CN112365095A - 基于天气和流量管控影响的航班延误分析及预测方法 - Google Patents
基于天气和流量管控影响的航班延误分析及预测方法 Download PDFInfo
- Publication number
- CN112365095A CN112365095A CN202011395534.0A CN202011395534A CN112365095A CN 112365095 A CN112365095 A CN 112365095A CN 202011395534 A CN202011395534 A CN 202011395534A CN 112365095 A CN112365095 A CN 112365095A
- Authority
- CN
- China
- Prior art keywords
- airport
- flight
- time
- arrival
- data
- 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
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
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于天气和流量管控影响的航班延误分析及预测方法,包括以下步骤:S10,基于场景,向接口发送请求数据得到历史气象数据、历史航班数据和历史特情数据;S20,数据预处理;S30,数据融合;S40,特征分析、提取和归一化处理;S50,训练模型;S60,验证模型。本发明通过对历史气象数据和历史航班数据和历史特情数据进行特征分析、提取归一化处理。再通过catboost算法进行训练用于解决航班延误的问题。
Description
技术领域
本发明属于模型分析预测技术领域,涉及一种基于天气和流量管控影响的航班延误分析及预测方法。
背景技术
近年来随着国民经济的飞速发展,随着我国航空运输业的迅速发展,航班量大幅增加,同时航班延误现象频频出现,成为机场运营管理的一大难题。航班延误问题不仅成为广大旅客的出行困扰,也给航空公司和机场造成巨大时间和成本损失。航空公司为达到成本最小化和资源利用最大化,将航班计划安排得较为紧凑。这使得航班延误容易引起链式反应,从而波及到更多的下游航班和机场,导致旅客滞留、机场及航空公司资源调配失衡等问题。相关部门若能对航班延误进行及时预测,采取相应措施以减少由于航班延误所带来的经济和信誉的损失。
在航班不正常原因中,天气和流量管控因素占比高居不下。虽然现代航空器飞行的自动化水平不断提高,机载设备和地面保障设备亦日臻完善,航空器可以在大多复杂气象条件下运行。但是,天气因素和流量管控仍然是导致不正常航班的主要因素,特别是在起飞和着陆阶段,恶劣天气对航班运行的影响很大,如低能见度、降雨、起风、单位时间飞机过多等都会使飞机起飞、着陆困难。由于恶劣天气的严重程度、持续时间以及发生区域的不确定性,某些重要机场出现的流量管控可能会导致全国出现区域性的航班延误。因此,研究机场天气和机场航班运行之间的关系对于缓解航班延误、促进航班安全快捷地运行具有重要意义。
发明内容
为解决上述问题,本发明的技术方案为基于天气和流量管控影响的航班延误分析及预测方法,包括以下步骤:
S10,基于场景,向接口发送请求数据得到历史气象数据、历史航班数据和历史特情数据;
S20,数据预处理;
S30,数据融合;
S40,特征分析、提取和归一化处理;
S50,训练模型;
S60,验证模型。
优选地,所述数据预处理为将历史气象数据、历史航班数据和历史特情数据分别进行数据预处理,包括以下步骤:
S21,历史航班动态数据预处理,形成航班动态表:
将utc时间转换为标准时间格式;
计算起飞延误时间和到达延误时间:起飞延误时间=实际起飞时间-计划起飞时间,到达延误时间=实际到达数据-计划到达时间;如为取消的航班,则全部设置为延误10小时
计算计划飞行时间:计划飞行时间=计划到达时间-计划起飞时间;
得到前序航班到达延误时间:前序航班的定义为,同一架飞机,当前航班的前一个航班即为当前航班的前序航班,根据飞机编号对数据集进行分组,每个分组按航班的计划起飞时间排序,将前序航班的到达延误时间匹配到当前航班作为一个特征;
得到起飞间隔:起飞间隔定义为,当前航班的计划起飞时间与前序航班的时间到达时间差值;
得到航空公司:根据航班号提取出航空公司的代号;
得到航班性质:根据航班号的特征,把航班分为3种:尾号为字母的是补飞的,3位数字的为国内航班,4位数字的为国外航班;
S22,形成城市天气表:
预处理气温:气温划分为3个取值:大于40摄氏度为高温,小于-10摄氏度为低温,其他为一般;
预处理天气情况:根据城市天气表,首先统计两年时间内所有天气情况在各地区总共出现的频率,出现频率小于50的天气情况统一划归为‘other’;
S23,机场城市对应表不作预处理;
S24,机场特情表预处理:
根据开始时间提取出特情开始日期、开始时刻;
根据结束时间提取出特情结束日期、结束时刻;
对特情进行ner处理得到影响因素,包括下雨、下雪和交通管制。
优选地,所述将utc时间转换为标准时间格式,包括机场特情表中的时间格式,提取出航班的计划起飞日期、计划到达日期、计划起飞时刻、计划到达时刻和航班月份。
优选地,所述数据融合包括以下步骤:
S31,合并城市天气表和机场城市对应表:
对机场城市对应表去重;
左连接操作,左表为城市天气表,右表为机场城市对应表,left_on=[‘城市名’],right_on=[‘城市名称’];
去除无关字段,命名新表为‘机场天气表’
S32,合并航班动态表和机场天气表:
匹配出发机场天气:根据['日期','机场编码']对机场天气表去重;左连接操作,左表为航班动态表,右表为机场天气表,['出发机场','计划起飞日期'],right_on=['机场编码','日期'];去除无关字段;
匹配到达机场天气:根据['日期','机场编码']对机场天气表去重;左连接操作,左表为航班动态表,右表为机场天气表,['到达机场','计划到达日期'],right_on=['机场编码','日期'];去除无关字段;
匹配后的表格依旧命名为“航班动态表”;
S33,合并航班动态表和机场特情表:
匹配出发机场特情:根据['出发日期','机场编码']对机场特情表去重;左连接操作,左表为航班动态表,右表为机场特情表,['出发机场','计划起飞日期'],right_on=['机场编码','日期'];若出发时刻在特情的开始与结束时刻之内,则有特情;去除无关字段;
匹配到达机场天气:根据['到达日期','机场编码']对机场特情表去重;左连接操作,左表为航班动态表,右表为机场特情表,['到达机场','计划到达日期'],right_on=['机场编码','日期'];若到达时刻在特情的开始与结束时刻之内,则有特情;去除无关字段;
最终生成包含所有特征的航班动态表。
优选地,所述特征分析、提取和归一化处理为,对非数值特征类型进行编码,需要编码的特征包括'出发机场'、'到达机场'、'出发天气'、'到达天气'、'航班编号'、'出发气温'、'到达气温'和'航空公司',将离散的字符分别映射为一个数值。
优选地,所述训练模型为,采用catboost模型,并进行参数调整,将编码后的数据集按照3:1的比例随机划分为训练集和验证集以调整参数。
优选地,所述验证模型为,通过网格搜索在给定的参数列表自动选择一个最优的参数,采用交叉验证方式。
本发明提出了一种基于天气和流量管控影响的航班延误分析及预测技术,充分的考虑了气象数据的时间和空间特性和特情数据的时间和空间特性,科学的评估了天气和特情对于机场离场航班运行的影响,且对预测其他机场的航班延误具有同样的适用性,能够提高对于离场航班延误的预测精度,改善航班运行状况,具有很高的应用价值。
引入了交叉验证和网格搜索,并进行结合作为参数评价指标,科学的评估了模型参数调整的影响,且对预测其他模型具有同样的适用性,能够自动的帮我们选择一个最优的参数,减少人工调参的痛苦,具有很高的应用价值。
附图说明
图1为本发明方法实施例的基于天气和流量管控影响的航班延误分析及预测方法的步骤流程图;
图2为本发明方法实施例的基于天气和流量管控影响的航班延误分析及预测方法的处理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参见图1,为本发明实施例的本发明的技术方案为基于天气和流量管控影响的航班延误分析及预测方法的步骤流程图,包括以下步骤:
S10,基于场景,向接口发送请求数据得到历史气象数据、历史航班数据和历史特情数据;
S20,数据预处理;
S30,数据融合;
S40,特征分析、提取和归一化处理;
S50,训练模型;
S60,验证模型。
参见图2,S20,数据预处理为将历史气象数据、历史航班数据和历史特情数据分别进行数据预处理,包括以下步骤:
S21,历史航班动态数据预处理,形成航班动态表:
将utc时间转换为标准时间格式;
计算起飞延误时间和到达延误时间:起飞延误时间=实际起飞时间-计划起飞时间,到达延误时间=实际到达数据-计划到达时间;如为取消的航班,则全部设置为延误10小时
计算计划飞行时间:计划飞行时间=计划到达时间-计划起飞时间;
得到前序航班到达延误时间:前序航班的定义为,同一架飞机,当前航班的前一个航班即为当前航班的前序航班,根据飞机编号对数据集进行分组,每个分组按航班的计划起飞时间排序,将前序航班的到达延误时间匹配到当前航班作为一个特征;比如,同一架飞机连续飞两个航班A:南京--北京,B:北京--西安,则A为B的前序航班。
得到起飞间隔:起飞间隔定义为,当前航班的计划起飞时间与前序航班的时间到达时间差值;
得到航空公司:根据航班号提取出航空公司的代号;
得到航班性质:根据航班号的特征,把航班分为3种:尾号为字母的是补飞的,3位数字的为国内航班,4位数字的为国外航班;
S22,形成城市天气表:
预处理气温:气温划分为3个取值:大于40摄氏度为高温,小于-10摄氏度为低温,其他为一般;
预处理天气情况:根据城市天气表,首先统计两年时间内所有天气情况在各地区总共出现的频率,出现频率小于50的天气情况统一划归为‘other’;
S23,机场城市对应表不作预处理;
S24,机场特情表预处理:
根据开始时间提取出特情开始日期、开始时刻;
根据结束时间提取出特情结束日期、结束时刻;
对特情进行ner处理得到影响因素,包括下雨、下雪和交通管制。
将utc时间转换为标准时间格式,包括机场特情表中的时间格式,提取出航班的计划起飞日期、计划到达日期、计划起飞时刻、计划到达时刻和航班月份。
S30,数据融合包括以下步骤:
S31,合并城市天气表和机场城市对应表:
对机场城市对应表去重;
左连接操作,左表为城市天气表,右表为机场城市对应表,left_on=[‘城市名’],right_on=[‘城市名称’];
去除无关字段,命名新表为‘机场天气表’
S32,合并航班动态表和机场天气表:
匹配出发机场天气:根据['日期','机场编码']对机场天气表去重;左连接操作,左表为航班动态表,右表为机场天气表,['出发机场','计划起飞日期'],right_on=['机场编码','日期'];去除无关字段;
匹配到达机场天气:根据['日期','机场编码']对机场天气表去重;左连接操作,左表为航班动态表,右表为机场天气表,['到达机场','计划到达日期'],right_on=['机场编码','日期'];去除无关字段;
匹配后的表格依旧命名为“航班动态表”;
S33,合并航班动态表和机场特情表:
匹配出发机场特情:根据['出发日期','机场编码']对机场特情表去重;左连接操作,左表为航班动态表,右表为机场特情表,['出发机场','计划起飞日期'],right_on=['机场编码','日期'];若出发时刻在特情的开始与结束时刻之内,则有特情;去除无关字段;
匹配到达机场天气:根据['到达日期','机场编码']对机场特情表去重;左连接操作,左表为航班动态表,右表为机场特情表,['到达机场','计划到达日期'],right_on=['机场编码','日期'];若到达时刻在特情的开始与结束时刻之内,则有特情;去除无关字段;
最终生成包含所有特征的航班动态表。
S40,特征分析、提取和归一化处理为,对非数值特征类型进行编码,需要编码的特征包括'出发机场'、'到达机场'、'出发天气'、'到达天气'、'航班编号'、'出发气温'、'到达气温'和'航空公司',将离散的字符分别映射为一个数值。
S50,训练模型为,采用catboost模型,并进行参数调整,将编码后的数据集按照3:1的比例随机划分为训练集和验证集以调整参数。
调参步骤:根据比较验证集的auc得分,选得分最高的为最后的训练模型。
学习器个数(n_estimators),保持其它默认参数不变,考虑到样本量较大,故将学习器的个数设置大一些,分别将n_estimators设置为100,200.,300,400,发现auc的得分是随着n_estimators的增多而变大的,但学习器个数300和400之间auc得分增加的已不明显,并且要兼顾到模型训练的时间开销,所以设置n_estimators=300。
loss function(loss),保持学习器个数不变,改变loss,观察结果,选一个较优的,本算法选择了loss=’exponential’,树的最大深度(max_depth),叶子的最小样本个数(min_samples_leaf)。
保持学习器个数和loss function不变,调整max_depth和min_samples_leaf。max_depth越大,树的结构越复杂,组合特征的能力越强,拟合能力越强,但同时更容易过拟合,分别设置max_depth为4,6,8,10,同时为了防止过拟合,min_samples_leaf的个数逐渐调大,范围在50-500之间。
下采样率(subsample)subsample=0.8,一般情况下都比较好。
学习率:学习率默认设置为0.1,学习率过大容易错过最优解,所以最后适当缩小学习率的值,但减小学习率,收敛速度变慢,这时候适当增加学习器个数,最终学习率设置为0.08。
S60,验证模型为,通过网格搜索在给定的参数列表自动选择一个最优的参数,采用交叉验证方式。
上述是本发明的模型端,实施端则是:基于场景,向接口发送请求数据得到明日气象数据,明日航班数据,明日特情数据;数据预处理;数据融合;特征分析、提取归一化处理;放入训练好的模型里面进行预测,得到明日航班延误时长和影响人数。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其做出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (7)
1.基于天气和流量管控影响的航班延误分析及预测方法,其特征在于,包括以下步骤:
S10,基于场景,向接口发送请求数据得到历史气象数据、历史航班数据和历史特情数据;
S20,数据预处理;
S30,数据融合;
S40,特征分析、提取和归一化处理;
S50,训练模型;
S60,验证模型。
2.根据权利要求1所述的方法,其特征在于,所述数据预处理为将历史气象数据、历史航班数据和历史特情数据分别进行数据预处理,包括以下步骤:
S21,历史航班动态数据预处理,形成航班动态表:
将utc时间转换为标准时间格式;
计算起飞延误时间和到达延误时间:起飞延误时间=实际起飞时间-计划起飞时间,到达延误时间=实际到达数据-计划到达时间;如为取消的航班,则全部设置为延误10小时
计算计划飞行时间:计划飞行时间=计划到达时间-计划起飞时间;
得到前序航班到达延误时间:前序航班的定义为,同一架飞机,当前航班的前一个航班即为当前航班的前序航班,根据飞机编号对数据集进行分组,每个分组按航班的计划起飞时间排序,将前序航班的到达延误时间匹配到当前航班作为一个特征;
得到起飞间隔:起飞间隔定义为,当前航班的计划起飞时间与前序航班的时间到达时间差值;
得到航空公司:根据航班号提取出航空公司的代号;
得到航班性质:根据航班号的特征,把航班分为3种:尾号为字母的是补飞的,3位数字的为国内航班,4位数字的为国外航班;
S22,形成城市天气表:
预处理气温:气温划分为3个取值:大于40摄氏度为高温,小于-10摄氏度为低温,其他为一般;
预处理天气情况:根据城市天气表,首先统计两年时间内所有天气情况在各地区总共出现的频率,出现频率小于50的天气情况统一划归为‘other’;
S23,机场城市对应表不作预处理;
S24,机场特情表预处理:
根据开始时间提取出特情开始日期、开始时刻;
根据结束时间提取出特情结束日期、结束时刻;
对特情进行ner处理得到影响因素,包括下雨、下雪和交通管制。
3.根据权利要求2所述的方法,其特征在于,所述将utc时间转换为标准时间格式,包括机场特情表中的时间格式,提取出航班的计划起飞日期、计划到达日期、计划起飞时刻、计划到达时刻和航班月份。
4.根据权利要求3所述的方法,其特征在于,所述数据融合包括以下步骤:
S31,合并城市天气表和机场城市对应表:
对机场城市对应表去重;
左连接操作,左表为城市天气表,右表为机场城市对应表,left_on=[‘城市名’],right_on=[‘城市名称’];
去除无关字段,命名新表为‘机场天气表’
S32,合并航班动态表和机场天气表:
匹配出发机场天气:根据['日期','机场编码']对机场天气表去重;左连接操作,左表为航班动态表,右表为机场天气表,['出发机场','计划起飞日期'],right_on=['机场编码','日期'];去除无关字段;
匹配到达机场天气:根据['日期','机场编码']对机场天气表去重;左连接操作,左表为航班动态表,右表为机场天气表,['到达机场','计划到达日期'],right_on=['机场编码','日期'];去除无关字段;
匹配后的表格依旧命名为“航班动态表”;
S33,合并航班动态表和机场特情表:
匹配出发机场特情:根据['出发日期','机场编码']对机场特情表去重;左连接操作,左表为航班动态表,右表为机场特情表,['出发机场','计划起飞日期'],right_on=['机场编码','日期'];若出发时刻在特情的开始与结束时刻之内,则有特情;去除无关字段;
匹配到达机场天气:根据['到达日期','机场编码']对机场特情表去重;左连接操作,左表为航班动态表,右表为机场特情表,['到达机场','计划到达日期'],right_on=['机场编码','日期'];若到达时刻在特情的开始与结束时刻之内,则有特情;去除无关字段;
最终生成包含所有特征的航班动态表。
5.根据权利要求4所述的方法,其特征在于,所述特征分析、提取和归一化处理为,对非数值特征类型进行编码,需要编码的特征包括'出发机场'、'到达机场'、'出发天气'、'到达天气'、'航班编号'、'出发气温'、'到达气温'和'航空公司',将离散的字符分别映射为一个数值。
6.根据权利要求5所述的方法,其特征在于,所述训练模型为,采用catboost模型,并进行参数调整,将编码后的数据集按照3:1的比例随机划分为训练集和验证集以调整参数。
7.根据权利要求6所述的方法,其特征在于,所述验证模型为,通过网格搜索在给定的参数列表自动选择一个最优的参数,采用交叉验证方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395534.0A CN112365095A (zh) | 2020-12-03 | 2020-12-03 | 基于天气和流量管控影响的航班延误分析及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395534.0A CN112365095A (zh) | 2020-12-03 | 2020-12-03 | 基于天气和流量管控影响的航班延误分析及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365095A true CN112365095A (zh) | 2021-02-12 |
Family
ID=74536667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011395534.0A Pending CN112365095A (zh) | 2020-12-03 | 2020-12-03 | 基于天气和流量管控影响的航班延误分析及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365095A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128769A (zh) * | 2021-04-22 | 2021-07-16 | 上海工程技术大学 | 基于深度学习的智能航班延误预测方法 |
CN114037122A (zh) * | 2021-10-15 | 2022-02-11 | 青岛民航凯亚系统集成有限公司 | 基于大数据挖掘处理分析的航班延误预测方法 |
CN114511767A (zh) * | 2022-02-11 | 2022-05-17 | 电子科技大学 | 一种面向时序图数据的快速的状态预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296418A (zh) * | 2016-08-31 | 2017-01-04 | 合肥飞友网络科技有限公司 | 一种航班动态延误概率模型建立方法 |
CN111160612A (zh) * | 2019-12-03 | 2020-05-15 | 南京航空航天大学 | 一种基于天气影响的离场航班延误分析及预测方法 |
-
2020
- 2020-12-03 CN CN202011395534.0A patent/CN112365095A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296418A (zh) * | 2016-08-31 | 2017-01-04 | 合肥飞友网络科技有限公司 | 一种航班动态延误概率模型建立方法 |
CN111160612A (zh) * | 2019-12-03 | 2020-05-15 | 南京航空航天大学 | 一种基于天气影响的离场航班延误分析及预测方法 |
Non-Patent Citations (1)
Title |
---|
C. MANG ET AL: "Research on Flight delay Prediction based on Multi-Model Fusion", 《2020 IEEE 5TH INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128769A (zh) * | 2021-04-22 | 2021-07-16 | 上海工程技术大学 | 基于深度学习的智能航班延误预测方法 |
CN114037122A (zh) * | 2021-10-15 | 2022-02-11 | 青岛民航凯亚系统集成有限公司 | 基于大数据挖掘处理分析的航班延误预测方法 |
CN114511767A (zh) * | 2022-02-11 | 2022-05-17 | 电子科技大学 | 一种面向时序图数据的快速的状态预测方法 |
CN114511767B (zh) * | 2022-02-11 | 2023-12-01 | 电子科技大学 | 一种面向时序图数据的快速的状态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365095A (zh) | 基于天气和流量管控影响的航班延误分析及预测方法 | |
CN107818382B (zh) | 航班到达时间预测方法 | |
CN111401601B (zh) | 一种面向延误传播的航班起降时间预测方法 | |
CN110570693B (zh) | 一种基于可靠性的航班运行时间预测方法 | |
CN104156594B (zh) | 一种基于贝叶斯网的航班过站时间动态估计方法 | |
CN103218681B (zh) | 航空枢纽应急管控方法 | |
CN109448445A (zh) | 基于长短期记忆神经网络的航班延误分级预警方法 | |
CN113299120B (zh) | 一种边云协同支撑的空中交通态势智能感知系统 | |
CN105844346A (zh) | 基于arima模型的航班延误预测方法 | |
CN109840610A (zh) | 不正常航班飞机路径与旅客行程自动恢复系统及方法 | |
CN111798079A (zh) | 航班调整方法、装置、电子设备及存储介质 | |
CN107341620B (zh) | 基于bada燃油消耗率的短期天气下进场航班延误成本计算方法 | |
CN115953186B (zh) | 一种网约车需求模式识别与短时需求预测方法 | |
CN111160612A (zh) | 一种基于天气影响的离场航班延误分析及预测方法 | |
CN104573873A (zh) | 一种基于模糊决策树的航站楼离港旅客流量预测方法 | |
CN110852497A (zh) | 基于大数据深度学习的场面可变滑出时间预测系统 | |
CN109215399A (zh) | 一种终端区智能化流控策略生成方法 | |
CN112132366A (zh) | 一种航班放行率的预测系统 | |
CN104299454A (zh) | 一种恶劣天气下多机场协同放行系统航班排序方法 | |
CN110264787A (zh) | 一种航班航路飞行时间可靠性评价方法及系统 | |
CN113610282A (zh) | 航班滑行时间预测方法 | |
Nan et al. | Prediction of Departure Aircraft Taxi Time Based on Deep Learning. | |
CN110796315B (zh) | 基于时效信息和深度学习的离港航班延误预测方法 | |
CN112949915A (zh) | 一种基于动态排序的进场航班落地时间预测方法 | |
CN112287561A (zh) | 一种基于蒙特卡洛算法的滑行路径优化指标求解方法 |
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: 20210212 |