CN112348225B - 航迹预测方法、电子设备、非瞬时性计算机可读存储介质 - Google Patents
航迹预测方法、电子设备、非瞬时性计算机可读存储介质 Download PDFInfo
- Publication number
- CN112348225B CN112348225B CN202010976631.2A CN202010976631A CN112348225B CN 112348225 B CN112348225 B CN 112348225B CN 202010976631 A CN202010976631 A CN 202010976631A CN 112348225 B CN112348225 B CN 112348225B
- Authority
- CN
- China
- Prior art keywords
- training
- track
- flight
- data
- time
- 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 149
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 97
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims description 718
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012946 outsourcing Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 28
- 238000004891 communication Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000010006 flight Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000000758 substrate Substances 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0047—Navigation or guidance aids for a single aircraft
- G08G5/0052—Navigation or guidance aids for a single aircraft for cruising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
一种航迹预测方法、电子设备、非瞬时性计算机可读存储介质。该航迹预测方法包括:获取待预测航班的预测数据,其中,预测数据包括待预测航班的基本信息;基于基本信息,确定与待预测航班对应的飞行分类模型;通过飞行分类模型对预测数据进行处理,生成与待预测航班对应的标准航迹;获取待预测航班的当前信息;根据当前信息以及标准航迹,得到待预测航班的预测结果。该航迹预测方法不依赖空气动力学、牛顿力学模型,在不需要获取动力学参数的情况下,通过预先训练好的基于历史航班数据的航迹预测模型,即飞行分类模型,得到待预测航班的预测结果,例如,待预测航班的预测航迹,从而使得航迹预测不受复杂的动力学参数影响。
Description
技术领域
本公开的实施例涉及一种航迹预测方法、电子设备、非瞬时性计算机可读存储介质。
背景技术
航迹预测是现代航空管理自动化的核心,对飞行器的航迹的精确预测是实现航空管理自动化的先决条件。航迹预测是指对航班飞行过程中经过的航路点的经度、纬度、高度和时间进行预测,提高空中管制效率,提供及时、最优的冲突解决方案,缓解航班延误。
发明内容
本公开至少一实施例提供一种航迹预测方法,包括:获取待预测航班的预测数据,其中,所述预测数据包括所述待预测航班的基本信息;于所述基本信息,确定与所述待预测航班对应的飞行分类模型;通过所述飞行分类模型对所述预测数据进行处理,生成与所述待预测航班对应的标准航迹,其中,所述标准航迹包括标准巡航航迹,所述标准巡航航迹包括多个航路点;获取所述待预测航班的当前信息,其中,所述当前信息包括当前位置和当前时间;根据所述当前信息以及所述标准航迹,得到所述待预测航班的预测结果,其中,所述预测结果包括所述待预测航班经过与所述当前信息对应的所述多个航路点的过点时间和与所述当前信息对应的预达时间。
例如,在本公开至少一实施例提供的航迹预测方法中,所述基本信息包括所述待预测航班对应的机场对,所述机场对之间设置有与所述待预测航班对应的航路,所述飞行分类模型基于训练航班数据集训练生成,所述训练航班数据集与所述机场对对应,或者,所述训练航班数据集与所述航路对应。
例如,在本公开至少一实施例提供的航迹预测方法中,所述飞行分类模型包括出走廊口时间分类模型、进走廊口时间分类模型以及巡航航迹模型;所述预测数据还包括所述待预测航班的起飞时间,所述通过所述飞行分类模型对所述预测数据进行处理,生成与所述待预测航班对应的标准航迹,包括:通过所述出走廊口时间分类模型对所述基本信息进行处理,以获得所述待预测航班的出走廊口时间;通过所述进走廊口时间分类模型对所述基本信息进行处理,以获得所述待预测航班的进走廊口时间;通过所述巡航航迹模型对所述基本信息进行处理,以获得所述待预测航班对应的航迹类别、所述航迹类别对应的标准巡航航迹;基于所述起飞时间、所述出走廊口时间、所述进走廊口时间、所述标准巡航航迹生成与所述待预测航班对应的标准航迹,其中,所述标准航迹包括标准预达时间、多个航路点时间间隔、与所述多个航路点对应的标准过点时间、所述标准巡航航迹,其中,所述标准巡航航迹还包括与所述多个航路点分别对应的航路点信息,每个所述航路点时间间隔为所述多个航路点中的相邻两个航路点之间的时间间隔。
例如,在本公开至少一实施例提供的航迹预测方法中,所述机场对包括一个起飞机场和一个到达机场,所述多个航路点包括第一航路点和第二航路点,所述第一航路点为所述多个航路点中的距离所述起飞机场最近的一个航路点,所述第二航路点为所述多个航路点中的距离所述到达机场最近的一个航路点,所述基于所述起飞时间、所述出走廊口时间、所述进走廊口时间、所述标准巡航航迹生成与所述待预测航班对应的标准航迹,根据所述待预测航班的起飞时间以及所述出走廊口时间,得到所述待预测航班经过所述第一航路点的标准过点时间;根据所述多个航路点以及与所述多个航路点分别对应的航路点信息,得到所述多个航路点时间间隔;根据所述第一航路点的过点时间以及所述多个航路点时间间隔,得到所述多个航路点中除了所述第一航路点之外的所有航路点的标准过点时间;根据所述第二航路点的标准过点时间以及所述进走廊口时间,得到所述标准预达时间。
例如,在本公开至少一实施例提供的航迹预测方法中,从所述起飞机场沿着所述标准航迹的指向所述到达机场的方向为第一方向,所述根据所述当前信息以及所述标准航迹,得到所述待预测航班的预测结果,包括:逐个计算所述当前位置与所述多个航路点中的任意两个相邻航路点的距离之和,将所述距离之和中的最小值对应的两个相邻航路点中,沿所述第一方向的远离所述起飞机场的航路点作为目标航路点;根据所述目标航路点,获取第三航路点,其中,所述第三航路点为所述多个航路点中的在所述第一方向上位于所述目标航路点之前且与所述目标航路点相邻的一个航路点;根据所述当前位置、所述第三航路点对应的航路点信息、所述目标航路点对应的航路点信息以及所述目标航路点与所述第三航路点之间的航路点时间间隔,得到与所述目标航路点对应的过点时间差;根据所述当前时间、与所述目标航路点对应的过点时间差、所述多个航路点时间间隔,得到与所述当前信息对应的航路点的过点时间,其中,与所述当前信息对应的航路点包括所述目标航路点、所述多个航路点中沿所述第一方向的位于所述目标航路点之后的所有航路点;根据所述第二航路点的过点时间以及所述进走廊口时间,得到与所述当前信息对应的所述预达时间。
例如,在本公开至少一实施例提供的航迹预测方法中,所述预测结果还包括所述待预测航班的预测航迹,根据所述当前信息以及所述标准航迹,得到所述待预测航班的预测结果,还包括:根据与所述当前信息对应的航路点的过点时间以及所述标准巡航航迹得到所述待预测航班的预测航迹。
例如,在本公开至少一实施例提供的航迹预测方法中,在获取所述待预测航班的预测数据之前,所述方法还包括:生成所述飞行分类模型,其中,生成所述飞行分类模型包括:获取所述训练航班数据集,其中,所述训练航班数据集包括N个训练航班数据,所述N个训练航班数据中的每个训练航班数据包括该训练航班数据对应的训练航班的基本信息和训练航迹数据,N为正整数;根据所述训练航班数据集,获取所述N个训练航班数据分别对应的出走廊口时间以及进走廊口时间;对所述N个训练航班数据的训练航迹数据进行处理,以分别生成所述N个训练航班数据对应的类别标签;基于所述N个训练航班数据包括的基本信息和所述N个训练航班数据分别对应的类别标签,训练待训练的巡航航迹模型以得到所述巡航航迹模型;基于所述N个训练航班数据包括的基本信息和所述N个训练航班数据分别对应的出走廊口时间,训练待训练的出走廊口时间分类模型以得到所述出走廊口时间分类模型;基于所述N个训练航班数据包括的基本信息和所述N个训练航班数据分别对应的进走廊口时间,训练待训练的进走廊口时间分类模型以得到所述进走廊口时间分类模型。
例如,在本公开至少一实施例提供的航迹预测方法中,每个所述训练航班数据的训练航迹数据包括多个训练航迹点以及与所述多个训练航迹点分别对应的训练航迹点信息,每个所述训练航迹点信息包括训练航迹点时间,每个所述训练航班数据还包括训练起飞时间和训练降落时间,所述根据所述训练航班数据集,获取所述N个训练航班数据分别对应的出走廊口时间以及进走廊口时间,包括:对于所述N个训练航班数据中的第i个训练航班数据:获取所述第i个训练航班数据对应的出走廊口点和进走廊口点;基于所述出走廊口点和所述进走廊口点,获取距离所述出走廊口点最近的训练航迹点的训练航迹点时间和距离所述进走廊口点最近的训练航迹点的训练航迹点时间;将所述距离所述出走廊口点最近的训练航迹点的训练航迹点时间减去所述出走廊口点对应的训练航班数据中的训练起飞时间,得到所述第i个训练航班数据对应的出走廊口时间;将所述距离所述进走廊口点最近的训练航迹点的训练航迹点时间减去所述进走廊口点对应的训练航班数据中的训练降落时间,得到所述第i个训练航班数据对应的进走廊口时间;其中,i为正整数,且小于等于N。
例如,在本公开至少一实施例提供的航迹预测方法中,所述对所述N个训练航班数据的训练航迹数据进行处理,以分别生成所述N个训练航班数据对应的类别标签,包括:根据所述N个训练航班数据的训练航迹数据,确定所述N个训练航班数据分别对应的巡航航迹数据,其中,每个所述训练航班数据对应的巡航航迹数据包括该训练航班数据的训练航迹数据包括的多个训练航迹点中的部分训练航迹点和所述部分训练航迹点对应的训练航迹点信息,所述部分训练航迹点包括该训练航班数据的训练航迹数据包括的多个训练航迹点中的距离出走廊口点最近的训练航迹点、距离进走廊口点最近的训练航迹点以及位于所述距离出走廊口点最近的训练航迹点与所述距离进走廊口点最近的训练航迹点之间的所有训练航迹点;响应于所述N小于第一值,确定所述N个训练航班数据属于第一航迹类别,对所述N个训练航班数据对应的巡航航迹数据进行平均处理,获取所述第一航迹类别对应的标准巡航航迹,其中,所述第一航迹类别对应的标准巡航航迹包括多个标准航路点以及与所述第一航迹类别对应的标准巡航航迹包括的所述多个标准航路点分别对应的航路点信息,所述N个训练航班数据对应的类别标签相同且包括所述第一航迹类别对应的标准巡航航迹;响应于所述N大于第一值,对所述N个训练航班数据对应的巡航航迹数据进行聚类处理,获取所述N个训练航班数据的聚类结果,其中,所述聚类结果包括M个航迹类别,M为正整数,根据所述聚类结果,分别生成所述N个训练航班数据对应的类别标签,其中,每个所述训练航班数据的类别标签包括该训练航班数据所属的航迹类别对应的标准巡航航迹。
例如,在本公开至少一实施例提供的航迹预测方法中,所述对所述N个训练航班数据对应的巡航航迹数据进行平均处理,获取所述第一航迹类别对应的标准巡航航迹,包括对于所述N个训练航班数据中的每个训练航班数据,在时间上,对所述每个训练航班数据对应的巡航航迹数据以切片时间间隔执行最小外包矩形距离切片,得到所述每个训练航班数据对应的多个切片航迹数据;获取所述第一航迹类别对应的中心航迹数据;根据所述第一航迹类别对应的中心航迹数据以及所述第一航迹类别中每个训练航班数据对应的多个切片航迹数据,得到所述第一航迹类别对应的航迹点数据,其中,所述第一航迹类别对应的航迹点数据包括多个航迹点以及每个所述航迹点对应的航迹点信息;根据所述第一航迹类别对应的航迹点数据,得到所述第一航迹类别对应的标准巡航航迹。
例如,在本公开至少一实施例提供的航迹预测方法中,所述对所述N个训练航班数据对应的巡航航迹数据进行聚类处理,获取所述N个训练航班数据的聚类结果,包括:对于所述N个训练航班数据中的每个训练航班数据,在时间上,对所述每个训练航班数据对应的巡航航迹数据以切片时间间隔执行最小外包矩形距离切片,得到所述每个训练航班数据对应的多个切片航迹数据;利用动态时间弯曲距离方法对所述N个训练航班数据对应的所有切片航迹数据进行处理,得到多个相似度值,其中,每个所述相似度值对应于所述N个训练航班数据中的两个训练航班数据,且是通过所述动态时间弯曲距离算法对所述两个训练航班数据对应的切片航迹数据进行处理得到的;基于所述多个相似度值,生成所述N个训练航班数据对应的相似度矩阵;根据所述相似度矩阵,得到所述N个训练航班数据的最佳分类个数;基于层次聚类方法,根据所述最佳分类个数和所述相似度矩阵,确定所述N个训练航班数据的聚类结果,其中,所述最佳分类个数为M,所述M个航迹类别中的每个所述航迹类别包括与该航迹类别对应的至少一个训练航班数据。
例如,在本公开至少一实施例提供的航迹预测方法中,所述对所述N个训练航班数据对应的巡航航迹数据进行聚类处理,获取所述N个训练航班数据的聚类结果,包括:根据所述训练航班数据集,获取分别与所述N个训练航班数据一一对应的N个巡航总时间;利用均值漂移方法对所述N个巡航总时间进行处理,获取每个训练航班数据对应的总时间聚类结果,其中,所述总时间聚类结果包括P个总时间聚类,每个总时间聚类包括与该总时间聚类对应的至少一个训练航班数据;针对所述P个总时间聚类中的第j个总时间聚类:对于所述第j个总时间聚类对应的每个训练航班数据,在时间上,对所述每个训练航班数据对应的巡航航迹数据以切片时间间隔执行最小外包矩形距离切片,得到所述第j个总时间聚类对应的所述每个训练航班数据对应的多个切片航迹数据;利用动态时间弯曲距离方法对所述第j个总时间聚类对应的全部训练航班数据对应的所有切片航迹数据进行处理,得到多个相似度值,其中,每个所述相似度值对应于所述第j个总时间聚类对应的全部训练航班数据中的两个训练航班数据,且是通过所述动态时间弯曲距离算法对所述两个训练航班数据对应的切片航迹数据进行处理得到的;基于所述多个相似度值,生成所述第j个总时间聚类对应的相似度矩阵;根据所述第j个总时间聚类对应的相似度矩阵,得到所述第j个总时间聚类的最佳分类个数;基于层次聚类方法,根据所述最佳分类个数和所述第j个总时间聚类对应的相似度矩阵,获取所述第j个总时间聚类的聚类结果;其中,所述最佳分类个数表示为T,所述第j个总时间聚类的聚类结果包括T个航迹类别,每个航迹类别包括与该航迹类别对应的训练航班数据,所述N个训练航班数据的聚类结果包括所述P个总时间聚类的聚类结果,P、j、T均为正整数,j小于等于P。
例如,在本公开至少一实施例提供的航迹预测方法中,所述根据所述训练航班数据集,获取分别与所述N个训练航班数据一一对应的N个巡航总时间,包括:对于所述N个训练航班数据中的第i个训练航班数据:获取所述第i个训练航班数据对应的出走廊口时间和进走廊口时间;将所述进走廊口时间减去所述出走廊口时间,得到所述第i个训练航班数据对应的巡航总时间,其中,i为正整数,且小于等于N。
例如,在本公开至少一实施例提供的航迹预测方法中,所述M个航迹类别中的每个航迹类别包括与该航迹类别对应的训练航班数据,所述根据所述聚类结果,分别生成所述N个训练航班数据对应的类别标签,包括:针对所述M个航迹类别中的第q个航迹类别:获取所述第q个航迹类别对应的中心航迹数据;根据所述第q个航迹类别对应的中心航迹数据以及所述q个航迹类别中每个训练航班数据对应的多个切片航迹数据,得到所述第q个航迹类别对应的航迹点数据,其中,所述第q个航迹类别对应的航迹点数据包括多个航迹点以及与所述第q个航迹类别对应的航迹点数据包括的多个航迹点分别对应的航迹点信息;根据所述第q个航迹类别对应的航迹点数据,得到所述第q个航迹类别对应的标准巡航航迹,其中,所述第q个航迹类别对应的标准巡航航迹包括多个标准航路点以及与所述第q个航迹类别对应的标准巡航航迹包括的所述多个标准航路点分别对应的航路点信息;所述第q个航迹类别中每个航班数据对应的类别标签包括所述第q个航迹类别对应的标准巡航航迹,所述q小于等于M。
例如,在本公开至少一实施例提供的航迹预测方法中,所述第一航迹类别对应的中心航迹数据为所述第一航迹类别包括的训练航班数据中的一个训练航班数据对应的巡航航迹数据,所述根据所述第一航迹类别对应的中心航迹数据以及所述第一航迹类别中每个训练航班数据对应的多个切片航迹数据,得到所述第一航迹类别对应的航迹点数据,包括:将所述第一航迹类别中的所有训练航班数据对应的巡航航迹数据以所述第一航迹类别对应的中心航迹数据为基准对齐,以使得所述第一航迹类别中的每个训练航班数据对应的切片航迹数据的数量为定值;获取所述第一航迹类别中的所有训练航班数据对应的巡航航迹数据中的第t个切片航迹数据;对所述第一航迹类别中的所有训练航班数据对应的巡航航迹数据中的第t个切片航迹数据求平均值,得到第t个平均切片航迹数据,将所述第t个平均切片航迹数据作为所述第一航迹类别对应的航迹点数据的第t个切片航迹数据,其中,所述第一航迹类别对应的航迹点数据的第t个切片航迹数据为所述第一航迹类别对应的航迹点数据包括的多个航迹点中的第t个航迹点对应的航迹点信息,t为正整数,且小于等于所述定值。
例如,在本公开至少一实施例提供的航迹预测方法中,所述训练航班数据还包括飞行方向,所述根据所述第一航迹类别对应的航迹点数据,得到所述第一航迹类别对应的标准巡航航迹,包括:沿所述飞行方向遍历所述第一航迹类别对应的航迹点数据的所有航迹点,响应于所述第一航迹类别对应的航迹点数据中的第n个航迹点的第一距离范围内存在参考航路点集合中的任意一个参考航路点,将所述任意一个参考航路点作为所述第一航迹类别对应的标准巡航航迹的标准航路点,其中,所述参考航路点集合中的每个参考航路点对应有参考航路点信息,所述标准巡航航迹的每个标准航路点对应的航路点信息包括所述每个标准航路点对应的参考航路点对应的参考航路点信息以及所述第n个航迹点的航迹点信息。
例如,在本公开至少一实施例提供的航迹预测方法中,所述基于所述N个训练航班数据包括的基本信息和所述N个训练航班数据分别对应的出走廊口时间,训练待训练的出走廊口时间分类模型以得到所述出走廊口时间分类模型,包括:利用均值漂移方法对所述N个训练航班数据分别对应的出走廊口时间进行处理得到出走廊口聚类结果,根据所述出走廊口聚类结果获取所述N个训练航班数据中每个所述训练航班数据对应的出走廊口类别标签,基于所述N个训练航班数据包括的基本信息以及所述每个训练航班数据对应的出走廊口类别标签,训练待训练的出走廊口时间分类模型以得到所述出走廊口时间分类模型;所述基于所述N个训练航班数据包括的基本信息和所述N个训练航班数据分别对应的进走廊口时间,训练待训练的进走廊口时间分类模型以得到所述进走廊口时间分类模型,包括:利用所述均值漂移方法对所述N个训练航班数据分别对应的进走廊口时间进行处理得到进走廊口聚类结果,根据所述进走廊口聚类结果获取所述N个训练航班数据中每个所述训练航班数据对应的进走廊口类别标签,基于所述N个训练航班数据包括的基本信息以及所述每个训练航班数据对应的进走廊口类别标签,训练待训练的进走廊口时间分类模型以得到所述进走廊口时间分类模型。
本公开至少一实施例提供一种电子设备,包括:存储器,用于非瞬时性地存储计算机可执行指令;处理器,用于运行所述计算机可执行指令,所述计算机可执行指令被所述处理器运行时实现根据本公开任一实施例所述的航迹预测方法。
本公开至少一实施例提供一种非瞬时性计算机可读存储介质,其中,所述非瞬时性计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现根据本公开任一实施例所述的航迹预测方法。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例的附图作简单地介绍,显而易见地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本公开至少一实施例提供的一种航迹预测方法的示意性流程图;
图2为本公开至少一实施例提供的一种航迹预测过程的示意图;
图3为本公开至少一实施例提供的一种飞行分类模型成方法的示意性流程图;
图4为本公开至少一实施例提供的基于平均处理得到标准巡航航迹的示意性流程图;
图5为本公开至少一实施例提供的一种电子设备的示意性框图;
图6为本公开至少一实施例提供的一种非瞬时性计算机可读存储介质的示意图;
图7为本公开至少一实施例提供的一种硬件环境的示意图。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
为了保持本公开实施例的以下说明清楚且简明,本公开省略了部分已知功能和已知部件的详细说明。
目前,大多数航迹预测都是基于空气动力学或牛顿力学模型,将整个飞行轨迹划分为爬升、巡航、下降等若干个阶段,分别建立每个阶段的运动方程并定义参数,从而得到预测的航迹。但是,由于飞行过程中的温度、压力、空气密度等参数是不断变化的,因此难以对航迹进行精确估计;飞行过程并不一定完全按阶段划分,使得预测的航迹与实际偏差较大;此外,飞行过程中会遇到一些突发管制事件,从而影响通过这种方法所预测的航迹的精度。
本公开至少一实施例提供一种航迹预测方法、电子设备、非瞬时性计算机可读存储介质。航迹预测方法包括:获取待预测航班的预测数据,其中,预测数据包括待预测航班的基本信息;基于基本信息,确定与待预测航班对应的飞行分类模型;通过飞行分类模型对预测数据进行处理,生成与待预测航班对应的标准航迹,其中,标准航迹包括标准巡航航迹,标准巡航航迹包括多个航路点;获取待预测航班的当前信息,其中,当前信息包括当前位置和当前时间;根据当前信息以及标准航迹,得到待预测航班的预测结果,其中,预测结果包括待预测航班经过与当前信息对应的多个航路点的过点时间和与当前信息对应的预达时间。
该航迹预测方法不依赖空气动力学、牛顿力学模型,在不需要获取动力学参数的情况下,通过预先训练好的基于历史航班数据的航迹预测模型,即飞行分类模型,得到待预测航班的预测结果,例如,待预测航班的预测航迹,从而使得航迹预测不受复杂的动力学参数影响,降低航迹预测过程的计算复杂度,同时提高预测的航迹精度。
需要说明的是,本开中的航迹点指通过雷达探测得到的航班飞行实际路过的航迹点,参考航路点为国家统一划定的空域点且为固定点,参考航路点集合为全部参考航路点构成的集合,航路点为从参考航路点集合中选择的参考航路点。
下面结合附图对本公开的实施例进行详细说明,但是本公开并不限于这些具体的实施例。
图1为本公开至少一实施例提供的一种航迹预测方法的示意性流程图。如图1所示,本公开实施例提供的航迹预测方法包括步骤S110至S150。
首先,在步骤S110,获取待预测航班的预测数据,其中,预测数据包括待预测航班的基本信息。
例如,查询数据库获取待预测航班的预测数据,预测数据包括待预测航班的基本信息,例如,基本信息可以包括与待预测航班对应的起飞机场、降落机场、航路、航空公司、航季、客货标识、飞机类型等。
例如,在一些示例中,可以获取多个待预测航班的预测数据,从而能够同时对多个待预测航班进行航迹预测。例如,所有航班的相关数据都存储在数据库中,例如,该数据库可以为分布式数据库,每个航班的相关数据可以包括起飞机场、降落机场、起飞时间、降落时间、机型、航季、客货类型、航路、航班当前位置等。例如,根据数据库中的起飞机场值、降落机场值等信息从数据库中的所有航班数据中获取在当前时刻已经起飞的航班作为待预测航班,并获取待预测航班的航班数据,作为该待预测航班的预测数据,例如,若航班当前位置值为“空”值,则判定该航班未起飞,若航班当前位置为“非空”值,则判定该航班已经起飞。
接着,在步骤S120,基于基本信息,确定与待预测航班对应的飞行分类模型。
例如,飞行分类模型为通过对一段时间范围内的训练航班数据集进行聚类处理,从而将训练航班划分为多个航迹类别并获得每个航迹类别的类别标签,再根据训练航班的基本信息以及训练航班对应的类别标签建立的分类模型。
例如,在一些示例中,训练航班数据集与机场对对应,例如,机场对包括一个起飞机场和一个到达机场,在一个示例中,机场对包括北京机场和广州机场,北京机场可以为起飞机场,相应地,广州机场可以为到达机场;或者,北京机场可以为到达机场,相应地,广州机场可以为起飞机场。训练航班数据集可以为一个月内对应于北京机场和广州机场的历史航班数据,由该训练航班数据集得到的飞行分类模型对应于北京机场和广州机场,也即是,若待预测航班的基本信息中起飞机场为北京机场/广州机场,降落机场为广州机场/北京机场,则采用对应于北京机场和广州机场的飞行分类模型对该待预测航班进行处理。
例如,在另一些示例中,由于机场对之间可能存在多个航路,因此训练航班数据集还可以与机场对之间设置的与待预测航班对应的航路对应,例如,北京机场与广州机场之间存在1号航路、2号航路以及3号航路,训练航班数据集与1号航路对应,由该训练航班数据集得到的飞行分类模型对应于北京机场和广州机场之间的1号航路,例如,若待预测航班的基本信息中起飞机场为北京机场/广州机场,降落机场为广州机场/北京机场,航路为1号航路,则采用对应于北京机场和广州机场之间的1号航路的飞行分类模型。采用这种方式可以对航迹类别进行进一步细分,从而使得预测航迹与实际航迹的匹配度更高,提高预测航迹的精度。
例如,在另一些示例中,由于航班的飞行会受到季节变化的影响,因此,飞行分类模型也可以与航季对应,在航迹预测时,可以选择与航迹预测的航季相匹配的飞行分类模型,提高预测航迹的准确度。例如,一段时间范围内的训练航班数据集为夏季和秋季的训练航班数据,该训练航班数据集对应的飞行分类模型用于对夏季和秋季的航迹进行预测;例如,一段时间范围内的训练航班数据集为冬季和春季的训练航班数据,该训练航班数据集对应的飞行分类模型用于对冬季和春季的航迹进行预测。
接着,在步骤S130,通过飞行分类模型对预测数据进行处理,生成与待预测航班对应的标准航迹。
例如,预测数据可以包括预测航班的起飞时间。
例如,飞行分类模型包括出走廊口时间分类模型、进走廊口时间分类模型以及巡航航迹模型。
例如,将待预测航班的基本信息作为查询条件或者分类特征输入飞行分类模型进行处理,生成与待预测航班对应的标准航迹。例如,通过出走廊口时间分类模型对待预测航班的基本信息进行处理,以获得待预测航班的出走廊口时间;通过进走廊口时间分类模型对待预测航班的基本信息进行处理,以获得待预测航班的进走廊口时间;通过巡航航迹模型对待预测航班的基本信息进行处理,以获得待预测航班对应的航迹类别、该航迹类别对应的标准巡航航迹;基于待预测航班的起飞时间、出走廊口时间、进走廊口时间、标准巡航航迹生成与待预测航班对应的标准航迹。
例如,标准航迹包括标准预达时间、多个航路点时间间隔、多个航路点对应的标准过点时间和该航迹类别对应的标准巡航航迹,例如,每个航路点时间间隔为多个航路点中的相邻两个航路点之间的时间间隔,例如,该标准巡航航迹包括多个航路点以及与多个航路点分别对应的航路点信息,每个航路点信息可以包括该航路点的航路点经度、航路点纬度、航路点高度以及航路点时间等。
例如,标准预达时间表示与该待预测航班的起飞时间对应的预达时间,标准过点时间表示与该待预测航班的起飞时间对应的过点时间。
例如,在时间上,标准航迹可以被划分为三个阶段,分别为出走廊口阶段、进走廊口阶段以及巡航阶段,对应于飞行分类模型的出走廊口时间分类模型、进走廊口时间分类模型以及巡航航迹模型;标准巡航航迹表示待预测航班在巡航阶段所对应的航迹,也即在出走廊口点与进走廊口点之间的航迹。
例如,多个航路点包括第一航路点和第二航路点,第一航路点为标准巡航航迹的多个航路点中的距离起飞机场最近的一个航路点,第二航路点为多个航路点中的距离到达机场最近的一个航路点。例如,在基于待预测航班的起飞时间、出走廊口时间、进走廊口时间、标准巡航航迹生成与待预测航班对应的标准航迹的过程中,首先根据待预测航班的起飞时间以及出走廊口时间,得到待预测航班经过第一航路点的标准过点时间,例如,起飞时间为16点30分,出走廊口时间为30分钟,则待预测航班经过第一航路点的标准过点时间为17点;接着,根据标准巡航航迹的多个航路点和多个航路点分别对应的航路点信息,得到多个航路点时间间隔,例如,例如航路点信息包括航路点经度、航路点纬度、航路点高度以及航路点时间,相邻两个航路点之间的时间间隔可以通过该相邻两个航路点对应的航路点时间计算得到;接着,根据第一航路点的过点时间以及多个航路点时间间隔,得到标准巡航航迹的多个航路点中除了第一航路点之外的所有航路点的标准过点时间;最后,根据第二航路点的标准过点时间以及进走廊口时间,得到标准预达时间,例如,第二航路点的标准过点时间为18点30分,进走廊口时间为30分钟,标准预达时间为19点。
接着,在步骤S140,获取待预测航班的当前信息。
例如,待预测航班的当前信息包括当前位置和当前时间,在实时预测中,当前位置表示待预测航班当前所在位置,当前时间表示待预测航班处于当前位置时所对应的时间,例如,待预测航班的当前位置可以通过数据库查询得到。
接着,在步骤S150,根据当前信息以及标准航迹,得到待预测航班的预测结果。
例如,预测结果可以包括待预测航班经过与当前信息对应的航路点的过点时间和与当前信息对应的预达时间。
例如,以5分钟为间隔,根据步骤S140获得的当前信息以及步骤S130获得的标准航迹,对待预测航班后续的飞行航迹进行预测,得到待预测航班的预测结果,也就是说,每隔5分钟,则获取待预测航班的当前信息,并基于当前信息确定待预测航班的预测结果。例如,在17点30分,获取待预测航班的信息作为当前信息(此时,当前信息中的当前时间为17点30分),并基于当前信息确定待预测航班的与17点30分对应的预测结果;接下来,可以在17点35分,获取待预测航班的信息作为当前信息(此时,当前信息中的当前时间为17点35分),并基于当前信息确定待预测航班的与17点35分对应的预测结果,依次类推。需要说明的是,在本公开的实施例中,获取待预测航班的当前信息的时间间隔不限于5分钟,还可以为3分钟、10分钟等,可以根据实际情况确定。
例如,从待预测航班的起飞机场沿着标准航迹的指向待预测航班的到达机场的方向为第一方向,步骤S150可以包括:首先,根据待预测航班的当前位置,确定标准巡航航迹的多个航路点中的目标航路点,例如,逐个计算待预测航班的当前位置与标准航迹的多个航路点中的任意两个相邻航路点的距离之和,将距离之和中的最小值对应的两个相邻航路点中,沿第一方向的远离起飞机场的航路点作为目标航路点;接着,根据目标航路点,获取第三航路点,例如,第三航路点为多个航路点中的在第一方向上位于目标航路点之前且与目标航路点相邻的一个航路点;接着,根据当前位置、第三航路点对应的航路点信息、目标航路点对应的航路点信息以及目标航路点与第三航路点之间的航路点时间间隔,得到与目标航路点对应的过点时间差;根据当前时间、与目标航路点对应的过点时间差、多个航路点时间间隔,得到与当前信息对应的航路点的过点时间,例如,与当前信息对应的航路点包括目标航路点、标准航迹中沿第一方向的位于目标航路点之后的所有航路点;最后,根据第二航路点的过点时间以及进走廊口时间,得到与当前信息对应的预达时间。
图2为本公开至少一实施例提供的一种航迹预测过程的示意图。五角星DA代表起飞机场,五角星LA代表降落机场,起飞机场DA至降落机场LA之间的实线代表根据飞行分类模型得到的起飞机场DA和降落机场LA对应的标准航迹,箭头所指方向为第一方向,H1、H2、H3为标准航迹中的标准巡航航迹的三个相邻的航路点,H4为标准巡航航迹的第二航路点,P为待预测航班的当前位置,虚线a代表航路点H1与当前位置P之间的距离,虚线b代表航路点H2与当前位置P之间的距离,虚线c代表航路点H3与当前位置P之间的距离,d代表航路点H1与航路点H2之间的距离。下面以图2为例具体说明航迹预测过程。
首先,逐个计算待预测航班的当前位置P与标准巡航航迹中的任意两个相邻航路点的距离之和,例如,计算得到当前位置P与航路点H1和航路点H2的距离之和a+b,当前位置P与航路点H2和航路点H3的距离之和b+c,以此类推,选取计算得到的多个距离之和的最小值,例如距离之和的最小值为当前位置P与航路点H1和航路点H2的距离之和a+b,将距离之和中的最小值a+b对应的两个相邻航路点H1和H2中,沿第一方向的远离起飞机场DA的航路点H2作为目标航路点。
接着,根据目标航路点H2,获取第三航路点,例如,第三航路点为多个航路点中的在第一方向上位于目标航路点H2之前且与目标航路点H2相邻的一个航路点,例如,图2中的航路点H1为第三航路点。
接着,根据当前位置P、第三航路点H1对应的航路点信息、目标航路点H2对应的航路点信息以及目标航路点H2与第三航路点H1之间的航路点时间间隔,得到目标航路点的过点时间差。例如,与目标航路点对应的过点时间差ΔT可以用公式(1)计算得到:
其中,b为当前位置P与目标航路点H2之间的距离,且可以根据当前位置P和第三航路点H1对应的航路点信息确定,d为目标航路点H2与第三航路点H1之间的距离,且可以根据目标航路点H2对应的航路点信息和第三航路点H1对应的航路点信息确定,Δt为目标航路点H2与第三航路点H1之间的航路点时间间隔。需要说明的是,在本公开的实施例中,两个点(例如,当前位置P与目标航路点H2之间的距离b、目标航路点H2与第三航路点H1之间的距离d等)之间的距离可以表示两个点之间的直线距离。
接着,根据当前位置P对应的当前时间T、与目标航路点对应的过点时间差ΔT、多个航路点时间间隔,得到与当前信息对应的航路点的过点时间。例如,目标航路点H2的过点时间为当前时间T与目标航路点的过点时间差ΔT之和,航路点H3的过点时间为目标航路点H2的过点时间加上目标航路点H2与航路点H3之间的航路点时间间隔,以此类推,从而得到目标航路点H2的过点时间、标准航迹中沿第一方向的位于目标航路点H2之后的所有航路点的过点时间。
最后,根据第二航路点的过点时间以及进走廊口时间,得到与当前信息对应的预达时间,例如,将上述步骤计算得到的航路点H4的过点时间加上标准航迹对应的进走廊口时间,得到与当前信息对应的预达时间。
值得注意的是,在本公开中,某个航迹点也可以为航路点,即航路点和航迹点可以为同一个点。此外,在图2中,为了清楚示出各个航路点和当前位置,对各个航路点之间的距离、各个航路点和当前位置之间的距离均较大,实际上,当前位置P可以靠近标准航迹,甚至位于标准航迹上。各个航路点和当前位置之间的位置关系等可以根据实际情况确定,本公开对此不作限制。
例如,在一些示例中,预测结果还包括待预测航班的预测航迹,例如,预测航迹为待预测航班的飞行轨迹,预测航迹包括待预测航班的预测位置信息。例如,可以根据与当前信息对应的航路点的过点时间以及标准巡航航迹包括的多个航路点的航路点信息得到待预测航班的预测航迹,例如,航路点的航路点信息包括该航路点的航路点高度、航路点经度、航路点纬度、航路点速度等,从而可以根据航路点的过点时间以及多个航路点的航路点信息得到待预测航班的预测位置信息,进而得到待预测航班的预测航迹。
通过步骤S150获取得到的预测结果可以应用于共享平台,例如,发送给相关航空公司,或者应用于突发事件工具等。
本公开至少一实施例提供的一种航迹预测方法将航班的航迹划分为三个阶段,分别针对每个阶段建立不同的基于大量历史航班数据训练得到的各个模型,并基于训练得到的各个模型得到飞行分类模型,然后,根据待预测航班的基本信息得到其对应的飞行分类模型,接着,根据该飞行分类模型对待预测航班的预测数据进行处理,以得到待预测航班的对应的标准航迹,最后,基于标准航迹和待预测航班的当前信息得到预测结果,使得航迹预测不受复杂的动力学参数影响,降低航迹预测过程的计算复杂度,同时提高预测的航迹精度。
在执行步骤S110前,该航迹预测方法还包括生成飞行分类模型。准确、可靠的飞行分类模型可以得到更加精确的分类结果,且通过分类结果得到的标准航迹的精度越高,基于该标准航迹进行航迹预测的精度也越高。下面结合附图具体说明可应用于航迹预测的飞行分类模型的生成方法。
图3为本公开至少一实施例提供的一种飞行分类模型成成方法的示意性流程图。如图3所示,本公开实施例提供的飞行分类模型成成方法包括步骤S210至S260。
首先,在步骤S210,获取训练航班数据集。
例如,飞行分类模型基于训练航班数据集训练生成,训练航班数据集与某个机场对对应,也就是说,训练航班数据集可以包括某个机场对中的所有航路在一定时间范围内的航班数据;或者,训练航班数据集与某个航路对应,也就是说,训练航班数据集可以包括某个机场对中的某个航路在一定时间范围内的航班数据。
例如,训练航班数据集包括N个训练航班数据,该N个训练航班数据中的每个训练航班数据包括该训练航班数据对应的训练航班的基本信息和训练航迹数据。例如,训练航班的基本信息可以包括航空公司、航季、客货标示、航迹、飞机类型、起飞机场、降落机场等。
例如,可以通过查询数据库得到待训练模型对应的机场对的历史航班数据作为训练航班数据,例如,还可以对查询数据库得到的历史航班数据进行预处理,将得到的预处理后数据作为训练航班数据。例如,历史航班数据包括基础数据和航迹数据,基础数据包括航班相关的基本信息,例如机场对、航路点等信息,航迹数据包括起飞时间、降落时间、航迹、客货类型、航路、雷达点信息等,雷达点信息包括该雷达点对应的经度、纬度、高度以及时间,例如,对历史航班数据的预处理可以包括:若历史航班数据的起飞时间、降落时间为“空”值,则将该历史航班数据中的雷达点信息中的高度不为0的第一个雷达点对应的时间作为起飞时间,将该历史航班数据中的雷达点信息中的高度不为0的最后一个雷达点对应的时间作为降落时间;若历史航班数据的雷达点信息中的高度均为0,或者该历史航班数据的降落时间早于起飞时间,或者雷达点之间的时间间隔大于1小时等,则去除该历史航班数据。
接着,在步骤S220,根据训练航班数据集,获取N个训练航班数据分别对应的出走廊口时间以及进走廊口时间。
例如,每个训练航班数据的训练航迹数据包括多个训练航迹点以及与多个训练航迹点分别对应的训练航迹点信息,每个训练航迹点信息包括训练航迹点时间、训练航迹点经度、训练航迹点纬度和训练航迹点高度,每个训练航班数据还包括训练起飞时间和训练降落时间。
例如,在一些示例中,对于N个训练航班数据中的第i个训练航班数据,i为正整数且小于等于N,获取第i个训练航班数据对应的出走廊口时间以及进走廊口时间的过程可以包括:首先,获取第i个训练航班数据对应的出走廊口点和进走廊口点;接着,基于第i个训练航班数据对应的出走廊口点和进走廊口点,获取距离该出走廊口点最近的训练航迹点的训练航迹点时间和距离该进走廊口点最近的训练航迹点的训练航迹点时间;接着,将该距离该出走廊口点最近的训练航迹点的训练航迹点时间减去该出走廊口点对应的训练航班数据中的训练起飞时间,得到第i个训练航班数据对应的出走廊口时间;最后,将距离该进走廊口点最近的训练航迹点的训练航迹点时间减去该进走廊口点对应的训练航班数据中的训练降落时间,得到第i个训练航班数据对应的进走廊口时间。
训练航班数据的数量越多,所能得到的飞行分类模型也越准确,因而为提高训练航班数据的利用率,对不同情况的训练航班数据可以进行不同的处理,以获得其对应的出走廊口点以及进走廊口点。例如,训练航班数据可能出现数据缺失情况,例如,从训练航班数据对应的起飞机场沿着飞行航迹的指向到达机场的方向为训练飞行方向,若训练航班数据中的沿训练飞行方向的第一个训练航迹点对应的航迹点时间晚于起飞时间,判定该训练航班数据存在前缺失;若训练航班数据中的沿训练飞行方向的最后一个训练航迹点对应的航迹点时间早于降落时间,且该训练航迹点对应的训练航迹点高度大于0,判定该训练航班数据存在后缺失;若训练航班数据既存在前缺失又存在后缺失,判定该训练航班数据存在前后缺失;若训练航班数据既不存在前缺失又不存在后缺失,判定训练航班数据为正常航班数据。
例如,获取第i个训练航班数据对应的出走廊口点和进走廊口点以及获取距离该出走廊口点最近的训练航迹点和距离该进走廊口点最近的训练航迹点时,首先获取这N个训练航班数据对应的机场对的进近区,并获取每个训练航班数据的数据缺失情况;之后,根据第i个训练航班数据是否在进近区范围内存在训练航迹点以及数据缺失情况,获取其对应的出走廊口点和进走廊口点。
例如,若第i个训练航班数据为正常航班数据且其在进近区范围内存在训练航迹点,则将该第i个训练航班数据中的沿训练飞行方向的第一个不在进近区的训练航迹点作为距离该出走廊口点最近的训练航迹点,将该训练航迹点周围30km范围内的距离该训练航迹点最近的航路点作为出走廊口点。
例如,若第i个训练航班数据为正常航班数据且其在进近区范围内不存在训练航迹点,将第i个训练航班数据对应的基础数据中的最靠近起飞机场的航路点作为出走廊口点,将第i个训练航班数据对应的基础数据中的最靠近降落机场的航路点作为进走廊口点,将出走廊口点周围30km范围内的距离该出走廊口点最近的训练航迹点作为距离该出走廊口点最近的训练航迹点,将进走廊口点周围30km范围内的距离该进走廊口点最近的训练航迹点作为距离该进走廊口点最近的训练航迹点。
例如,若第i个训练航班数据存在前缺失,沿训练飞行方向遍历第i个训练航班数据的所有训练航迹点,若第一次有在第n个训练航迹点的周围30km范围内存在第i个训练航班数据对应的基础数据中的航路点,则将该航路点作为出走廊口点,第n个训练航迹点作为距离该出走廊口点最近的训练航迹点,在训练飞行方向上,第i个训练航班数据中的在第n个训练航迹点之前的所有训练航迹点的周围30km范围内均不存在第i个训练航班数据对应的基础数据中的航路点。此时,进走廊口点以及距离进走廊口点最近的训练航迹点的判断方法和正常航班数据的进走廊口点及距离进走廊口点最近的训练航迹点的判断方法相同。
例如,若第i个训练航班数据存在后缺失,沿训练飞行方向的逆方向遍历第i个训练航班数据的所有训练航迹点,若在第m个训练航迹点的周围30km范围内存在第i个训练航班数据对应的基础数据中的航路点,则将该航路点作为进走廊口点,第m个训练航迹点作为距离该进走廊口点最近的训练航迹点,在训练飞行方向上,第i个训练航班数据中的在第m个训练航迹点之后的所有训练航迹点的周围30km范围内均不存在第i个训练航班数据对应的基础数据中的航路点。此时,出走廊口点以及距离出走廊口点最近的训练航迹点的判断方法和正常航迹的出走廊口点及距离出走廊口点最近的训练航迹点的判断方法相同。
例如,若第i个训练航班数据存在前后缺失,则第i个训练航班数据的出走廊口点以及距离出走廊口点最近的训练航迹点的判断方法和存在前缺失的训练航班数据的出走廊口点及距离出走廊口点最近的训练航迹点的判断方法相同,第i个训练航班数据的进走廊口点以及距离进走廊口点最近的训练航迹点的判断方法和存在后缺失的训练航班数据的进走廊口点及距离进走廊口点最近的训练航迹点的判断方法相同。
接着,在步骤S230,对N个训练航班数据的训练航迹数据进行处理,以分别生成N个训练航班数据对应的类别标签。
训练航班数据对应的类别标签用于训练待训练巡航航迹模型以生成巡航航迹模型,巡航航迹模型的作用在于能够根据待预测航班的基本信息获得其对应的航迹类别,每个航迹类别对应一个类别标签,例如,类别标签可以包括该航迹类别的类别号、该航迹类别对应的标准巡航航迹等。
例如,在步骤S230,首先,根据N个训练航班数据的训练航迹数据,生成N个训练航班数据分别对应的巡航航迹数据,其中,每个训练航班数据对应的巡航航迹数据包括该训练航班数据的训练航迹数据包括的多个训练航迹点中的部分训练航迹点和部分训练航迹点对应的训练航迹点信息,部分训练航迹点包括该训练航班数据的训练航迹数据包括的多个训练航迹点中的距离出走廊口点最近的训练航迹点、距离进走廊口点最近的训练航迹点以及位于距离出走廊口点最近的训练航迹点与距离进走廊口点最近的训练航迹点之间的所有训练航迹点。
例如,在本公开至少一实施例中,由于训练航班数据量较少,通过对N个训练航班数据对应的巡航航迹数据进行平均处理即可得到相对准确的分类结果,也即类别标签。例如,若N小于4,也即训练航班数据的数量小于4,对N个训练航班数据对应的巡航航迹数据进行处理,以分别生成N个训练航班数据对应的类别标签的过程可以包括:首先,将N个训练航班数据作为一类,也即N个训练航班数据对应的航迹类别均为第一航迹类别,第一航迹类别包括N个训练航班数据;之后,对N个训练航班数据对应的巡航航迹数据进行平均处理,获取第一航迹类别对应的标准巡航航迹。
例如,N个训练航班数据对应的类别标签相同且包括第一航迹类别对应的标准巡航航迹。
例如,如图4所示,对N个训练航班数据对应的巡航航迹数据进行平均处理,获取第一航迹类别对应的标准巡航航迹时,该步骤可以具体包括步骤S2301-S2304。
首先,在步骤S2301,对N个训练航班数据中的每个训练航班数据,在时间上,对每个训练航班数据对应的巡航航迹数据以切片时间间隔执行最小外包矩形距离(MBR,Minimum Bounding Rectangle)切片,得到每个训练航班数据对应的多个切片航迹数据。
例如,巡航航迹数据中的训练航迹点的训练航迹点信息包括该训练航迹点的训练航迹点时间,对于N个训练航班数据中的第n个训练航班数据,基于第n个训练航班数据对应的巡航航迹数据中的所有训练航迹点的训练航迹点时间,以切片时间间隔对第n个训练航班数据对应的巡航航迹数据进行切片,以得到第n个训练航班数据对应的多个切片航迹数据。
例如,在一些示例中,切片时间间隔可以为3分钟,也即是以3分钟为间隔对巡航航迹数据进行采样,例如,在执行最小外包矩形距离切片时,首先取巡航航迹数据的第一个训练航迹点以及其对应的训练航迹点信息作为第一个中间切片数据,然后取与第一个中间切片数据相隔3分钟的训练航迹点以及其对应的训练航迹点信息作为第二个中间切片数据,接着取与第二个中间切片数据相隔3分钟的训练航迹点以及其对应的训练航迹点信息作为第三个中间切片数据,以此类推,得到巡航航迹数据以3分钟为间隔的多个中间切片数据;之后,将第一个中间切片数据的训练航迹点信息与第二个中间切片数据的训练航迹点信息取平均值,得到第一个平均训练航迹点信息,将第一个平均训练航迹点信息作为第一个切片航迹数据,将第二个中间切片数据的训练航迹点信息与第三个中间切片数据的训练航迹点信息取平均值,得到第二个平均训练航迹点信息,将第二个平均训练航迹点信息作为第二个切片航迹数据,以此类推,得到第n个训练航班数据对应的多个切片航迹数据。
需要说明的是,在本公开的实施例中,切片时间间隔还可以为2分钟、4分钟等,根据需要设置。
接着,在步骤S2302,获取第一航迹类别对应的中心航迹数据。
例如,将第一航迹类别中的所有训练航班数据,也即全部N个训练航班数据,按每个训练航班数据对应的切片航迹数据的个数以升序排序,按排序顺序对第一航迹类别中的所有训练航班数据进行编号,以得到每个训练航班数据对应的编号值;将编号值的最小值与编号值的最大值求和得到和值,将和值除以2的结果进行四舍五入取整以得到中心编号值,将第一航迹类别中多个训练航班数据中编号值为中心编号值的训练航班数据对应的巡航航迹数据作为第一航迹类别的中心航迹数据。
例如,在一些示例中,第一航迹类别包括三个训练航班数据,第一个训练航班数据对应的切片航迹数据的个数为30个,第二个训练航班数据对应的切片航迹数据的个数为35个,第三个训练航班数据对应的切片航迹数据的个数为40个,从而,第一个训练航班数据对应的编号值为0,第二个训练航班数据对应的编号值为1,第三个训练航班数据对应的编号值为2,此时计算得到中心编号值为1((0+2)/2),也即第一航迹类别的中心航迹数据为第二个训练航班数据对应的巡航航迹数据。
接着,在步骤S2303,根据第一航迹类别对应的中心航迹数据以及第一航迹类别中每个训练航班数据对应的多个切片航迹数据,得到第一航迹类别对应的航迹点数据。
例如,将第一航迹类别中的所有训练航班数据对应的巡航航迹数据以第一航迹类别对应的中心航迹数据为基准对齐,以使得第一航迹类别中的每个训练航班数据对应的切片航迹数据的数量为定值;获取第一航迹类别中的所有训练航班数据对应的巡航航迹数据中的第t个切片航迹数据;对第一航迹类别中的所有训练航班数据对应的巡航航迹数据中的第t个切片航迹数据求平均值,得到第t个平均切片航迹数据,将第t个平均切片航迹数据作为第一航迹类别对应的航迹点数据的第t个切片航迹数据,例如,第一航迹类别对应的航迹点数据包括多个航迹点以及每个航迹点对应的航迹点信息,第一航迹类别对应的航迹点数据的第t个切片航迹数据为多个航迹点中的第t个航迹点对应的航迹点信息,t为正整数,且小于等于定值。
例如,如步骤S2302所述,第一航迹类别的中心航迹数据为第二个训练航班数据对应的巡航航迹数据,由于以第二个航班数据对应的巡航航迹数据为基准,故每个训练航班数据对应的切片航迹数据的数量为35个。例如,对于第一个训练航班数据对应的切片航迹数据,在其第30个切片航迹数据后增加5个相同的切片航迹数据,每个切片航迹数据均为第二个航班数据的第30个切片航迹数据,以使得第一个训练航班数据对应的切片航迹数据的数量为35个;对于第二个训练航班数据对应的切片航迹数据,去除其第36个至第40个切片航迹数据,以使得第一个训练航班数据对应的切片航迹数据的数量为35个。
例如,获取第一个训练航班数据对应的第1个切片航迹数据作为第一切片航迹数据,获取第二个训练航班数据对应的第1个切片航迹数据作为第二切片航迹数据,获取第三个训练航班数据对应的第1个切片航迹数据作为第三切片航迹数据;计算第一切片航迹数据的训练航迹点信息、第二切片航迹数据的训练航迹点信息和第三切片航迹数据的训练航迹点信息的平均值,得到第1个平均切片航迹数据,例如,计算第一切片航迹数据的训练航迹点经度、第二切片航迹数据的训练航迹点经度和第三切片航迹数据的训练航迹点经度的平均值,作为第1个平均切片航迹数据的航迹点经度;将第1个平均切片航迹数据作为第一航迹类别对应的航迹点数据的第1个切片航迹数据,并将其作为第一航迹类别对应的航迹点数据的多个航迹点中的第1个航迹点对应的航迹点信息。以此类推,可以得到航迹点数据的35个航迹点以及每个航迹点对应的航迹点信息。
最后,在步骤S2304,根据第一航迹类别对应的航迹点数据,得到第一航迹类别对应的标准巡航航迹。
例如,第一航迹类别对应的标准巡航航迹包括多个标准航路点以及与第一航迹类别对应的标准巡航航迹包括的多个标准航路点分别对应的航路点信息。
例如,在根据第一航迹类别对应的航迹点数据,得到第一航迹类别对应的标准巡航航迹时,沿训练飞行方向遍历第一航迹类别对应的航迹点数据的所有航迹点,若第一航迹类别对应的航迹点数据中的第n个航迹点的第一距离范围(例如30km)内存在参考航路点集合中的任意一个参考航路点,将该任意一个参考航路点作为第一航迹类别对应的标准巡航航迹的标准航路点。参考航路点集合中的每个参考航路点对应有参考航路点信息,标准巡航航迹对应的每个标准航路点对应的航路点信息包括该航路点对应的参考航路点对应的参考航路点信息以及所述第n个航迹点的航迹点信息。
例如,标准巡航航迹对应的标准航路点对应的航路点信息包括航路点经度、航路点纬度、航路点高度和航路点时间,参考航路点对应的参考航路点信息包括参考经度和参考纬度,第n个航迹点信息包括与第n个航迹点对应的航迹点高度以及航迹点时间;得到该航路点对应的航路点信息时,将参考经度作为航路点经度,参考纬度作为航路点纬度,与第n个航迹点对应的航迹点高度作为航路点高度,与第n个航迹点对应的航迹点时间作为航路点时间。
例如,标准巡航航迹的航路点对应的航路点信息还可以包括航路点速度,例如,可以根据历史数据或者经验值设置航路点速度。
需要说明的是,标准航迹包括标准巡航航迹,标准巡航航迹对应于巡航阶段,标准巡航航迹包括多个航路点以及与多个航路点分别对应的航路点信息;标准航迹还包括出走廊口时间和进走廊口时间,出走廊口时间表示起飞机场至出走廊口点之间的航迹,且对应于出走廊口阶段,进走廊口时间表示进走廊口点至降落机场之间的航迹,且对应于进走廊口阶段。训练航班数据中的训练航迹数据包括多个训练航迹点以及与多个训练航迹点分别对应的训练航迹点信息,每个训练航班数据对应的巡航航迹数据包括该训练航班数据的训练航迹数据包括的多个训练航迹点中的部分训练航迹点和部分训练航迹点对应的训练航迹点信息,部分训练航迹点包括训练航迹点中的距离出走廊口点最近的训练航迹点、距离进走廊口点最近的训练航迹点以及位于距离出走廊口点最近的训练航迹点与距离进走廊口点最近的训练航迹点之间的所有训练航迹点。航迹点数据包括通过训练航班数据对应的巡航航迹数据得到的航迹点以及航迹点信息。
例如,在本公开至少一实施例中,还可以采用层次聚类方法对N个训练航班数据的训练航迹数据进行处理,以分别生成N个训练航班数据对应的类别标签。
层次聚类方法为根据类与类之间的距离,也即类间距离,将距离相近的类合并到同一个类,最终将多个类合并为一个大类或者M个大类,其中,M为最佳分类个数。层次聚类方法根据层次分解的顺序分为凝聚的层次聚类方法和分裂的层次聚类方法。凝聚的层次聚类方法为在聚类开始时,每个个体都是一个类,然后根据类间距离寻找同类,最后形成一个大类或者M个大类;分裂的层次聚类方法与之相反,在聚类开始时所有个体都属于一个“类”,然后根据类间距离分类,最后每个个体都成为一个“类”。例如,航班在飞行时可能位于不同的高度层,也即可以依据飞行高度将训练航班数据划分为不同的航迹类别,例如,可以采用凝聚的层次聚类方法对N个训练航班数据的训练航迹数据进行聚类处理,以将其划分为不同的航迹类别,从而分别生成N个训练航班数据对应的类别标签。
例如,在一些示例中,训练航班数据的数量满足层次聚类要求,例如N大于4,获取N个训练航班数据分别对应的巡航航迹数据后,对N个训练航班数据对应的巡航航迹数据进行聚类处理,获取N个训练航班数据的聚类结果,例如,聚类结果包括M个航迹类别,M为正整数;然后根据聚类结果,分别生成N个训练航班数据对应的类别标签,例如,每个训练航班数据的类别标签包括该训练航班数据所属的航迹类别对应的标准巡航航迹,该训练航班数据所属的航迹类别对应的标准巡航航迹包括该训练航班数据所属的航迹类别对应的标准巡航航迹的多个航路点以及该多个航路点分别对应的航路点信息。
例如,在一些示例中,N为10,也即训练航班数据集包括10个训练航班数据,对这10个训练航班数据对应的巡航航迹数据进行聚类处理,获取10个训练航班数据的聚类结果,根据该聚类结果,分别生成10个训练航班数据对应的类别标签,例如,该过程可以包括:
首先,对于10个训练航班数据中的每个训练航班数据,在时间上,对每个训练航班数据对应的巡航航迹数据以切片时间间隔执行最小外包矩形距离切片,得到每个训练航班数据对应的多个切片航迹数据,具体执行过程可以参考对步骤S2301的说明,这里不再赘述。
接着,利用动态时间弯曲距离方法(DTW,dynamic time warping Distance)对10个训练航班数据对应的所有切片航迹数据进行处理,得到多个相似度值。
例如,每个相似度值对应于N个训练航班数据中的两个训练航班数据,且该相似度值是通过动态时间弯曲距离算法对两个训练航班数据对应的切片航迹数据进行处理得到的。动态时间弯曲距离方法是一种衡量两个时间序列之间的相似度的方法,通过把时间序列进行延伸和缩短,来计算两个时间序列性之间的相似性。例如,由于切片航迹数据是在时间上进行的最小外包矩形距离切片,因而可以将每个训练航班数据对应的巡航航迹数据作为时间序列,以每个切片航迹数据作为相似点,通过计算相似点之间的欧式距离得到两个训练航班数据的相似度值,对10个训练航班数据对应的所有切片航迹数据进行同样的处理,从而可以得到多个相似度值。
接着,基于多个相似度值,生成10个训练航班数据对应的相似度矩阵。例如,将多个相似度值构成10*10的二维矩阵,矩阵中的每个元素值代表其对应训练航班数据之间的相似度值,例如,将10个训练航班数据依次编号,相似度矩阵中第一行、第二列的元素值代表第一个训练航班数据与第二个训练航班数据之间的相似度值,相似度矩阵中第三行、第五列的元素值代表第三个训练航班数据与第五个训练航班数据之间的相似度值,依次类推。需要说明的是,相似度矩阵中第一行、第一列的元素值代表第一个训练航班数据与其自身之间的相似度值。
接着,根据相似度矩阵,得到10个训练航班数据的最佳分类个数。例如,可以通过相似度矩阵,利用最小距离法、最大距离法或平均距离法等方法得到类间距离,将类间距离的2阶差分最大值所对应的类别个数作为最佳分类个数。
接着,基于层次聚类方法,根据最佳分类个数和相似度矩阵,确定10个训练航班数据的聚类结果,例如,最佳分类个数为4,则最终的聚类结果包括4个航迹类别,每个航迹类别包括与该航迹类别对应的至少一个训练航班数据。需要说明的是,关于层次聚类方法的更多信息可以参考常规设计,本公开的上述描述仅仅是示意性的介绍。
最后,根据聚类结果,分别生成10个训练航班数据对应的类别标签。
例如,在聚类结果包括4个航迹类别的情况下,针对4个航迹类别中的第i个航迹类别(1≤i≤4),获取第i个航迹类别对应的中心航迹数据,具体过程可以参考对步骤S2302的说明,这里不再赘述;根据第i个航迹类别对应的中心航迹数据以及第i个航迹类别中每个训练航班数据对应的多个切片航迹数据,得到第i个航迹类别对应的航迹点数据,具体过程可以参考对步骤S2303的说明,这里不再赘述;根据第i个航迹类别对应的航迹点数据,得到第i个航迹类别对应的标准巡航航迹,具体过程可以参考对步骤S2304的说明,这里不再赘述。
航班飞行时除高度层可能不同外,其在出走廊口点和进走廊口点之间飞行的总时间也可能不同,因而可以在上述聚类处理中的层次聚类前增加总时间聚类,也即先对总时间进行一次聚类,再在总时间聚类结果的基础上进行层次聚类,从而对训练航班数据的类别进行进一步细分,增强飞行分类模型的准确度,提高航班预测精度。
例如,在另一些示例中,N为6,也即训练航班数据集包括6个训练航班数据,获取6个训练航班数据分别对应的巡航航迹数据后,对这6个训练航班数据对应的巡航航迹数据进行聚类处理,获取6个训练航班数据的聚类结果,根据该聚类结果,分别生成6个训练航班数据对应的类别标签,该过程可以包括以下步骤一至步骤四。
步骤一,根据训练航班数据集,获取分别与N个训练航班数据一一对应的N个巡航总时间。
例如,在N为6时,步骤一包括:获取6个训练航班数据分别对应的巡航航迹数据后,根据训练航班数据集,获取分别与6个训练航班数据一一对应的6个巡航总时间。
例如,对于6个训练航班数据中的第i(1≤i≤6)个训练航班数据,根据步骤S220获取第i个训练航班数据对应的出走廊口时间和进走廊口时间,然后将第i个训练航班数据对应的进走廊口时间减去第i个训练航班数据对应的出走廊口时间,得到第i个训练航班数据对应的巡航总时间。
步骤二,利用均值漂移方法对N个巡航总时间进行处理,获取每个训练航班数据对应的总时间聚类结果,例如,总时间聚类结果包括P个总时间聚类,每个总时间聚类包括与该总时间聚类对应的至少一个训练航班数据。
例如,在N为6时,步骤二包括:利用均值漂移方法对6个巡航总时间进行处理,获取每个训练航班数据对应的总时间聚类结果。
例如,在一些示例中,总时间聚类结果包括2个总时间聚类,每个总时间聚类包括与该总时间聚类对应的至少一个训练航班数据,例如,第一个总时间聚类包括3个训练航班数据,第二个总时间聚类包括3个训练航班数据。例如,均值漂移方法可以包括MeanShift算法。
步骤三,针对P个总时间聚类中的第j个总时间聚类:对于第j个总时间聚类对应的每个训练航班数据,在时间上,对每个训练航班数据对应的巡航航迹数据以切片时间间隔执行最小外包矩形距离切片,得到第j个总时间聚类对应的每个训练航班数据对应的多个切片航迹数据;利用动态时间弯曲距离方法对第j个总时间聚类对应的全部训练航班数据对应的所有切片航迹数据进行处理,得到多个相似度值;基于多个相似度值,生成第j个总时间聚类对应的相似度矩阵;根据第j个总时间聚类对应的相似度矩阵,得到第j个总时间聚类的最佳分类个数;基于层次聚类方法,根据最佳分类个数和第j个总时间聚类对应的相似度矩阵,获取第j个总时间聚类的聚类结果。
例如,在P为2时,在步骤三中,对2个总时间聚类分别进行前述层次聚类处理,以得到最终的聚类结果。
例如,针对2个总时间聚类中的第j(1≤j≤2)个总时间聚类执行如下步骤:
首先,对于第j个总时间聚类中的每个训练航班数据,在时间上,对每个训练航班数据对应的巡航航迹数据以切片时间间隔执行最小外包矩形距离切片,得到第j个总时间聚类中的每个训练航班数据对应的多个切片航迹数据,具体执行过程如步骤S2301所述,这里不再赘述;
其次,利用动态时间弯曲距离方法对第j个总时间聚类中的全部训练航班数据对应的所有切片航迹数据进行处理,得到与第j个总时间聚类对应的多个相似度值,其中,与第j个总时间聚类对应的每个相似度值对应于第j个总时间聚类中的全部训练航班数据中的两个训练航班数据,且是通过动态时间弯曲距离算法对两个训练航班数据对应的切片航迹数据进行处理得到的,具体执行过程如前述对于动态时间弯曲距离方法的描述,这里不再赘述;
然后,基于多个相似度值,生成第j个总时间聚类的训练航班数据对应的相似度矩阵,例如,该相似度矩阵为t*t的二维矩阵,t为第j个总时间聚类的训练航班数据的数量。
然后,根据第j个总时间聚类对应的相似度矩阵,得到第j个总时间聚类的最佳分类个数T,具体执行过程可以参考前述的根据相似度矩阵,得到10个训练航班数据的最佳分类个数的步骤的描述,这里不再赘述;
最后,基于层次聚类方法,根据第j个总时间聚类的最佳分类个数和与第j个总时间聚类对应的相似度矩阵,获取第j个总时间聚类的聚类结果,例如,第j个总时间聚类的聚类结果包括T个航迹类别,每个航迹类别包括与该航迹类别对应的训练航班数据。
例如,6个训练航班数据的聚类结果包括2个总时间聚类的聚类结果,例如,第1个总时间聚类的聚类结果包括1个航迹类别,例如,该1个航迹类别为第二航迹类别,该第二航迹类别对应第1个总时间聚类的3个训练航班数据,第二个总时间聚类的聚类结果包括2个航迹类别,该2个航迹类别分别为第三航迹类别和第四航迹类别,例如,第三航迹类别对应于第2个总时间聚类的所包括的三个训练航班数据中的2个训练航班数据,第四航迹类别对应于第2个总时间聚类的所包括的三个训练航班数据中的另1个训练航班数据。从而,包括总时间聚类的聚类处理可以将航班训练数据集分为3个航迹类别,即P个总时间聚类的聚类结果包括3个航迹类别,也即对6个训练航班数据的对应的巡航航迹数据进行聚类处理的聚类结果包括3个航迹类别,分别为包括3个训练航班数据的第二航迹类别、包括2个训练航班数据的第三航迹类别以及包括1个训练航班数据的第四航迹类别。
N个训练航班数据的聚类结果包括P个总时间聚类的聚类结果,即N个训练航班数据的聚类结果包括上述包括3个航迹类别。
步骤四,根据聚类结果,分别生成6个训练航班数据对应的类别标签。例如,针对3个航迹类别中的第i个航迹类别(1≤i≤3),获取第i个航迹类别对应的中心航迹数据,具体过程如步骤S2302所述,这里不再赘述;根据第i个航迹类别对应的中心航迹数据以及第i个航迹类别中每个训练航班数据对应的多个切片航迹数据,得到第i个航迹类别对应的航迹点数据,具体过程如步骤S2303所述,这里不再赘述;根据第i个航迹类别对应的航迹点数据,得到第i个航迹类别对应的标准巡航航迹,具体过程如步骤S2304所述,这里不再赘述。
接着,在步骤S240,基于N个训练航班数据包括的基本信息和N个训练航班数据分别对应的类别标签,训练待训练的巡航航迹模型以得到巡航航迹模型。
例如,训练航班数据包括的基本信息可以包括航空公司、航季、客货标识、飞机类型等。
例如,将训练航班数据包括的基本信息作为特征,该训练航班数据对应的通过步骤S230所生成的类别标签作为分类结果,利用树形结构的集成机器学习分类模型(eXtreame Gradient Boosting,简写为xgboost分类模型)进行训练以得到巡航航迹模型。
接着,在步骤S250,基于N个训练航班数据包括的基本信息和N个训练航班数据分别对应的出走廊口时间,训练待训练的出走廊口时间分类模型以得到出走廊口时间分类模型。
由于航班数据在靠近起飞机场以及降落机场的区域容易受到航空管制等因素的影响,因而对于起飞机场至出走廊口点之间的航迹,可以用出走廊口时间表示,对于进走廊口点至降落机场之间的航迹,可以采用进走廊口时间表示。
例如,利用均值漂移方法对N个训练航班数据分别对应的出走廊口时间进行处理得到出走廊口聚类结果,根据出走廊口聚类结果获取N个训练航班数据中每个训练航班数据对应的出走廊口类别标签,基于N个训练航班数据包括的基本信息以及每个训练航班数据对应的出走廊口类别标签,训练待训练的出走廊口时间分类模型以得到出走廊口时间分类模型。也就是说,在训练过程中,将训练航班数据包括的基本信息作为特征,该训练航班数据对应的出走廊口类别标签作为分类结果,利用待训练的树形结构的集成机器学习分类模型(eXtreame Gradient Boosting,简写为xgboost分类模型)进行训练以得到出走廊口时间分类模型。
例如,出走廊口聚类结果可以包括出走廊口类别以及每个出走廊口类别对应的出走廊口时间平均值,每个出走廊口类别包括该出走廊口类别对应的练航班数据。例如,出走廊口类别标签可以包括该训练航班数据所属的出走廊口类别以及该出走廊口类别对应的出走廊口时间平均值。例如,训练航班数据包括的基本信息可以包括起飞机场、航空公司、航季、客货标识和飞机类型等。
最后,在步骤S260,基于N个训练航班数据包括的基本信息和N个训练航班数据分别对应的进走廊口时间,训练待训练的进走廊口时间分类模型以得到进走廊口时间分类模型。
例如,利用均值漂移方法对N个训练航班数据分别对应的进走廊口时间进行处理得到进走廊口聚类结果,根据进走廊口聚类结果获取N个训练航班数据中每个训练航班数据对应的进走廊口类别标签,基于N个训练航班数据包括的基本信息以及每个训练航班数据对应的进走廊口类别标签,训练待训练的进走廊口时间分类模型以得到进走廊口时间分类模型。也就是说,在训练过程中,将训练航班数据包括的基本信息作为特征,该训练航班数据对应的进走廊口类别标签作为分类结果,利用待训练的树形结构的集成机器学习分类模型(eXtreame Gradient Boosting,简写为xgboost分类模型)进行训练以得到进走廊口时间分类模型。
例如,进走廊口聚类结果可以包括进走廊口类别以及每个进走廊口类别对应的进走廊口时间平均值,每个进走廊口类别包括该进走廊口类别对应的训练航班数据。例如,进走廊口类别标签可以包括该训练航班数据所属的进走廊口类别以及该进走廊口类别对应的进走廊口时间平均值。例如,训练航班数据包括的基本信息可以包括降落机场、航空公司、航季、客货标识和飞机类型等。
本公开至少一实施例还提供一种电子设备,图5为本公开至少一实施例提供的一种电子设备的示意性框图。
例如,如图5所示,该电子设备包括处理器1001、通信接口1002、存储器1003和通信总线1004。处理器1001、通信接口1002、存储器1003通过通信总线1004实现相互通信,处理器1001、通信接口1002、存储器1003等组件之间也可以通过网络连接进行通信。本公开对网络的类型和功能在此不作限制。
例如,存储器1003用于非瞬时性地存储计算机可执行指令。处理器1001用于运行计算机可执行指令时,计算机可执行指令被处理器1001运行时实现根据上述任一实施例所述的航迹预测方法。关于该航迹预测方法的各个步骤的具体实现以及相关解释内容可以参见上述航迹预测方法的实施例,在此不作赘述。
例如,处理器1001执行存储器1003上所存储的程序而实现航迹预测方法的实现方式,与前述航迹预测方法的实施例部分所提及的实现方式相同,这里也不再赘述。
例如,通信总线1004可以是外设部件互连标准(PCI)总线或扩展工业标准结构(EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
例如,通信接口1002用于实现电子设备与其他设备之间的通信。
例如,处理器1001和存储器1003可以设置在服务器端(或云端)。
例如,处理器1001可以控制电子设备中的其它组件以执行期望的功能。处理器1001可以是中央处理器(CPU)、网络处理器(NP)等,还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。中央处理元(CPU)可以为X86或ARM架构等。
例如,存储器1003可以包括一个或多个计算机程序产品的任意组合,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机可执行指令,处理器1001可以运行所述计算机可执行指令,以实现电子设备的各种功能。在存储介质中还可以存储各种应用程序和各种数据等。
例如,关于电子设备执行航迹预测的过程的详细说明可以参考航迹预测方法的实施例中的相关描述,重复之处不再赘述。
图6为本公开至少一实施例提供的一种非瞬时性计算机可读存储介质的示意图。例如,如图6所示,在存储介质1100上可以非暂时性地存储一个或多个计算机可执行指令1101。例如,当计算机可执行指令1101由处理器执行时可以执行根据上文所述的航迹预测方法中的一个或多个步骤。
例如,该存储介质1100可以应用于上述电子设备和/或航迹预测装置1400中。例如,存储介质1100可以包括电子设备中的存储器1003。
例如,关于存储介质1100的说明可以参考电子设备的实施例中对于存储器的描述,重复之处不再赘述。
图7示出了为本公开至少一实施例提供的一种硬件环境的示意图。本公开提供的电子设备可以应用在互联网系统。
利用图7中提供的计算机系统可以实现本公开中涉及的航迹预测装置和/或电子设备的功能。这类计算机系统可以包括个人电脑、笔记本电脑、平板电脑、手机、个人数码助理、智能眼镜、智能手表、智能指环、智能头盔及任何智能便携设备或可穿戴设备。本实施例中的特定系统利用功能框图解释了一个包含用户界面的硬件平台。这种计算机设备可以是一个通用目的的计算机设备,或一个有特定目的的计算机设备。两种计算机设备都可以被用于实现本实施例中的航迹预测装置和/或电子设备。计算机系统可以包括实施当前描述的实现航迹预测所需要的信息的任何组件。例如,计算机系统能够被计算机设备通过其硬件设备、软件程序、固件以及它们的组合所实现。为了方便起见,图7中只绘制了一台计算机设备,但是本实施例所描述的实现航迹预测所需要的信息的相关计算机功能是可以以分布的方式、由一组相似的平台所实施的,分散计算机系统的处理负荷。
如图7所示,计算机系统可以包括通信端口250,与之相连的是实现数据通信的网络,例如,计算机系统可以通过通信端口250发送和接收信息及数据,即通信端口250可以实现计算机系统与其他电子设备进行无线或有线通信以交换数据。计算机系统还可以包括一个处理器组220(即上面描述的处理器),用于执行程序指令。处理器组220可以由至少一个处理器(例如,CPU)组成。计算机系统可以包括一个内部通信总线210。计算机系统可以包括不同形式的程序储存单元以及数据储存单元(即上面描述的存储器或存储介质),例如硬盘270、只读存储器(ROM)230、随机存取存储器(RAM)240,能够用于存储计算机处理和/或通信使用的各种数据文件,以及处理器组220所执行的可能的程序指令。计算机系统还可以包括一个输入/输出组件260,输入/输出组件260用于实现计算机系统与其他组件(例如,用户界面280等)之间的输入/输出数据流。
通常,以下装置可以连接输入/输出组件260:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信接口。
虽然图7示出了具有各种装置的计算机系统,但应理解的是,并不要求计算机系统具备所有示出的装置,可以替代地,计算机系统可以具备更多或更少的装置。
对于本公开,还有以下几点需要说明:
(1)本公开实施例附图只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计。
(2)为了清晰起见,在用于描述本发明的实施例的附图中,层或结构的厚度和尺寸被放大。可以理解,当诸如层、膜、区域或基板之类的元件被称作位于另一元件“上”或“下”时,该元件可以“直接”位于另一元件“上”或“下”,或者可以存在中间元件。
(3)在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合以得到新的实施例。
以上所述仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (18)
1.一种航迹预测方法,包括:
获取待预测航班的预测数据,其中,所述预测数据包括所述待预测航班的基本信息;
基于所述基本信息,确定与所述待预测航班对应的飞行分类模型;
通过所述飞行分类模型对所述预测数据进行处理,生成与所述待预测航班对应的标准航迹,其中,所述标准航迹包括标准巡航航迹,所述标准巡航航迹包括多个航路点;
获取所述待预测航班的当前信息,其中,所述当前信息包括当前位置和当前时间;
根据所述当前信息以及所述标准航迹,得到所述待预测航班的预测结果,其中,所述预测结果包括所述待预测航班经过与所述当前信息对应的所述多个航路点的过点时间和与所述当前信息对应的预达时间;
其中,所述飞行分类模型包括出走廊口时间分类模型、进走廊口时间分类模型以及巡航航迹模型;所述预测数据还包括所述待预测航班的起飞时间,
所述通过所述飞行分类模型对所述预测数据进行处理,生成与所述待预测航班对应的标准航迹,包括:
通过所述出走廊口时间分类模型对所述基本信息进行处理,以获得所述待预测航班的出走廊口时间;
通过所述进走廊口时间分类模型对所述基本信息进行处理,以获得所述待预测航班的进走廊口时间;
通过所述巡航航迹模型对所述基本信息进行处理,以获得所述待预测航班对应的航迹类别、所述航迹类别对应的标准巡航航迹;
基于所述起飞时间、所述出走廊口时间、所述进走廊口时间、所述标准巡航航迹生成与所述待预测航班对应的标准航迹,
其中,所述标准航迹包括标准预达时间、多个航路点时间间隔、与所述多个航路点对应的标准过点时间、所述标准巡航航迹,其中,所述标准巡航航迹还包括与所述多个航路点分别对应的航路点信息,每个所述航路点时间间隔为所述多个航路点中的相邻两个航路点之间的时间间隔。
2.根据权利要求1所述的航迹预测方法,其中,所述基本信息包括所述待预测航班对应的机场对,所述机场对之间设置有与所述待预测航班对应的航路,
所述飞行分类模型基于训练航班数据集训练生成,
所述训练航班数据集与所述机场对对应,或者,所述训练航班数据集与所述航路对应。
3.根据权利要求2所述的航迹预测方法,其中,所述机场对包括一个起飞机场和一个到达机场,所述多个航路点包括第一航路点和第二航路点,所述第一航路点为所述多个航路点中的距离所述起飞机场最近的一个航路点,所述第二航路点为所述多个航路点中的距离所述到达机场最近的一个航路点,
所述基于所述起飞时间、所述出走廊口时间、所述进走廊口时间、所述标准巡航航迹生成与所述待预测航班对应的标准航迹,包括:
根据所述待预测航班的起飞时间以及所述出走廊口时间,得到所述待预测航班经过所述第一航路点的标准过点时间;
根据所述多个航路点以及与所述多个航路点分别对应的航路点信息,得到所述多个航路点时间间隔;
根据所述第一航路点的过点时间以及所述多个航路点时间间隔,得到所述多个航路点中除了所述第一航路点之外的所有航路点的标准过点时间;
根据所述第二航路点的标准过点时间以及所述进走廊口时间,得到所述标准预达时间。
4.根据权利要求3所述的航迹预测方法,其中,从所述起飞机场沿着所述标准航迹的指向所述到达机场的方向为第一方向,
所述根据所述当前信息以及所述标准航迹,得到所述待预测航班的预测结果,包括:
逐个计算所述当前位置与所述多个航路点中的任意两个相邻航路点的距离之和,将所述距离之和中的最小值对应的两个相邻航路点中,沿所述第一方向的远离所述起飞机场的航路点作为目标航路点;
根据所述目标航路点,获取第三航路点,其中,所述第三航路点为所述多个航路点中的在所述第一方向上位于所述目标航路点之前且与所述目标航路点相邻的一个航路点;
根据所述当前位置、所述第三航路点对应的航路点信息、所述目标航路点对应的航路点信息以及所述目标航路点与所述第三航路点之间的航路点时间间隔,得到与所述目标航路点对应的过点时间差;
根据所述当前时间、与所述目标航路点对应的过点时间差、所述多个航路点时间间隔,得到与所述当前信息对应的航路点的过点时间,其中,与所述当前信息对应的航路点包括所述目标航路点、所述多个航路点中沿所述第一方向的位于所述目标航路点之后的所有航路点;
根据所述第二航路点的过点时间以及所述进走廊口时间,得到与所述当前信息对应的所述预达时间。
5.根据权利要求1-4任一项所述的航迹预测方法,其中,所述预测结果还包括所述待预测航班的预测航迹,
根据所述当前信息以及所述标准航迹,得到所述待预测航班的预测结果,还包括:
根据与所述当前信息对应的航路点的过点时间以及所述标准巡航航迹得到所述待预测航班的预测航迹。
6.根据权利要求2-4任一项所述的航迹预测方法,其中,在获取所述待预测航班的预测数据之前,所述方法还包括:生成所述飞行分类模型,
其中,生成所述飞行分类模型包括:
获取所述训练航班数据集,其中,所述训练航班数据集包括N个训练航班数据,所述N个训练航班数据中的每个训练航班数据包括该训练航班数据对应的训练航班的基本信息和训练航迹数据,N为正整数;
根据所述训练航班数据集,获取所述N个训练航班数据分别对应的出走廊口时间以及进走廊口时间;
对所述N个训练航班数据的训练航迹数据进行处理,以分别生成所述N个训练航班数据对应的类别标签;
基于所述N个训练航班数据包括的基本信息和所述N个训练航班数据分别对应的类别标签,训练待训练的巡航航迹模型以得到所述巡航航迹模型;
基于所述N个训练航班数据包括的基本信息和所述N个训练航班数据分别对应的出走廊口时间,训练待训练的出走廊口时间分类模型以得到所述出走廊口时间分类模型;
基于所述N个训练航班数据包括的基本信息和所述N个训练航班数据分别对应的进走廊口时间,训练待训练的进走廊口时间分类模型以得到所述进走廊口时间分类模型。
7.根据权利要求6所述的航迹预测方法,其中,每个所述训练航班数据的训练航迹数据包括多个训练航迹点以及与所述多个训练航迹点分别对应的训练航迹点信息,每个所述训练航迹点信息包括训练航迹点时间,每个所述训练航班数据还包括训练起飞时间和训练降落时间,
所述根据所述训练航班数据集,获取所述N个训练航班数据分别对应的出走廊口时间以及进走廊口时间,包括:
对于所述N个训练航班数据中的第i个训练航班数据:
获取所述第i个训练航班数据对应的出走廊口点和进走廊口点;
基于所述出走廊口点和所述进走廊口点,获取距离所述出走廊口点最近的训练航迹点的训练航迹点时间和距离所述进走廊口点最近的训练航迹点的训练航迹点时间;
将所述距离所述出走廊口点最近的训练航迹点的训练航迹点时间减去所述出走廊口点对应的训练航班数据中的训练起飞时间,得到所述第i个训练航班数据对应的出走廊口时间;
将所述距离所述进走廊口点最近的训练航迹点的训练航迹点时间减去所述进走廊口点对应的训练航班数据中的训练降落时间,得到所述第i个训练航班数据对应的进走廊口时间;
其中,i为正整数,且小于等于N。
8.根据权利要求6所述的航迹预测方法,其中,所述对所述N个训练航班数据的训练航迹数据进行处理,以分别生成所述N个训练航班数据对应的类别标签,包括:
根据所述N个训练航班数据的训练航迹数据,确定所述N个训练航班数据分别对应的巡航航迹数据,其中,每个所述训练航班数据对应的巡航航迹数据包括该训练航班数据的训练航迹数据包括的多个训练航迹点中的部分训练航迹点和所述部分训练航迹点对应的训练航迹点信息,所述部分训练航迹点包括该训练航班数据的训练航迹数据包括的多个训练航迹点中的距离出走廊口点最近的训练航迹点、距离进走廊口点最近的训练航迹点以及位于所述距离出走廊口点最近的训练航迹点与所述距离进走廊口点最近的训练航迹点之间的所有训练航迹点;
响应于所述N小于第一值,
确定所述N个训练航班数据属于第一航迹类别,
对所述N个训练航班数据对应的巡航航迹数据进行平均处理,获取所述第一航迹类别对应的标准巡航航迹,
其中,所述第一航迹类别对应的标准巡航航迹包括多个标准航路点以及与所述第一航迹类别对应的标准巡航航迹包括的所述多个标准航路点分别对应的航路点信息,所述N个训练航班数据对应的类别标签相同且包括所述第一航迹类别对应的标准巡航航迹;
响应于所述N大于第一值,
对所述N个训练航班数据对应的巡航航迹数据进行聚类处理,获取所述N个训练航班数据的聚类结果,其中,所述聚类结果包括M个航迹类别,M为正整数,
根据所述聚类结果,分别生成所述N个训练航班数据对应的类别标签,
其中,每个所述训练航班数据的类别标签包括该训练航班数据所属的航迹类别对应的标准巡航航迹。
9.根据权利要求8所述的航迹预测方法,其中,所述对所述N个训练航班数据对应的巡航航迹数据进行平均处理,获取所述第一航迹类别对应的标准巡航航迹,包括:
对于所述N个训练航班数据中的每个训练航班数据,在时间上,对所述每个训练航班数据对应的巡航航迹数据以切片时间间隔执行最小外包矩形距离切片,得到所述每个训练航班数据对应的多个切片航迹数据;
获取所述第一航迹类别对应的中心航迹数据;
根据所述第一航迹类别对应的中心航迹数据以及所述第一航迹类别中每个训练航班数据对应的多个切片航迹数据,得到所述第一航迹类别对应的航迹点数据,其中,所述第一航迹类别对应的航迹点数据包括多个航迹点以及每个所述航迹点对应的航迹点信息;
根据所述第一航迹类别对应的航迹点数据,得到所述第一航迹类别对应的标准巡航航迹。
10.根据权利要求8所述的航迹预测方法,其中,所述对所述N个训练航班数据对应的巡航航迹数据进行聚类处理,获取所述N个训练航班数据的聚类结果,包括:
对于所述N个训练航班数据中的每个训练航班数据,在时间上,对所述每个训练航班数据对应的巡航航迹数据以切片时间间隔执行最小外包矩形距离切片,得到所述每个训练航班数据对应的多个切片航迹数据;
利用动态时间弯曲距离方法对所述N个训练航班数据对应的所有切片航迹数据进行处理,得到多个相似度值,其中,每个所述相似度值对应于所述N个训练航班数据中的两个训练航班数据,且是通过所述动态时间弯曲距离算法对所述两个训练航班数据对应的切片航迹数据进行处理得到的;
基于所述多个相似度值,生成所述N个训练航班数据对应的相似度矩阵;
根据所述相似度矩阵,得到所述N个训练航班数据的最佳分类个数;
基于层次聚类方法,根据所述最佳分类个数和所述相似度矩阵,确定所述N个训练航班数据的聚类结果,
其中,所述最佳分类个数为M,所述M个航迹类别中的每个所述航迹类别包括与该航迹类别对应的至少一个训练航班数据。
11.根据权利要求8所述的航迹预测方法,其中,所述对所述N个训练航班数据对应的巡航航迹数据进行聚类处理,获取所述N个训练航班数据的聚类结果,包括:
根据所述训练航班数据集,获取分别与所述N个训练航班数据一一对应的N个巡航总时间;
利用均值漂移方法对所述N个巡航总时间进行处理,获取每个训练航班数据对应的总时间聚类结果,其中,所述总时间聚类结果包括P个总时间聚类,每个总时间聚类包括与该总时间聚类对应的至少一个训练航班数据;
针对所述P个总时间聚类中的第j个总时间聚类:
对于所述第j个总时间聚类对应的每个训练航班数据,在时间上,对所述每个训练航班数据对应的巡航航迹数据以切片时间间隔执行最小外包矩形距离切片,得到所述第j个总时间聚类对应的所述每个训练航班数据对应的多个切片航迹数据;
利用动态时间弯曲距离方法对所述第j个总时间聚类对应的全部训练航班数据对应的所有切片航迹数据进行处理,得到多个相似度值,其中,每个所述相似度值对应于所述第j个总时间聚类对应的全部训练航班数据中的两个训练航班数据,且是通过所述动态时间弯曲距离算法对所述两个训练航班数据对应的切片航迹数据进行处理得到的;
基于所述多个相似度值,生成所述第j个总时间聚类对应的相似度矩阵;
根据所述第j个总时间聚类对应的相似度矩阵,得到所述第j个总时间聚类的最佳分类个数;
基于层次聚类方法,根据所述最佳分类个数和所述第j个总时间聚类对应的相似度矩阵,获取所述第j个总时间聚类的聚类结果;
其中,所述最佳分类个数表示为T,所述第j个总时间聚类的聚类结果包括T个航迹类别,每个航迹类别包括与该航迹类别对应的训练航班数据,所述N个训练航班数据的聚类结果包括所述P个总时间聚类的聚类结果,P、j、T均为正整数,j小于等于P。
12.根据权利要求11所述的航迹预测方法,其中,所述根据所述训练航班数据集,获取分别与所述N个训练航班数据一一对应的N个巡航总时间,包括:
对于所述N个训练航班数据中的第i个训练航班数据:
获取所述第i个训练航班数据对应的出走廊口时间和进走廊口时间;
将所述进走廊口时间减去所述出走廊口时间,得到所述第i个训练航班数据对应的巡航总时间,
其中,i为正整数,且小于等于N。
13.根据权利要求8所述的航迹预测方法,其中,所述M个航迹类别中的每个航迹类别包括与该航迹类别对应的训练航班数据,
所述根据所述聚类结果,分别生成所述N个训练航班数据对应的类别标签,包括:
针对所述M个航迹类别中的第q个航迹类别:
获取所述第q个航迹类别对应的中心航迹数据;
根据所述第q个航迹类别对应的中心航迹数据以及所述q个航迹类别中每个训练航班数据对应的多个切片航迹数据,得到所述第q个航迹类别对应的航迹点数据,其中,所述第q个航迹类别对应的航迹点数据包括多个航迹点以及与所述第q个航迹类别对应的航迹点数据包括的多个航迹点分别对应的航迹点信息;
根据所述第q个航迹类别对应的航迹点数据,得到所述第q个航迹类别对应的标准巡航航迹,其中,所述第q个航迹类别对应的标准巡航航迹包括多个标准航路点以及与所述第q个航迹类别对应的标准巡航航迹包括的所述多个标准航路点分别对应的航路点信息;
所述第q个航迹类别中每个航班数据对应的类别标签包括所述第q个航迹类别对应的标准巡航航迹,所述q小于等于M。
14.根据权利要求11所述的航迹预测方法,其中,所述第一航迹类别对应的中心航迹数据为所述第一航迹类别包括的训练航班数据中的一个训练航班数据对应的巡航航迹数据,
所述根据所述第一航迹类别对应的中心航迹数据以及所述第一航迹类别中每个训练航班数据对应的多个切片航迹数据,得到所述第一航迹类别对应的航迹点数据,包括:
将所述第一航迹类别中的所有训练航班数据对应的巡航航迹数据以所述第一航迹类别对应的中心航迹数据为基准对齐,以使得所述第一航迹类别中的每个训练航班数据对应的切片航迹数据的数量为定值;
获取所述第一航迹类别中的所有训练航班数据对应的巡航航迹数据中的第t个切片航迹数据;
对所述第一航迹类别中的所有训练航班数据对应的巡航航迹数据中的第t个切片航迹数据求平均值,得到第t个平均切片航迹数据,将所述第t个平均切片航迹数据作为所述第一航迹类别对应的航迹点数据的第t个切片航迹数据,
其中,所述第一航迹类别对应的航迹点数据的第t个切片航迹数据为所述第一航迹类别对应的航迹点数据包括的多个航迹点中的第t个航迹点对应的航迹点信息,t为正整数,且小于等于所述定值。
15.根据权利要求11所述的航迹预测方法,其中,所述训练航班数据还包括飞行方向,
所述根据所述第一航迹类别对应的航迹点数据,得到所述第一航迹类别对应的标准巡航航迹,包括:
沿所述飞行方向遍历所述第一航迹类别对应的航迹点数据的所有航迹点,响应于所述第一航迹类别对应的航迹点数据中的第n个航迹点的第一距离范围内存在参考航路点集合中的任意一个参考航路点,将所述任意一个参考航路点作为所述第一航迹类别对应的标准巡航航迹的标准航路点,
其中,所述参考航路点集合中的每个参考航路点对应有参考航路点信息,所述标准巡航航迹的每个标准航路点对应的航路点信息包括所述每个标准航路点对应的参考航路点对应的参考航路点信息以及所述第n个航迹点的航迹点信息。
16.根据权利要求8所述的航迹预测方法,其中,所述基于所述N个训练航班数据包括的基本信息和所述N个训练航班数据分别对应的出走廊口时间,训练待训练的出走廊口时间分类模型以得到所述出走廊口时间分类模型,包括:
利用均值漂移方法对所述N个训练航班数据分别对应的出走廊口时间进行处理得到出走廊口聚类结果,根据所述出走廊口聚类结果获取所述N个训练航班数据中每个所述训练航班数据对应的出走廊口类别标签,基于所述N个训练航班数据包括的基本信息以及所述每个训练航班数据对应的出走廊口类别标签,训练待训练的出走廊口时间分类模型以得到所述出走廊口时间分类模型;
所述基于所述N个训练航班数据包括的基本信息和所述N个训练航班数据分别对应的进走廊口时间,训练待训练的进走廊口时间分类模型以得到所述进走廊口时间分类模型,包括:
利用所述均值漂移方法对所述N个训练航班数据分别对应的进走廊口时间进行处理得到进走廊口聚类结果,根据所述进走廊口聚类结果获取所述N个训练航班数据中每个所述训练航班数据对应的进走廊口类别标签,基于所述N个训练航班数据包括的基本信息以及所述每个训练航班数据对应的进走廊口类别标签,训练待训练的进走廊口时间分类模型以得到所述进走廊口时间分类模型。
17.一种电子设备,包括:
存储器,用于非瞬时性地存储计算机可执行指令;
处理器,用于运行所述计算机可执行指令,所述计算机可执行指令被所述处理器运行时实现根据权利要求1~16任一项所述的航迹预测方法。
18.一种非瞬时性计算机可读存储介质,其中,所述非瞬时性计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现根据权利要求1~16中任一项所述的航迹预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010976631.2A CN112348225B (zh) | 2020-09-16 | 2020-09-16 | 航迹预测方法、电子设备、非瞬时性计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010976631.2A CN112348225B (zh) | 2020-09-16 | 2020-09-16 | 航迹预测方法、电子设备、非瞬时性计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348225A CN112348225A (zh) | 2021-02-09 |
CN112348225B true CN112348225B (zh) | 2021-12-14 |
Family
ID=74357931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010976631.2A Active CN112348225B (zh) | 2020-09-16 | 2020-09-16 | 航迹预测方法、电子设备、非瞬时性计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348225B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114023110B (zh) * | 2021-09-24 | 2023-01-20 | 中国民用航空华北地区空中交通管理局 | 一种航班信息的获得方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533566A (zh) * | 2009-02-23 | 2009-09-16 | 民航数据通信有限责任公司 | 预测空中交通流量的方法和装置 |
CN101540113A (zh) * | 2009-03-16 | 2009-09-23 | 民航数据通信有限责任公司 | 空中交通航路点流量控制方法、服务器及系统 |
CN104834769A (zh) * | 2015-04-14 | 2015-08-12 | 南京航空航天大学 | 基于航空噪声限制区域拟合的消噪飞行程序设计方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2920232B1 (fr) * | 2007-08-22 | 2015-02-27 | Airbus France | Procede et dispositif d'aide au pilotage d'un avion |
US9384668B2 (en) * | 2012-05-09 | 2016-07-05 | Singularity University | Transportation using network of unmanned aerial vehicles |
CN102819966A (zh) * | 2012-09-10 | 2012-12-12 | 南京航空航天大学 | 一种基于雷达航迹的偏航航班过点时间预测方法 |
CN109542876B (zh) * | 2018-11-20 | 2023-04-07 | 南京莱斯信息技术股份有限公司 | 基于Hadoop数据挖掘航空器经验轨迹模型关键因子的提取方法 |
CN111292563B (zh) * | 2020-05-12 | 2020-08-11 | 北京航空航天大学 | 一种航班航迹预测方法 |
-
2020
- 2020-09-16 CN CN202010976631.2A patent/CN112348225B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533566A (zh) * | 2009-02-23 | 2009-09-16 | 民航数据通信有限责任公司 | 预测空中交通流量的方法和装置 |
CN101540113A (zh) * | 2009-03-16 | 2009-09-23 | 民航数据通信有限责任公司 | 空中交通航路点流量控制方法、服务器及系统 |
CN104834769A (zh) * | 2015-04-14 | 2015-08-12 | 南京航空航天大学 | 基于航空噪声限制区域拟合的消噪飞行程序设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112348225A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A hybrid machine learning model for short-term estimated time of arrival prediction in terminal manoeuvring area | |
EP3252705A1 (en) | Order allocation system and method | |
Lee et al. | Taxi-out time prediction for departures at Charlotte airport using machine learning techniques | |
CN110334839A (zh) | 航班延误预测方法、装置、设备及存储介质 | |
CN107063259B (zh) | 一种航迹关联方法及电子设备 | |
CN109429520B (zh) | 用于检查作弊服务订单的方法、系统、设备及可读介质 | |
CN109615937A (zh) | 航段运行时间优化计算装置 | |
EP3910567A1 (en) | Airport capacity prediction system | |
CN111968414B (zh) | 基于大数据和ai的4d轨迹预测方法、装置及电子设备 | |
AU2017203582B2 (en) | System and methods for aviation winds uncertainty prediction | |
Choi et al. | Hybrid machine learning and estimation-based flight trajectory prediction in terminal airspace | |
CN105894117B (zh) | 航迹预测方法及装置 | |
US20220148436A1 (en) | Method, apparatus, device and storage medium for pre-warning of aircraft flight threat evolution | |
US20210125512A1 (en) | Aircraft parking stand assignment prediction | |
CN112348225B (zh) | 航迹预测方法、电子设备、非瞬时性计算机可读存储介质 | |
CN112862171A (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
CN112633562A (zh) | 一种机场停机位智能调度方法 | |
US8140199B2 (en) | System and method for predicting aircraft gate arrival times | |
CN101465066A (zh) | 飞机垂直占有率的获取方法 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
Wong et al. | CDAS: A cognitive decision-making architecture for dynamic airspace sectorization for efficient operations | |
CN115222150B (zh) | 一种基于Stacking的航班延误预测方法及系统 | |
CN112926809B (zh) | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 | |
CN111652428B (zh) | 一种基于历史数据的航班预达时刻估算方法及系统 | |
CN114492902A (zh) | 航班恢复方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |