统计评估结果进行可视化；
对前三级机场的各机场延误时长的统计方法为：在进行航班延误波及统计时依次选定每条航班链的一级机场，二级机场、三级机场并进行数据融合得到航班链数据集F1；去除数据集F1中一级机场所有离港未延误的数据，得到数据集F2；对数据集F2进行统计计算，定义一级机场延误时长T1如公式(1)所示；
Figure FDA0003900311150000011
其中，ta示数据集F2中每条航班链数据中一级机场的延误时长，S1表示数据集F2的数据总量，其中F2每条航班链数据中一级机场均为起飞延误，二级机场与三级机场为延误或者不延误，
去除数据集F2中二级机场所有未延误的数据，得到数据集F3，对数据集F3进行统计计算，定义二级机场延误时长T2如公式(2)所示，
Figure FDA0003900311150000021
其中，tb表示数据集F3中每条航班链数据中二级机场的延误时长，S2表示数据集F3的数据总量，其中F3每条航班链数据中一级机场均为起飞延误，二级机场受到一级机场延误波及后起飞也延误，三级机场为延误或者不延误，
去除数据集F3中三级机场所有未延误的数据，得到数据集F4，对数据集F4进行统计计算，定义三级机场延误时长T3如公式(3)所示，
Figure FDA0003900311150000022
其中，tc表示数据集F4中每条航班链数据中三级机场的延误时长，S3表示数据集F4的数据总量，其中F4每条航班链数据中一级机场、二级机场、三级机场均为航班延误，
定义延误波及统计评估指标具体方法为：对航班链中各级机场的延误程度进行整体评估，即对各级机场统计出的航班延误波统计时长进行累加，得到评估指标航班链延误时长T，如公式(4)所示，
Figure FDA0003900311150000023
其中，Ti表示第i级机场延误时长，航班链延误时长T值越大，说明这条航班链的整体延误时间越长，航班延误情况越严重；
航班链中的每级机场受到上一级机场的延误波及程度进行评估，即计算各级机场延误时长的差值，得到评估指标航班链延误时长变化△Ti公式(5)所示，
ΔTi＝Ti+1-Ti,i＝m-1 (5)
其中，Ti+1为航班链中需要评估某级机场的延误时长，Ti为选定机场的上一级机场的延误时长，当△Ti>0时，说明航班链中选定级机场受到上级的机场的延误波及在增大，延误时长变化越大说明受到延误波及的程度越大，当△Ti<0时，说明选定机场受到上级的机场的延误波及程度在减小；
步骤五：对航班链中的航班延误等级进行预测，先对步骤三构建的航班链数据集进行编码，再构建基于CondenseNet的网络模型，利用softmax分类器将延误预测等级进行分类，然后定义两个延误波及预测评估指标，分别为航班链预测延误等级数、航班链预测延误等级变化；
步骤六：将延误波及统计评估、航班延误波及预测评估两种评估方法综合起来，对航班延误波及进行整体评估。
2.根据权利要求1所述的基于统计分析和分类预测的航班延误波及综合评估方法，其特征在于：所述步骤一中建立航班链式模型的具体方法为：根据同一架飞机连续执行不同的航班任务时，航班延误波及的传播规律建立航班链式模型；首先选定三个目标机场，根据航班任务的时间顺序依次对目标机场进行排序；设同一架航空器在规定时间内，执行第一次航班计划的出发的机场为一级机场，第一次航班计划的到达机场为二级机场，然后从二级机场执行第二次飞行任务，设执行第二次航班计划的到达机场为三级机场；按照时间顺序，定义一架飞机执行航班任务的三个不同机场为一条航班链。
3.根据权利要求1所述的基于统计分析和分类预测的航班延误波及综合评估方法，其特征在于：所述步骤二中对历史航班数据进行预处理的方法为：对航班数据中24个特征属性与机场数据的5个属性进行数据的清洗，并对原始数据进行时间上的周时转换，对异常值和空值使用Python语句直接删除，一条数据中缺省值少于三项的直接采用均值进行填充。
4.根据权利要求1所述的基于统计分析和分类预测的航班延误波及综合评估方法，其特征在于：所述步骤五中对航班链中的航班延误等级预测的具体方法为：首先对航班链数据的连续性特征进行Min-Max归一化编码，离散性特征进行Mean-Encoder编码；然后构建CondenseNet神经网络，将构造完成的航班链数据集输入到CondenseNet神经网络中进行特征提取对网络模型中的参数进行优化训练；最后用Softmax分类器对航班链中各级机场的航班延误等级进行预测。
5.根据权利要求1所述的基于统计分析和分类预测的航班延误波及综合评估方法，其特征在于：所述步骤五中定义延误波及预测评估指标的具体方法为：对预测所得机场航班延误波及等级数进行累加，得到延误波及预测评估指标航班链延误等级数N；计算各级机场延误预测延误等级数的差值，得到延误波及预测评估指标航班链延误等级变化△Ni。
CN202011204247.7A 2020-11-02 2020-11-02 基于统计分析和分类预测的航班延误波及综合评估方法 Active CN112270445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011204247.7A CN112270445B (zh) 2020-11-02 2020-11-02 基于统计分析和分类预测的航班延误波及综合评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011204247.7A CN112270445B (zh) 2020-11-02 2020-11-02 基于统计分析和分类预测的航班延误波及综合评估方法

Publications (2)

Publication Number Publication Date
CN112270445A CN112270445A (zh) 2021-01-26
CN112270445B true CN112270445B (zh) 2022-11-25

Family

ID=74345563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011204247.7A Active CN112270445B (zh) 2020-11-02 2020-11-02 基于统计分析和分类预测的航班延误波及综合评估方法

Country Status (1)

Country Link
CN (1) CN112270445B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819260B (zh) * 2021-04-16 2021-09-07 中航信移动科技有限公司 预测航班延时状态的数据处理系统
CN113269336B (zh) * 2021-07-19 2021-10-29 中国民用航空总局第二研究所 航班事件因果检测方法、装置、电子设备及可读存储介质
CN116307271B (zh) * 2023-05-17 2023-08-25 中国民航大学 一种基于航班延误波及预测的交互方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956621A (zh) * 2016-04-29 2016-09-21 南京航空航天大学 一种基于进化欠抽样集成学习的航班延误预警方法
CN106650985A (zh) * 2016-09-12 2017-05-10 南京航空航天大学 基于随机Petri网的不正常航班衍生事件链式效应预测方法
CN108519988A (zh) * 2018-02-27 2018-09-11 北京航空航天大学 基于格兰杰检验的航空延误因果关系网络构建方法
CN110956342A (zh) * 2020-01-02 2020-04-03 中国民航大学 基于注意力机制的CliqueNet航班延误预测方法
CN111401601A (zh) * 2019-12-23 2020-07-10 南京航空航天大学 一种面向延误传播的航班起降时间预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180374019A1 (en) * 2017-06-22 2018-12-27 The Boeing Company Flight schedule determining systems and methods

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956621A (zh) * 2016-04-29 2016-09-21 南京航空航天大学 一种基于进化欠抽样集成学习的航班延误预警方法
CN106650985A (zh) * 2016-09-12 2017-05-10 南京航空航天大学 基于随机Petri网的不正常航班衍生事件链式效应预测方法
CN108519988A (zh) * 2018-02-27 2018-09-11 北京航空航天大学 基于格兰杰检验的航空延误因果关系网络构建方法
CN111401601A (zh) * 2019-12-23 2020-07-10 南京航空航天大学 一种面向延误传播的航班起降时间预测方法
CN110956342A (zh) * 2020-01-02 2020-04-03 中国民航大学 基于注意力机制的CliqueNet航班延误预测方法

Also Published As

Publication number Publication date
CN112270445A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN112270445B (zh) 基于统计分析和分类预测的航班延误波及综合评估方法
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
Herrema et al. A machine learning model to predict runway exit at Vienna airport
CN114664091A (zh) 一种基于节假日流量预测算法的预警方法及系统
Choi et al. Artificial neural network models for airport capacity prediction
CN113344408B (zh) 民航交通管制运行多尺度态势感知流程的处理方法
CN116468186B (zh) 一种航班链延误时间预测方法、电子设备及存储介质
CN110796315B (zh) 基于时效信息和深度学习的离港航班延误预测方法
Basturk et al. Prediction of aircraft estimated time of arrival using machine learning methods
CN113610282A (zh) 航班滑行时间预测方法
Lu et al. Flight delay prediction using gradient boosting machine learning classifiers
Du et al. Finding Similar Historical Scenarios for Better Understanding Aircraft Taxi Time: A Deep Metric Learning Approach
Yang et al. Departure delay prediction and analysis based on node sequence data of ground support services for transit flights
Zhang et al. Runway visual range prediction based on ensemble learning
Qi et al. Departure Flight Delay Prediction and Visual Analysis Based on Machine Learning
e Silva New Type of Aeronautical Risk Assessment: Performance of Kohonen Self-Organizing Maps in Identifying Brazilian Aircraft with Greater Associated Risks
Qian et al. Research on multi-source data fusion in the field of atmospheric environmental monitoring
Qisong et al. Research on Prediction Model of Flight Departure Runway
Jarry et al. Toward novel environmental impact assessment for ANSPs using machine learning
Shafienya et al. 4D flight trajectory prediction based on ADS-B data: A comparison of CNN-GRU models
Satapathy et al. Sensitivity of Efficient Descent Advisor (EDA) Performance to Trajectory Prediction (TP) Errors
US12026440B1 (en) Optimizing aircraft flows at airports using data driven predicted capabilities
AU2021100003A4 (en) A deep transportation model to predict the human mobility for autonomous vehicle
Xu Physics-guided Machine Learning in Air Traffic Flow Prediction and Optimization
Bisandu et al. A hybrid Ensemble Machine Learning approach for arrival flight delay classification prediction using voting aggregation technique

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