CN112365112A - 用于航空网络数据的流形学习的系统和方法 - Google Patents

用于航空网络数据的流形学习的系统和方法 Download PDF

Info

Publication number
CN112365112A
CN112365112A CN202010709691.8A CN202010709691A CN112365112A CN 112365112 A CN112365112 A CN 112365112A CN 202010709691 A CN202010709691 A CN 202010709691A CN 112365112 A CN112365112 A CN 112365112A
Authority
CN
China
Prior art keywords
network traffic
current
aviation
data
computer processor
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
CN202010709691.8A
Other languages
English (en)
Inventor
詹姆斯·G·洛佩兹
马修·C·尼耳森
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN112365112A publication Critical patent/CN112365112A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0043—Traffic management of multiple aircrafts from the ground
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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]
    • G08G5/0095—Aspects of air-traffic control not provided for in the other subgroups of this main group
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0017—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information
    • G08G5/0026—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information located on the ground

Landscapes

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

Abstract

用于利用航空网络流量的流形学习来检测航空网络流量中断的方法和系统。在一个实施例中，计算机处理器向模拟装置发送异常航空网络流量模拟数据的请求，接收异常航空网络流量模拟数据，并利用流形学习处理生成模拟的异常航空网络流量流形表示数据。在一些实施例中，该处理接下来可以包括向当前网络流量计算机发送对当前航空网络流量数据的请求，接收当前航空网络流量数据，以及生成当前航空网络流量数据集。在一些实施方式中，然后将当前航空网络流量数据集映射到异常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点映射到异常航空流量流形表示，然后向操作员装置发送指示即将发生航空网络流量中断的警报。

Description

用于航空网络数据的流形学习的系统和方法
技术领域
实施例通常涉及用于利用航空网络数据的流形学习来检测和/或预测航空网络中断的系统和方法。更具体地，公开了利用流形学习将高维航空网络流量(traffic)数据减少为低维表示的系统和方法，然后可以更容易地分析异常。
背景技术
由于航空网络中断，航空公司每年损失数百万美元。特别是，对于航空公司和飞行公众而言，航空网络中断和恢复是一个极为复杂且代价高昂的问题。
各大航空公司的航空公司操作中心(AOC)的任务是管理每天数千次航班的执行，包括实时调整飞机和机组人员的动向，以尽量减少昂贵的延误和取消，同时遵守复杂的维护和路径约束。操作员负责准备飞行计划，调整航空公司调度，包括但不限于航班调度(schedule)、出发航班分配、飞机分配和机组人员分配，以响应可能包括与天气有关的问题和各种类型的设备故障的各种因素。因此，各大航空公司努力有效地管理大量与操作相关的数据，以减轻不可预见的飞机调度中断的影响，并管理航空网络中相关、相互依存和/或不相关的航班或路线上的飞机故障或调度延迟的未来影响。例如，在执行当前飞机路线的一条或多条航段之后，飞机调度延迟可能会影响多条路线。
典型的AOC是非常繁忙的环境，在该环境中必须快速而准确地做出航空网络决策，因为飞机操作员做出的此类决策会对航空公司的操作和经济产生重大影响。由于航空网络是以随机方式运行的系统的极其复杂的系统，因此对于人类网络操作员而言，很难检测到即将发生中断的早期迹象。
航空网络流量数据是高维数据的一个示例，这使得机器学习算法难以对航空网络流量数据进行操作。高维数据已经被定义为需要三个以上维度来表示的数据，这对于人类而言可能难以解释。简化此类高维数据的一种方法是假设感兴趣的数据位于高维空间内的嵌入式非线性流形上。如果流形的维度足够低，则数据可以在低维空间中可视化，例如，通过在显示屏上显示为二维(2D)或三维(3D)表示，以供人类操作员查看。因此，流形学习是一种非线性降维的方法，而这项任务的算法是基于这样的思想：许多数据集的维度可以用低维度表示，并且仍然保留数据集中最重要的特征。
发明人认识到，有必要提供机器学习技术以帮助航空公司人员减轻和/或防止昂贵的航空网络中断。特别地，发明人认识到，可以利用机器学习技术对正常和异常的航空网络状况数据进行分类，以便航空公司操作中心(AOC)人员能够在各大航空公司中断发生之前采取措施，或者能够检测到潜在航空网络中断的开始，从而允许采取早期补救措施，这有可能使航空公司每年节省数百万美元的操作成本。
发明内容
提出了使用航空网络流量的流形学习以检测航空网络流量中断的方法、非暂时性计算机可读介质和系统。在一个实施例中，计算机处理器向模拟装置发送对异常航空网络流量模拟数据的请求，接收异常航空网络流量模拟数据，并利用流形学习处理生成模拟的异常航空网络流量流形表示数据。在一些实施例中，该处理还可以包括：向模拟装置发送对正常航空网络流量模拟数据的请求，接收正常航空网络流量模拟数据，并使用流形学习处理生成模拟的正常航空网络流量流形表示数据。另外，该处理可以包括向当前网络流量计算机发送对当前航空网络流量数据的请求，接收当前航空网络流量数据，并生成当前航空网络流量数据集。另外，计算机处理器可以将当前航空网络流量数据集映射到异常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点映射到异常航空流量流形表示，并向操作员装置发送指示即将发生航空网络流量中断的警报。同样，在一些实施例中，计算机处理器还可以将当前航空网络流量数据集映射到异常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点未映射到异常航空网络流量流形表示，然后，向操作员装置发送正常航空网络流量的指示。
在一些实施方式中，计算机处理器可以向当前网络流量计算机发送对当前航空网络流量数据的请求，接收当前航空网络流量数据，生成当前航空网络流量数据集，将当前航空网络流量数据集映射到正常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点映射到正常航空流量流形表示，并向操作员装置发送正常航空网络流量的指示。在一些其他实施例中，计算机处理器可以将当前航空网络流量数据集映射到异常航空网络流量流形表示，在显示装置上显示异常航空网络流量的可视流形表示和与当前航空网络流量数据集相关联的数据点，确定当前航空网络流量数据集的阈值数的数据点映射到异常航空流量流形表示，并向操作员装置发送指示即将发生航空网络流量中断的警报。在又一实施方式中，计算机处理器可以向当前网络流量计算机发送对当前航空网络流量数据的请求，接收当前航空网络流量数据，生成当前航空网络流量数据集，将当前航空网络流量数据集映射到正常航空网络流量流形表示，在显示装置上显示正常航空网络流量的可视流形表示和与当前航空网络流量数据集相关联的数据点，确定当前航空网络流量数据集的阈值数的数据点映射到正常航空流量流形表示，然后，向操作员装置发送正常航空网络流量的指示。
本文还公开了存储可执行指令的非暂时性计算机可读介质，该可执行指令在通过计算机处理器执行时使计算机处理器：利用航空网络流量的流形学习，以上述方式来检测航空网络流量中断。另外，描述了用于检测航空网络流量中断的系统。在一个实施例中，用于检测航空网络中断的系统包括：用户计算机，其包括可操作地连接到非暂时性存储装置和显示装置的用户计算机处理器；可操作地连接到用户计算机的历史航空网络流量数据库；可操作地连接到用户计算机的模拟装置；以及可操作地连接到模拟装置的当前航空网络流量计算机。在一些实施方式中，用户计算机的非暂时性存储装置存储可执行指令，该可执行指令在被执行时使用户计算机处理器以上述方式工作，以检测航空网络流量中断。
本文公开的实施例的技术优点是使用机器学习技术来帮助航空公司减轻和/或消除昂贵的航空网络流量中断。具体地，利用机器学习技术处理高维度的航空网络流量数据，以解决人类难以解决的航空网络流量问题。通过减少和/或防止航空网络流量中断，本文所述处理的使用可以有利地帮助航空公司节省数百万美元的操作成本。
附图说明
在考虑以下结合附图进行的详细描述之后，本公开的一些实施例的特征和优点以及实现它们的方式将变得更加显而易见，该附图示出了示例性实施例，并且不一定按比例绘制，其中：
图1是包括各种飞机的示例性航空公司的简化示意图，以示出可以考虑的关于航空网络流量的各种类型的数据；
图2是根据本公开的一些实施例的航空网络流量数据流形学习系统的框图；
图3示出了根据本公开的实施例的可以与航空网络流量数据相关联的类型的示例流形表示；
图4描绘了根据本公开的一些实施例的可以显示在用户计算机的显示屏上的当前航空网络性能图的示例。
图5描绘了根据一些实施例的可以显示在用户计算机的显示屏上的当前航空网络性能表的示例；和
图6A和图6B示出了根据本公开的一些实施例的航空网络流量流形学习处理的流程图。
具体实施方式
在下面的详细描述中，阐述了许多具体细节以提供对实施例的透彻理解。然而，本领域普通技术人员将理解的是，一些实施例可以在没有根据本公开的这些具体细节的情况下实践。在其他情况下，未详细描述公知的方法、程序和/或部件，以免混淆实施例。
大体上，并且出于引入本文公开的新颖实施例的概念的目的，提出了一种用于利用包括在航空网络数据上进行流形学习的处理以检测和/或预测航空网络中断的方法和系统。更具体地，本文公开了将高维航空网络流量数据减少为低维表示的系统和方法，其使得该数据更易于通过例如深度神经网络(DNN)的机器学习算法进行正确分类，然后可以是可视化地呈现给航空公司人员进行解释。因此，在一些实施例中，对航空网络流量数据进行流形学习，然后以低维流形表示。接下来，利用DNN分析航空网络流量数据中可能导致网络中断的异常情况，并且任何发现的异常都可以引起航空公司人员的注意。
另外，在一些实施例中，训练流形学习算法以生成和分离表示正常航空网络流量数据和异常航空网络流量数据的流形。例如，流形学习算法可以使用分别表示正常和异常特征的历史和模拟航空网络流量数据进行训练。一旦学习到表示正常和异常网络行为的流形，就可以生成表示实时航空网络流量数据(航空网络的当前状态)的数据集，然后将其映射到表示正常和异常网络行为的流形，以便在实际的航空公司操作期间检测即将发生网络中断的早期迹象。如果当前航空网络流量实时数据集映射到表示异常特征的流形，则在某些实施方式中，可以设置标记和/或发出警报以通知航空流量网络操作人员仔细关注当前航空流量网络操作和/或促使他们采取特定措施来防止和/或减少即将发生的中断。同样，如果当前航空网络流量实时数据集映射到表示正常特征的流形(或几乎映射到此类流形)，则在某些实施方式中，可以将当前航空流量网络操作数据正在指示正常行为的指示或消息发送给航空流量网络操作人员。
应该理解的是，本文公开的关于在航空网络数据上使用流形学习以用于检测和/或预测航空网络中断的概念、系统、设备和处理也可以应用于其他类型的运输相关数据，例如，以检测和/或预测其他类型的运输网络中断。例如，货运公司可以具有由不同类型的驾驶员(例如，公司车队驾驶员和/或独立卡车驾驶员)操作的卡车车队，和/或可以包括自动驾驶卡车，并且可以用于将不同类型的货物和/或产品(其中一些可能易碎和/或具有有效期)运输到一个或多个国家内的各个不同目的地或地点。这样的货运公司可以因此生成许多不同类型的货运网络数据，并且本文所公开的处理可以用于将高维货运网络流量数据减少为较低维表示，这使得该数据更易于通过例如深度神经网络(DNN)的机器学习算法进行正确分类，然后可以将其可视化地呈现给货运公司的人员进行解释。因此，本文的系统、设备和方法可以用于分析许多不同类型的运输相关数据，这些数据可以通过例如货运公司、客运列车网络、货运列车网络、出租车网络和/或出租车公司、自行车运输公司、航运公司(客船和/或运载货物的集装箱船等)，以及未来与运输有关的组织或实体，例如无人机公司(其可以利用无人机运送物品和/或收集数据，例如，为农民收集作物相关数据)生成。
现在介绍航空环境以及在操作期间出现的一些问题，以便于理解所公开的处理、系统和设备。一家航空公司可能会操作数百架飞机，雇用数千名机组人员和辅助人员，并在正常操作期间进行大量的飞机维护。因此，飞机操作人员在做出可能影响整个航空网络的任何航空网络操作决策之前，必须考虑各种信息数据。图1是示例性航空公司100的简化示意图，以示出可以考虑的和在本文中为了提供信息而不过分复杂的各种类型的信息。
参考图1，航空公司100包括目前全部位于第一机场110的四架飞机102、104、106和108，以及航空公司操作中心(AOC)120。这四架飞机中的任何一架或全部可以飞往第二机场112或第三机场114。应该理解的是，飞机102、104、106和108可以是相同的或者可以是不同的制造和/或型号的飞机，具有不同的功能和旅客容量，因此可以用于或不可以用于互相交换。在特定示例中，飞机102被安排为从第一机场110飞往第二机场112，然后飞往第三机场114并返回第一机场110；飞机104被安排为从第一机场110飞往第三机场114，然后返回第一机场110；飞机106将从第一机场110飞往第三机场114并停留至第二天；以及飞机108被安排为从第一机场110飞往第三机场114，然后飞往第二机场112。
在正常的航空公司操作期间，AOC 120处的飞机操作人员可以被警告以下事实：飞机102、104、106和108中的一架或多架出现故障，然后必须决定采取的行动。例如，AOC操作员可以利用具有显示屏的计算机来接收数据和/或指示，该数据和/或指示被显示在显示屏上，以指示涉及飞机102的一个或多个问题已经发生或正在发生。例如，可以通知AOC操作员飞机102已禁用，然后需要寻找可用的零件来替换有故障或发生故障的飞机零件或部件，并在相应机场处找到可用的机修工或车间(shop)以通过修理或更换有故障的零件来修理飞机。此外，如果要延迟飞机102预定的起飞时间，那么AOC操作员可能需要确定第二机组人员是否在维修飞机102以后就让其飞行，以及备用飞机与故障飞机102交换以使预定的飞行发生的可用性。更复杂的是，一些机场可能由于例如缺乏维修和/或更换零件所必需的特定设备而无法处理某些飞机故障。
出于示例的目的，可以理解的是，所有飞机102、104、106和108同时在机场110，飞机102将是第一架离开机场110的飞机，并且直到飞机102预定的起飞时间后几个小时才安排飞机104、106和108离开。在飞机102起飞之前，基本上会使飞机102失效的故障发生，但是没有发出警报。在某些情况下，AOC 120处的航空公司操作人员可能有非常有限的选择，其中可能包括延迟航班并在机场110解决问题(假设有可用的任何需要的零件和机修工)或取消预定的飞行，这两种方法都可能导致航空公司的巨大成本。然而，由于飞机104、106和108没有安排在几个小时内离开，AOC 120的操作员可以简单地用飞机104换掉飞机102，然后在飞机104最初预定的起飞时间发生之前让机修工尝试修理飞机102。仅当飞机104和飞机102的尺寸相似，可以容纳相同数量的乘客，并且必要的零件、机修工和/或车间容量可用时，这种互换才是一种选择。AOC的操作员可能会知道与机场110的零件和可用人员有关的所有信息数据，这在尝试确定最佳行动方案时很有帮助。然而，在某些情况下，所需的一个或多个零件和/或人员只能在以后的某个时间可用，将来可能还会有变化的可能性。例如，飞机106和飞机108可能无法在飞机102最初预定的时间起飞，和/或直到以后的时间内才可能有备用机组人员，和/或直到飞机102的预定起飞时间之后不久，机场110的替换部件才可能变得可用，机修工才可以进行维修。鉴于以上信息，AOC操作员可以决定用备用飞机104换掉飞机102，并让原始机组人员(来自飞机102)驾驶它，并在以后的时间在机场110维修飞机102。
尽管上述示例中概述的操作似乎并不过分复杂，但在更典型和复杂的航空公司场景中，飞机和/或航班调度的此类更改可能会对航空公司的其他航班产生无法预料的影响和/或不利的连锁反应，从而对航空网络总成本产生不利影响。特别地，实际的航空公司可能每周安排数千次航班，可能雇用不同城市的数百名不同航空公司的飞行机组人员，可能有数百架不同类型的飞机，并且在每个机场可能具有不同的资源。另外，还有可能会影响特定决策的许多其他变量和/或考虑因素，例如全国一个或多个地区的天气状况可能会对飞机的飞行起飞和/或飞行到达时间产生不利影响。此外，由于飞机操作人员在任何时候都可能做出各种各样的决定，一个当时看起来是某个特定难题或问题的最佳解决方案的单一决策可能最终导致当天晚些时候的多个航班取消，这可能会在多个预定航班之间级联(cascade)并提高操作成本，如果AOC人员对潜在的航空网络中断有预警，这种操作成本可以避免。
因此，本文描述的实施例利用流形学习方法来处理在从一个或多个航空公司操作中心(AOC)发生航空公司操作时实时接收的非常高维度的航空网络流量数据，然后将其维度降低为较低的维度，以便于机器处理和以人类可以理解的尺寸表示(例如，二维(2D)和三维(3D)数据表示)。在一些实施例中，当前航空流量数据测量的结果2D或3D“图”被映射到正常航空流量行为的流形表示(2D或3D表示)和异常航空流量行为的流形表示以进行比较，使得AOC操作员可以形成关于当前航空网络流量数据的状态是否有问题的意见。这为AOC操作员提供了一种方法，例如，与这些正常流形表示和/或异常流形表示相比，可视化当前航空流量网络数据集中存在的关系。因此，在一些实施例中，空间关系被显示在显示屏上以供AOC人员查看，并且可以与其他类型的检测方法(其也可以依赖于降维)互补。
流形学习包含在低维空间(例如二维(2D)空间)中近似位于高维空间中的流形上的数据点之间的关系的多种方法。经典的多维缩放(MDS)和主成分分析(PCA)可能是最常见的降维方法，但是这些方法假定高维数据点位于高维空间的线性子空间(例如，在2D平面上)。相反，流形学习算法更为通用，其中数据可以位于弯曲的子空间上。例如，2D流形可以是球体的一部分。当高维数据点是随机的但与它们的近邻高度相关时，数据点不会趋于落入线性子空间。结果是，流形学习方法可以比例如MDS的线性方法更有效。
在特定示例中，可以利用作为已知方法的分布式加权MDS(“dwMDS”)方法。dwMDS的主要特征包括分布式实施方式，该实施方式允许生成可以在整个航空网络中以分布式方式计算的航空网络状态，并考虑允许使用“典型”或“正常”图用作基准的先验信息，因此可以轻松比较随时间变化的数据图。另外，dwMDS可以包括：加权成本函数，其允许对被认为更准确的相邻关系进行更重的加权；以及具有保证每次迭代都能提高成本函数的值的性质的优化方法。
降维问题可以被构造为多个数据集问题。在当前航空网络数据框架中，航空网络流量数据可以实时来自许多不同的来源，并且此数据可能会影响飞机的可操作性和/或航空公司的调度。表示和分析航空网络操作所需的数据可以包括飞行数据、飞机数据、子舰队数据、机组人员信息、机组规则信息、飞机维修信息、机场信息、乘客信息和与天气有关的数据。此类信息的特征如下：
·航班数据可以包括有关预定航班，估计和实际飞行时间，以及出发和到达的机场和航站楼和登机口分配的信息；
·飞机数据可以包括有关特定飞机，它们对子机队和/或机队的分配，操作限制，分配的飞行和分配的计划维护的信息；
·子机队数据可以包括子机队和/或机队层次结构信息，操作配置，性能数据和限制数据；
·机组人员信息可以包括飞行员和空乘人员的配对，以及他们的航班调度或分配，飞行员资格数据和与规则合规相关联的飞行员飞行历史数据；
·机组规则信息可以包括规则数据，这些规则数据控制着工作时间，航班时间，休息时间以及飞行员和空乘人员的资格；
·飞机维护信息可以包括分配给特定飞机的预定维护事件等；
·机场信息可以包括表示可用性和容量的数据以及子机队/机队限制，并且可以包括禁飞信息；和
·乘客信息可以包括表示航班负荷，航班之间的衔接以及始发地与目的地之间的个人行程的数据；乘客数据还可以包括区分因素，例如飞行常客身份，特殊服务需求以及与乘客国籍相关联的限制和相关联的签证要求。
上面呈现的航空网络流量数据的示例可以从航空公司(例如，达美航空，美国航空，美联航，捷蓝航空等)本身获得。因此，航空公司可以与航空公司签约以获得对此类数据的访问权，以实时提供航空网络信息或数据。除了上述航空网络流量数据外，当前的天气数据和/或天气预报也很关键，因为一个或多个地点或地区的天气可能会影响一个或多个国家，地区和/或大洲的航空公司航班。天气数据可以从美国国家气象局等来源公开获取和/或从例如Accuweather.com的在线天气网站上公开获取，并且也可以从一个或多个航空公司或从私人天气数据服务处获取和/或获得(在某些情况下需要付费)。另外，当考虑航空网络流量的状态时，可以利用更少或更多的数据源，因此航空网络流量数据可以具有任意高的维度。
图2是根据一些实施例的航空网络流量数据流形学习系统200的框图。航空网络流量数据流形学习系统200可以包括用户计算机202，历史航空网络流量计算机系统203，模拟装置206和当前网络流量计算机208。例如，用户计算机202可以是通过软件和/或应用程序控制以使其以本文所述的方式工作的个人计算机，手提电脑，移动电话，智能手机等。
参考图2，用户计算机200可以包括计算机处理器210，其可操作地耦接到通信装置212，存储装置214，输入装置216和输出装置或显示装置218。在一些实施方式中，用户计算机202可以通过航空公司人员(例如负责监测航空网络流量的航空公司操作中心(AOC)操作员)操作。
计算机处理器210可以通过一个或多个处理器构成，该处理器可以包括特别设计的处理器，并且操作以执行包含在本文所述的程序指令中的处理器可执行步骤，以控制用户计算机200提供所需的功能。用户计算机200的通信装置212可以用于促进与例如其他装置(例如历史航空网络流量计算机系统203，模拟装置206和当前网络流量计算机208)的通信。通信装置212还可以用于促进与通过航空公司人员等操作的其他计算机和/或电子装置(未示出)的通信。输入装置216可以包括通常用于将数据输入到计算机中的一个或多个任何类型的外围装置。例如，输入装置216可以包括键盘和/或鼠标和/或操纵杆和/或触摸屏。输出装置218可以包括例如电子显示器(例如平板屏幕和/或触摸屏)和/或打印机。
存储装置214可以包括任何适当的信息存储装置，包括磁存储装置(例如，硬盘驱动器)，诸如CD和/或DVD的光学存储装置，和/或诸如随机存取存储器(RAM)装置和只读存储器(ROM)装置的半导体存储器装置，以及闪存和/或磁泡存储器的组合。这样的信息存储装置中的任何一个或多个可以被认为是非暂时性计算机可读存储介质或非暂时性计算机可用介质或存储器。在一些实施例中，存储装置214存储用于控制处理器210的一个或多个计算机程序或应用程序。程序包括程序指令(可称为计算机可读程序代码手段)，该程序指令包含用户计算机202的处理器可执行处理步骤，通过计算机处理器210执行以使用户计算机202如本文所述工作。
存储在存储装置214中的程序可以包括一个或多个操作系统(未示出)，该操作系统包括可执行指令，这些可执行指令在被执行时控制处理器210来管理和协调用户计算机202中的活动和资源共享，以及用作在用户计算机202上运行的应用程序的主机。存储在存储装置214中的程序还可以包括流形学习应用程序(未显示)，该应用程序包括指令，这些指令在执行时使用户计算机处理器210处理航空网络流量数据和/或其他数据输入或数据集输入并提供输出数据。然后，流形学习应用程序的输出数据可以如本文所述地被利用和/或处理，以提供与“正常”和/或“异常”航空网络流量数据相对应的输出数据。在一些实施例中，正常航空网络流量数据可以用于生成正常航空网络流量流形表示，并且异常航空网络流量数据集可以用于生成异常航空网络流量流形表示，这些表示可以呈现在显示屏上，供航空公司人员查看。在某些实施例中，通过当前网络流量计算机208提供的当前航空网络流量数据也可以被用作流形学习应用程序的输入，并且输出数据被用来生成当前航空网络流量数据集，然后可以将该数据集映射到在显示屏218上显示的正常航空网络流量流形表示和异常航空网络流量流形表示。在某些实施例中，航空公司人员然后可以将映射的当前航空网络流量数据集与正常和异常网络流量流形表示进行比较，然后例如确定是否即将发生航空网络中断和/或是否采取任何措施，例如根据本文所述的处理发出警报或采取预防措施。在其他实施方式中，计算机处理器210可以自动将映射的当前航空网络流量数据集与正常和异常网络流量流形表示进行比较，然后确定是否设置指示航空网络流量中断即将发生或正在发生的标志，和/或提供航空网络流量当前状态的指示。在这种情况下，计算机处理器210可以确定当前航空网络流量数据集映射到异常航空网络流量流形表示的数据点的阈值数，然后发送指示航空网络流量可能即将中断的警报消息。在当前航空网络流量数据集中的大多数数据点映射到异常航空网络流量流形表示时，可以达到该阈值数。在一些实施方式中，航空公司人员(或其他授权人)可以将阈值数设置为等于较低的数(例如，等于或小于当前航空网络流量数据集中数据点的一半)，和/或计算机处理器210在确定阈值数时，可以不同于其他类型来加权某些类型的当前航空网络流量数据。
存储在存储装置214中的其他程序可以包括数据库管理程序，通信软件，装置驱动器等。存储装置214还可以包括用户计算机202的操作所需的一个或多个数据库(未示出)。
再次参考图2，历史航空网络流量计算机系统203包括可操作地连接到历史数据库计算机205的历史航空网络流量数据库204，该历史数据库计算机205可操作地连接到通信装置207。历史航空网络流量数据库204可以是任何合适的数据库，包括具有多个数据集的单个数据库，链接在一起的多个离散数据库，甚至是简单的数据表。无论数据库的类型如何，历史航空网络流量数据库204都是可以在计算机可读介质上提供的非暂时性存储介质。在一些实施例中，历史航空网络流量数据库204是经由历史数据库处理器205和通信装置207在计算机上可搜索的，并且可以包括与航空网络的历史正常操作状况和与异常操作状况相关联的历史航空网络流量数据都相关的数据集。这样的历史航空操作状况数据可以通过一个或多个航空公司提供，并且可以通过航空公司分开。因此，历史网络流量数据库204可以存储以下数据，例如但不限于：历史飞行数据，飞机数据，子机队数据，机组人员信息，机组规则信息，飞机维修数据，机场数据，乘客数据和天气数据。也可以包括其他类型的历史数据，例如，其可以是航空公司专用的数据。这样的历史航空网络流量数据集可以用于填补由于可能导致航空流量网络的延迟的某些类型的数据的不可用而可能在模拟的航空网络流量数据集中出现的一些空白。
同样如图2所示，模拟装置206包括可操作地连接到通信装置222的控制器220，该通信装置222可以用于促进与例如其他装置(诸如用户计算机202)的通信。控制器220可以包括一个或多个处理器或微处理器，以及还可操作地连接到空域模型224、航空模型226、操作恢复数据库228、机组人员恢复数据库230和天气模型232，这些模型反过来可操作地连接到度量和可视化应用程序234。这些模型是在计算机模拟中使用的，可以包括例如在多个机场起飞和降落的多架飞机，并且其中航空网络中断可以例如通过操作员人为地引入到模拟中。模拟装置206可以用于创建包含数据的数据集，该数据集可以用于训练流形学习算法以识别“良好”网络状态和“不良”网络状态。另外，在一些实施例中，度量和可视化应用程序被提供在仪表板(未示出)中，操作员可以利用该仪表板来观察来自任何特定模拟的关键数据参数，这些关键数据参数可以与良好行为的有力指标和/或反常或异常行的有力指标相关联，并且可以将其视为与航空网络的“健康”相关联的“重要标志”。
再次参考图2，当前网络流量计算机208包括通信装置236，航空网络流量处理器238和当前航空网络流量数据库240。在一些实施例中，当前网络流量计算机208向用户计算机202提供当前航空网络流量数据，例如有关飞机的当前状态、当前飞行机组人员状态、当前天气数据(可以从各种来源(未显示)，例如美国国家气象局和/或其他公共资源获得)的数据，以及其他数据。这样的数据可以从各种来源(未示出)获得，并将其存储在当前网络流量数据库240中。用户计算机202利用这些数据来生成当前航空网络状态数据，然后可以根据本文描述的处理将其与异常和/或正常航空网络流量流形表示进行比较。
图3是示出根据本文描述的实施例的可以与航空网络流量数据相关联的类型的示例性流形表示300的图。如图所示，流形表示可以包括多个二维(2D)流形表示，其可以显示在图2所示的计算机202的显示屏218上。例如，流形表示300可以包括：正常航空流量操作流形表示302，其包括流形表示302A和302B；以及异常航空流量操作流形表示304，其在这里包括流形表示304A和304B。因此，流形表示302A和302B可以与“正常”航空网络流量相关联，而流形表示304A和304B可以与“异常”航空网络流量相关联。在一些实施例中，用户计算机处理器210还可以获得当前航空网络流量数据集，然后将当前航空网络数据(未示出)映射到正常航空流量操作流形表示302和异常航空流量操作流形表示304以进行比较。
因此，再次参考图2，在一些实施例中，模拟装置206可以从用户计算机202接收指令以生成与正常航空网络流量行为相关联和与异常航空网络流量相关联的数据集。然后这些数据集可以作为通过用户计算机处理器210运行的流形学习算法的输入，以生成正常航空流量操作流形表示302(包括流形表示302A和302B)和异常航空流量操作流形表示304(包括流形表示304A和304B)，如图3所示。用户还可以指示用户计算机202从历史航空网络流量计算机系统203获得历史航空网络流量数据，然后根据该历史数据生成一个或多个正常和/或异常流形表示(未示出)。在一些实现中，与异常航空网络行为相对应的历史航空网络流量数据可以和与异常航空网络行为相关联的模拟数据进行组合，并用作通过用户计算机处理器210运行的流形学习算法的输入以生成异常航空网络流形表示。类似地，用户计算机202可以接收与正常航空网络行为相对应的历史航空网络流量数据以及与正常航空网络行为相关联的模拟数据，并且使用这样的数据作为通过用户计算机处理器210运行的流形学习算法的输入以生成正常航空网络流形表示。另外，用户计算机202可以经由通信装置236从当前网络流量计算机208获得当前航空网络流量数据，并且生成表示当前航空网络行为的一个或多个数据集。因此，在一些实施例中，用户可以利用用户计算机202来请求当前航空网络流量数据，并使用它来生成当前航空网络流量数据集，该数据可以与正常航空流量操作流形表示302和/或异常航空流量操作流形表示304进行比较，如图3所示。
图4描绘了根据本公开的可以显示在用户计算机202的显示屏218上的当前航空网络性能图400的示例。用户计算机202的存储装置214可以包括映射应用程序(未示出)，该映射应用程序包括可执行指令，该可执行指令在被执行时提供当前航空网络性能映射数据，该数据可以用于生成当前航空网络性能图400以显示在显示屏218上。当前航空网络性能图400可以被识别为描绘在美国上空飞行的飞机402(黑点)以及指示任何特定航班的延误时间的实线表示404(实线)的时刻的快照。根据一年中的某个时间(或季节)，一天中的时间，天气和/或其他因素，图4可以描绘什么被认为是正常航空网络流量图。然而，在某些情况下，图400可以被认为是异常的，例如，数据可以指示航空网络流量的性能下降。这些指示可以用颜色编码(未显示)，以方便航空公司人员识别。
图5描绘了根据一些实施例的当前航空网络性能表500的示例，其可以与图4的当前航空网络性能图400同时显示，或单独显示在用户计算机202的显示屏218上。在航空网络性能表500的该示例中，指示针502指向零(0)到大约六十四(64)之间的区域504内的任何位置的指示可以被认为指示当前网络航空性能是趋向于从“不良”状态到“差”状态，而指示针502指向六十五(65)到九十(90)之间的区域506的指示可以被认为指示当前网络航空性能是趋向“好”状态，并且指示针502指向九十(90)到一百(100)之间的区域的指示可以被认为指示当前网络航空性能正趋向“优秀”状态。在图5的具体示例中，指示针502在大约二十三(23)处，其在指示当前航空网络数据正趋向于“不良”状态到“差”状态的区域504中。发生这种情况时，AOC操作员可能会决定，由于当前航空网络流量的不良状况，可能需要进行干预以纠正一个或多个正在发生并可能最终导致进一步的航空网络流量延迟的问题。
图6A和6B示出根据一些实施例的用于检测航空网络流量中断的方法的流程图600。用户计算机的计算机处理器在602向模拟装置发送对异常航空网络流量模拟数据的请求，在604接收异常航空网络流量模拟数据，然后通过利用对异常航空网络流量模拟数据的流形学习处理在606生成异常航空网络流量流形表示。该处理还可以包括用户计算机的计算机处理器在608向模拟装置发送对正常航空网络流量模拟数据的请求，在610接收异常航空网络流量模拟数据，然后通过利用对正常航空网络流量模拟数据的流形学习处理在612生成正常航空网络流量流形表示。在一些实施例中，计算机处理器还可以请求与异常航空网络行为相对应的历史航空网络流量数据，然后将该数据和与异常航空网络行为相关联的模拟数据进行组合，然后基于两者(或仅基于与异常行为相关联的历史航空网络流量数据)生成异常航空网络流形表示。类似地，在某些实现中，计算机处理器还可以请求与正常航空网络行为相对应的历史航空网络流量数据，然后在生成正常航空网络流形表示(或仅基于与正常行为相关联的历史航空网络流量数据)之前，将该数据和与正常航空网络行为相关联的模拟数据进行组合。
再次参考图6，该处理还包括在614发送对当前航空网络流量数据的请求，在616接收当前航空网络流量数据，在618生成当前航空网络流量数据集以及在620将当前航空网络流量数据集映射到正常和异常航空网络流量流形表示。在一些实施例中，用户计算机然后将映射的当前航空网络流量数据集与正常和异常航空网络流量流形表示两者进行比较，然后在622确定当前航空网络流量数据集的大多数数据点是否接近或映射到异常航空流量流形表示上。如果是这样，则航空网络流量中断可能即将发生，并且用户计算机在624向例如航空操作员装置发送可能发生(或正在发生)中断的指示或警报。如果不是，则在一些实施方式中，用户计算机在626向例如与航空公司操作员相关联的计算机发送正常航空网络流量操作的指示。在一些实施方式中，正常和异常航空流形表示可以通过用户计算机处理器连同当前航空网络流量数据集的映射数据点一起显示在用户计算机的显示屏上，以供用户查看。
因此，航空网络操作员(或其他航空公司人员)可以利用用户计算机，以不给航空公司操作人员造成过大压力或利用额外资源的方式，在实际航空公司操作期间高效、快速地查看即将发生的航空网络流量中断的早期迹象。应当理解的是，涉及正常和异常航空网络流量流形表示与当前航空网络流量数据集的生成以及比较的附加处理排列是可能的，并且可以想到其他用于向航空公司人员或其他人员提供航空网络流量状态信息和/或当前航空网络流量的指示的方法。因此，本文所述的处理允许用户或航空网络操作员，例如，在数据指示时迅速发出警报或向AOC人员(或其他航空网络操作人员)提供警报，使得可以密切监测航空网络流量和/或采取措施以减少航空网络流量中即将发生的中断或中断的开始。例如，如果数据指示航空网络流量将由于飞机的损坏和/或维护问题而很快中断，则可以将此类情况的早期指示发送给能够提供协助和/或维修任何损坏的一个或多个机场以使飞机继续飞行或将其替换为其他飞机。
该详细描述使用示例来公开本发明，并且还使本领域的任何技术人员能够实践本发明，包括制造和使用任何装置或系统以及执行任何结合的方法。本发明的范围通过权利要求限定，并且可以包括本领域技术人员想到的其他示例。如果这样的其他示例具有与权利要求的字面语言没有不同的结构元件，和/或如果它们包括与权利要求的字面语言没有实质性差异的等效结构元件，则认为它们在权利要求的范围内。来自所描述的各种实施例的方面以及每个这样的方面的其他已知等效物，可以通过本领域的普通技术人员混合和匹配，以根据本文公开的原理构造附加的实施例和/或技术。
因此，仅出于说明的目的，已经根据几个实施例描述了本发明。本领域技术人员将从该描述中认识到，本发明不限于所描述的实施例，而是可以仅通过所附权利要求的精神和范围限制的修改和/或替换来实践本发明。
本发明的进一步方面通过以下条项的主题提供：
1.一种用于检测航空网络流量中断的方法，包括：通过用户计算机的计算机处理器向模拟装置发送对异常航空网络流量模拟数据的请求，通过计算机处理器从模拟装置接收异常航空网络流量模拟数据，并通过计算机处理器利用流形学习处理生成模拟的异常航空网络流量流形表示数据。
2.根据任何在前条项的方法，还包括：通过计算机处理器向模拟装置发送对正常航空网络流量模拟数据的请求，通过计算机处理器从模拟装置接收正常航空网络流量模拟数据，并通过计算机处理器利用流形学习处理生成模拟的正常航空网络流量流形表示数据。
3.根据任何在前条项的方法，还包括：通过计算机处理器向当前网络流量计算机发送对当前航空网络流量数据的请求，通过计算机处理器从当前网络流量计算机接收当前航空网络流量数据，并通过计算机处理器生成当前航空网络流量数据集。
4.根据任何在前条项的方法，还包括：通过计算机处理器将当前航空网络流量数据集映射到异常航空网络流量流形表示，通过计算机处理器确定当前航空网络流量数据集的阈值数的数据点映射到异常航空流量流形表示，并通过计算机处理器向操作员装置发送指示即将发生航空网络流量中断的警报。
5.根据任何在前条项的方法，还包括：通过计算机处理器将当前航空网络流量数据集映射到异常航空网络流量流形表示，通过计算机处理器确定当前航空网络流量数据集的阈值数的数据点未映射到异常航空流量流形表示，并通过计算机处理器向操作员装置发送正常航空网络流量的指示。
6.根据任何在前条项的方法，还包括：通过计算机处理器向当前网络流量计算机发送对当前航空网络流量数据的请求，通过计算机处理器从当前网络流量计算机接收当前航空网络流量数据，通过计算机处理器生成当前航空网络流量数据集，通过计算机处理器将当前航空网络流量数据集映射到正常航空网络流量流形表示，通过计算机处理器确定当前航空网络流量数据集的阈值数的数据点映射到正常航空流量流形表示，并通过计算机处理器向操作员装置发送正常航空网络流量的指示。
7.根据任何在前条项的方法，还包括：通过计算机处理器将当前航空网络流量数据集映射到异常航空网络流量流形表示，通过计算机处理器在显示装置上显示异常航空网络流量的可视流形表示和与当前航空网络流量数据集相关联的数据点，通过计算机处理器确定当前航空网络流量数据集的阈值数的数据点映射到异常航空流量流形表示，并通过计算机处理器向操作员装置发送指示即将发生航空网络流量中断的警报。
8.根据任何在前条项的方法，还包括：通过计算机处理器向当前网络流量计算机发送对当前航空网络流量数据的请求，通过计算机处理器从当前网络流量计算机接收当前航空网络流量数据，通过计算机处理器生成当前航空网络流量数据集，通过计算机处理器将当前航空网络流量数据集映射到正常航空网络流量流形表示，通过计算机处理器在显示装置上显示正常航空网络流量的可视流形表示和与当前航空网络流量数据集相关联的数据点，通过计算机处理器确定当前航空网络流量数据集的阈值数的数据点映射到正常航空流量流形表示，并通过计算机处理器向操作员装置发送正常航空网络流量的指示。
9.一种存储可执行指令的非暂时性计算机可读介质，该可执行指令在通过计算机处理器执行时使计算机处理器：向模拟装置发送异常航空网络流量模拟数据的请求，从模拟装置接收异常航空网络流量模拟数据，并通过利用流形学习处理生成模拟的异常航空网络流量流形表示数据。
10.根据任何在前条项的非暂时性计算机可读介质，其存储进一步的指令，该指令在通过计算机处理器执行时使计算机处理器：向模拟装置发送对正常航空网络流量模拟数据的请求，从模拟装置接收正常航空网络流量模拟数据，并利用流形学习处理生成模拟的正常航空网络流量流形表示数据。
11.根据任何在前条项的非暂时性计算机可读介质，其存储进一步的指令，该指令在通过计算机处理器执行时使计算机处理器：向当前网络流量计算机发送对当前航空网络流量数据的请求，从当前网络流量计算机接收当前航空网络流量数据，并生成当前航空网络流量数据集。
12.根据任何在前条项的非暂时性计算机可读介质，其存储进一步的指令，该指令在通过计算机处理器执行时使计算机处理器：将当前航空网络流量数据集映射到异常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点映射到异常航空流量流形表示，并向操作员装置发送指示即将发生航空网络流量中断的警报。
13.根据任何在前条项的非暂时性计算机可读介质，其存储进一步的指令，该指令在通过计算机处理器执行时使计算机处理器：将当前航空网络流量数据集映射到异常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点未映射到异常航空流量流形表示，并向操作员装置发送正常航空网络流量的指示。
14.根据任何在前条项的非暂时性计算机可读介质，其存储进一步的指令，该指令在通过计算机处理器执行时使计算机处理器：向当前网络流量计算机发送对当前航空网络流量数据的请求，从当前网络流量计算机接收当前航空网络流量数据，生成当前航空网络流量数据集，将当前航空网络流量数据集映射到正常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点映射到正常航空流量流形表示，并向操作员装置发送正常航空网络流量的指示。
15.根据任何在前条项的非暂时性计算机可读介质，其存储进一步的指令，该指令在通过计算机处理器执行时使计算机处理器：将当前航空网络流量数据集映射到异常航空网络流量流形表示，显示异常航空网络流量的可视流形表示和与当前航空网络流量数据集相关联的数据点，确定当前航空网络流量数据集的阈值数的数据点映射到异常航空流量流形表示，并向操作员装置发送指示即将发生航空网络流量中断的警报。
16.根据任何在前条项的非暂时性计算机可读介质，其存储进一步的指令，该指令在通过计算机处理器执行时使计算机处理器：向当前网络流量计算机发送当前航空网络流量数据的请求，从当前网络流量计算机接收当前航空网络流量数据，生成当前航空网络流量数据集，将当前航空网络流量数据集映射到正常航空网络流量流形表示，在显示装置上显示正常航空网络流量的可视流形表示和与当前航空网络流量数据集相关联的数据点，确定当前航空网络流量数据集的阈值数的数据点映射到正常航空流量流形表示，并向操作员装置发送正常航空网络流量的指示。
17.一种用于检测航空网络流量中断的系统，包括：用户计算机，其包括可操作地连接到非暂时性存储装置和显示装置的用户计算机处理器；可操作地连接到用户计算机的历史航空网络流量数据库；可操作地连接到用户计算机的模拟装置；以及可操作地连接到模拟装置的当前航空网络流量计算机，其中，用户计算机的非暂时性存储装置存储可执行指令，该可执行指令在执行时使用户计算机处理器：向模拟装置发送对异常航空网络流量模拟数据的请求，从模拟装置接收异常航空网络流量模拟数据，并通过利用流形学习处理生成模拟的异常航空网络流量流形表示数据。
18.根据任何在前条项的系统，其中用户计算机的非暂时性存储装置存储进一步的可执行指令，该可执行指令在被执行时使用户计算机处理器：向模拟装置发送对正常航空网络流量模拟数据的请求，从模拟装置接收正常航空网络流量模拟数据，并利用流形学习处理生成模拟的正常航空网络流量流形表示数据。
19.根据任何在前条项的系统，其中用户计算机的非暂时性存储装置存储进一步的可执行指令，该可执行指令在被执行时使用户计算机处理器：向当前网络流量计算机发送对当前航空网络流量数据的请求，从当前网络流量计算机接收当前航空网络流量数据，并生成当前航空网络流量数据集。
20.根据任何在前条项的系统，其中用户计算机的非暂时性存储装置存储进一步的可执行指令，该可执行指令在被执行时使用户计算机处理器：将当前航空网络流量数据集映射到异常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点映射到异常航空流量流形表示，并向操作员装置发送指示即将发生航空网络流量中断的警报。
21.根据任何在前条项的系统，其中用户计算机的非暂时性存储装置存储进一步的可执行指令，该可执行指令在被执行时使用户计算机处理器：将当前航空网络流量数据集映射到异常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点未映射到异常航空流量流形表示，并向操作员装置发送正常航空网络流量的指示。
22.根据任何在前条项的系统，其中用户计算机的非暂时性存储装置存储进一步的可执行指令，该可执行指令在被执行时使用户计算机处理器：向当前网络流量计算机发送当前航空网络流量数据的请求，从当前网络流量计算机接收当前航空网络流量数据，生成当前航空网络流量数据集，将当前航空网络流量数据集映射到正常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点映射到正常航空流量流形表示，并向操作员装置发送正常航空网络流量的指示。
23.根据任何在前条项的系统，其中用户计算机的非暂时性存储装置存储进一步的可执行指令，该可执行指令在被执行时使用户计算机处理器：将当前航空网络流量数据集映射到异常航空网络流量流形表示，显示异常航空网络流量的可视流形表示和与当前航空网络流量数据集相关联的数据点，确定当前航空网络流量数据集的阈值数的数据点映射到异常航空流量流形表示，并向操作员装置发送指示即将发生航空网络流量中断的警报。
24.根据任何在前条项的系统，其中，用户计算机的非暂时性存储装置存储进一步的可执行指令，该可执行指令在被执行时使用户计算机处理器：向当前网络流量计算机发送对当前航空网络流量数据的请求，从当前网络流量计算机接收当前航空网络流量数据，生成当前航空网络流量数据集，将当前航空网络流量数据集映射到正常航空网络流量流形表示，在显示装置上显示正常航空网络流量的可视流形表示和与当前航空网络流量数据集相关联的数据点，确定当前航空网络流量数据集的阈值数的数据点映射到正常航空流量流形表示，并向操作员装置发送正常航空网络流量的指示。

Claims (10)

1.一种用于检测航空网络流量中断的方法，其特征在于，包括：
通过用户计算机的计算机处理器向模拟装置发送对异常航空网络流量模拟数据的请求；
通过所述计算机处理器从所述模拟装置接收异常航空网络流量模拟数据；以及
通过所述计算机处理器利用流形学习处理生成模拟的异常航空网络流量流形表示数据。
2.根据权利要求1所述的方法，其特征在于，进一步包括：
通过所述计算机处理器向所述模拟装置发送对正常航空网络流量模拟数据的请求；
通过所述计算机处理器从所述模拟装置接收正常航空网络流量模拟数据；以及
通过所述计算机处理器利用所述流形学习处理生成模拟的正常航空网络流量流形表示数据。
3.根据权利要求1所述的方法，其特征在于，进一步包括：
通过所述计算机处理器向当前网络流量计算机发送对当前航空网络流量数据的请求；
通过所述计算机处理器从所述当前网络流量计算机接收所述当前航空网络流量数据；以及
通过所述计算机处理器生成当前航空网络流量数据集。
4.根据权利要求3所述的方法，其特征在于，进一步包括：
通过所述计算机处理器将所述当前航空网络流量数据集映射到所述异常航空网络流量流形表示；
通过所述计算机处理器确定所述当前航空网络流量数据集的阈值数的数据点映射到所述异常航空流量流形表示；以及
通过所述计算机处理器向操作员装置发送指示即将发生航空网络流量中断的警报。
5.根据权利要求3所述的方法，其特征在于，进一步包括：
通过所述计算机处理器将所述当前航空网络流量数据集映射到所述异常航空网络流量流形表示；
通过所述计算机处理器确定所述当前航空网络流量数据集的阈值数的数据点未映射到所述异常航空流量流形表示；以及
通过所述计算机处理器向操作员装置发送正常航空网络流量的指示。
6.根据权利要求2所述的方法，其特征在于，进一步包括：
通过所述计算机处理器向当前网络流量计算机发送对当前航空网络流量数据的请求；
通过所述计算机处理器从所述当前网络流量计算机接收所述当前航空网络流量数据；
通过所述计算机处理器生成当前航空网络流量数据集；
通过所述计算机处理器将所述当前航空网络流量数据集映射到所述正常航空网络流量流形表示；
通过所述计算机处理器确定所述当前航空网络流量数据集的阈值数的数据点映射到所述正常航空流量流形表示；以及
通过所述计算机处理器向操作员装置发送正常航空网络流量的指示。
7.根据权利要求3所述的方法，其特征在于，进一步包括：
通过所述计算机处理器将所述当前航空网络流量数据集映射到所述异常航空网络流量流形表示；
通过所述计算机处理器在显示装置上显示所述异常航空网络流量的可视流形表示和与所述当前航空网络流量数据集相关联的数据点；
通过所述计算机处理器确定所述当前航空网络流量数据集的阈值数的数据点映射到所述异常航空流量流形表示；以及
通过所述计算机处理器向操作员装置发送指示即将发生航空网络流量中断的警报。
8.根据权利要求2所述的方法，其特征在于，进一步包括：
通过所述计算机处理器向当前网络流量计算机发送对当前航空网络流量数据的请求；
通过所述计算机处理器从所述当前网络流量计算机接收所述当前航空网络流量数据；
通过所述计算机处理器生成当前航空网络流量数据集；
通过所述计算机处理器将所述当前航空网络流量数据集映射到所述正常航空网络流量流形表示；
通过所述计算机处理器在显示装置上显示所述正常航空网络流量的可视流形表示和与所述当前航空网络流量数据集相关联的数据点；
通过所述计算机处理器确定所述当前航空网络流量数据集的阈值数的数据点映射到所述正常航空流量流形表示；以及
通过所述计算机处理器向操作员装置发送正常航空网络流量的指示。
9.一种用于检测航空网络流量中断的系统，其特征在于，包括：
用户计算机，所述用户计算机包括可操作地连接到非暂时性存储装置和显示装置的用户计算机处理器；
可操作地连接到所述用户计算机的历史航空网络流量数据库；
可操作地连接到所述用户计算机的模拟装置；以及
可操作地连接到所述模拟装置的当前航空网络流量计算机；
其中，所述用户计算机的所述非暂时性存储装置存储可执行指令，所述可执行指令在被执行时使所述用户计算机处理器：
向所述模拟装置发送对异常航空网络流量模拟数据的请求；
从所述模拟装置接收异常航空网络流量模拟数据；并且
通过利用流形学习处理生成模拟的异常航空网络流量流形表示数据。
10.根据权利要求9所述的系统，其特征在于，其中所述用户计算机的所述非暂时性存储装置存储进一步的可执行指令，所述可执行指令在被执行时使所述用户计算机处理器：
向所述模拟装置发送对正常航空网络流量模拟数据的请求；
从所述模拟装置接收正常航空网络流量模拟数据；并且
利用所述流形学习处理生成模拟的正常航空网络流量流形表示数据；
从所述当前网络流量计算机接收所述当前航空网络流量数据；
生成当前航空网络流量数据集；
将所述当前航空网络流量数据集映射到所述正常航空网络流量流形表示；
在显示装置上显示所述正常航空网络流量的可视流形表示和与所述当前航空网络流量数据集相关联的数据点；
确定所述当前航空网络流量数据集的阈值数的数据点映射到所述正常航空流量流形表示；并且
向操作员装置发送正常航空网络流量的指示。
CN202010709691.8A 2019-07-26 2020-07-22 用于航空网络数据的流形学习的系统和方法 Pending CN112365112A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/522,783 2019-07-26
US16/522,783 US11587448B2 (en) 2019-07-26 2019-07-26 Systems and methods for manifolds learning of airline network data

Publications (1)

Publication Number Publication Date
CN112365112A true CN112365112A (zh) 2021-02-12

Family

ID=71092333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010709691.8A Pending CN112365112A (zh) 2019-07-26 2020-07-22 用于航空网络数据的流形学习的系统和方法

Country Status (3)

Country Link
US (1) US11587448B2 (zh)
EP (2) EP3770834B1 (zh)
CN (1) CN112365112A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3907661A1 (en) * 2020-05-06 2021-11-10 Tata Consultancy Services Limited Method and system for minimizing passenger misconnects in airline operations through learning

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070244841A1 (en) * 2004-08-13 2007-10-18 National University Corporation Kagawa University Method and Apparatus for Data Processing, and Method and Apparatus for Diagnosis
CN102169631A (zh) * 2011-04-21 2011-08-31 福州大学 基于流形学习的交通拥堵事件协同检测方法
US20110246000A1 (en) * 2010-04-02 2011-10-06 Cloudahoy Inc. Systems and methods for aircraft flight tracking and data collection
CN103234767A (zh) * 2013-04-21 2013-08-07 蒋全胜 基于半监督流形学习的非线性故障检测方法
US20150019070A1 (en) * 2012-02-29 2015-01-15 Sagem Defense Securite Method of analysing flight data
US20160107765A1 (en) * 2014-10-20 2016-04-21 Airbus Operations (S.A.S) Method and system aboard an aircraft for generating an anomaly report
US10074283B1 (en) * 2017-03-09 2018-09-11 The Boeing Company Resilient enhancement of trajectory-based operations in aviation
CN108845227A (zh) * 2018-04-26 2018-11-20 广东电网有限责任公司 一种对高压电缆进行故障预警的方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6167239A (en) 1999-06-25 2000-12-26 Harris Corporation Wireless spread spectrum ground link-based aircraft data communication system with airborne airline packet communications
US7484008B1 (en) 1999-10-06 2009-01-27 Borgia/Cummins, Llc Apparatus for vehicle internetworks
US8255100B2 (en) 2008-02-27 2012-08-28 The Boeing Company Data-driven anomaly detection to anticipate flight deck effects
US9052375B2 (en) 2009-09-10 2015-06-09 The Boeing Company Method for validating aircraft traffic control data
US10002519B2 (en) * 2012-12-18 2018-06-19 InFlight Labs, LLC Distressed aircraft notification and tracking system
EP2932197A1 (en) * 2012-12-12 2015-10-21 University Of North Dakota Analyzing flight data using predictive models
CN103164617B (zh) * 2013-02-07 2016-11-23 中国国际航空股份有限公司 一种飞机行为预测系统及预测方法
US20150170079A1 (en) 2013-11-13 2015-06-18 NIIT Technologies Ltd Providing guidance for recovery from disruptions in airline operations
US9685087B2 (en) * 2014-08-01 2017-06-20 Honeywell International Inc. Remote air traffic surveillance data compositing based on datalinked radio surveillance
US10466266B2 (en) * 2014-08-14 2019-11-05 University Of North Dakota Flight parameter prediction using neural networks
US9691286B2 (en) * 2015-04-22 2017-06-27 The Boeing Company Data driven airplane intent inferencing
US9760837B1 (en) * 2016-03-13 2017-09-12 Microsoft Technology Licensing, Llc Depth from time-of-flight using machine learning
CN107844731A (zh) 2016-09-17 2018-03-27 复旦大学 基于概率后缀树的长时间序列δ‑异常点检测方法
CN109923595B (zh) 2016-12-30 2021-07-13 同济大学 一种基于浮动车数据的城市道路交通异常检测方法
US10587635B2 (en) 2017-03-31 2020-03-10 The Boeing Company On-board networked anomaly detection (ONAD) modules
US11100726B2 (en) * 2018-06-01 2021-08-24 Honeywell International Inc. Systems and methods for real-time streaming of flight data
US11299288B2 (en) * 2019-03-20 2022-04-12 City University Of Hong Kong Method of presenting flight data of an aircraft and a graphical user interface for use with the same
US11087629B2 (en) * 2019-03-21 2021-08-10 Honeywell International Inc. Systems and methods for prioritized flight data transmission
CN113767389A (zh) * 2019-04-29 2021-12-07 辉达公司 从用于自主机器应用的经变换的真实世界传感器数据模拟逼真的测试数据

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070244841A1 (en) * 2004-08-13 2007-10-18 National University Corporation Kagawa University Method and Apparatus for Data Processing, and Method and Apparatus for Diagnosis
US20110246000A1 (en) * 2010-04-02 2011-10-06 Cloudahoy Inc. Systems and methods for aircraft flight tracking and data collection
CN102169631A (zh) * 2011-04-21 2011-08-31 福州大学 基于流形学习的交通拥堵事件协同检测方法
US20150019070A1 (en) * 2012-02-29 2015-01-15 Sagem Defense Securite Method of analysing flight data
CN103234767A (zh) * 2013-04-21 2013-08-07 蒋全胜 基于半监督流形学习的非线性故障检测方法
US20160107765A1 (en) * 2014-10-20 2016-04-21 Airbus Operations (S.A.S) Method and system aboard an aircraft for generating an anomaly report
US10074283B1 (en) * 2017-03-09 2018-09-11 The Boeing Company Resilient enhancement of trajectory-based operations in aviation
CN108845227A (zh) * 2018-04-26 2018-11-20 广东电网有限责任公司 一种对高压电缆进行故障预警的方法

Also Published As

Publication number Publication date
US20210027635A1 (en) 2021-01-28
EP3770834A1 (en) 2021-01-27
US11587448B2 (en) 2023-02-21
EP3770834B1 (en) 2023-08-23
EP4231225A2 (en) 2023-08-23
EP4231225A3 (en) 2023-11-15

Similar Documents

Publication Publication Date Title
US10242508B2 (en) Aircraft maintenance systems and methods for ECS fouling predictions
US8554459B2 (en) System and method for controlling operation of an airline
US7912742B2 (en) Visualization of airline flight schedules
US8620714B2 (en) Prognostic condition assessment decision aid
US10522045B2 (en) Flight schedule disruption awareness systems and methods
EP2430399B1 (en) Aircraft dispatch information
EP3115945A1 (en) Method and system for managing personnel work disruption in safety critical industries
Sachon et al. Delays and safety in airline maintenance
US10534359B2 (en) Aircraft management systems and methods for ECS predictive maintenance
US9153138B1 (en) Agent-based airfield conflict resolution
Guo et al. Flight safety assessment based on a modified human reliability quantification method
Hölzel et al. Cost-benefit analysis of prognostics and condition-based maintenance concepts for commercial aircraft considering prognostic errors
EP3770834B1 (en) Systems and methods for manifolds learning of airline network data
Sharma et al. Analyzing the role of multiagent technology in preventing airplane crash using AHP and DEMATEL approach
Dard et al. Application of data fusion and machine learning to the analysis of the relevance of recommended flight reroutes
Yuan et al. Change‐Oriented Risk Management in Civil Aviation Operation: A Case Study in China Air Navigation Service Provider
Wong et al. Smart Maintenance and Human Factor Modeling for Aircraft Safety
Glass et al. Automated data exchange and fusion for airport surface traffic management
Huang et al. Future flight demand generation tool
Moeller Airport Technology Management
Rakas et al. Deterministic models for degraded airside capacity and delays
Ellis et al. An Approach for Identifying IASMS Services, Functions, and Capabilities From Data Sources
Manikar et al. Holistic Operability Projection during Early Aircraft Design
MARIANI Risk analysis in take off procedure with electronic flight bag
Hölzel et al. Analysis of Prognostics and Condition-based Maintenance Concepts for Commercial Aircraft Considering Prognostic Errors

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