CN112529416A - 一种运输系统的运行效率预估模型的构建方法 - Google Patents
一种运输系统的运行效率预估模型的构建方法 Download PDFInfo
- Publication number
- CN112529416A CN112529416A CN202011463947.8A CN202011463947A CN112529416A CN 112529416 A CN112529416 A CN 112529416A CN 202011463947 A CN202011463947 A CN 202011463947A CN 112529416 A CN112529416 A CN 112529416A
- Authority
- CN
- China
- Prior art keywords
- operation efficiency
- data
- transportation system
- historical
- model
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000000470 constituent Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000010006 flight Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种运输系统的运行效率预估模型的构建方法，该方法包括：获取运输系统的历史运行数据和对应的运输系统历史属性数据，根据历史运行数据和对应的运输系统历史属性数据，构建数据样本集；根据预设的预估需求，基于机器学习算法构造运行效率预估模型；从数据样本集中提取训练样本，以对运行效率预估模型进行模型训练；从数据样本集中提取测试样本，将测试样本输入至模型训练后的当前运行效率预估模型中，并得到对应的运行效率预估结果；根据当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型。提高了所得到的运行效率预估模型的可靠性，为提高运输系统的运行效率预估结果的准确性奠定了基础。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种运输系统的运行效率预估模型的构建方法。
背景技术
随着人们运输需求的不断增长，各运输行业均得到了快速的发展，例如航空运输行业等。但航空运输受各机场航班计划、航班量以及航线结构等因素的影响，导致航空运输系统的运行效率的预估效果一直不理想，也就无法对运输系统进行精准的调控。因此，航空运输系统的运行效率的预估技术成为了研究的重点。
在现有技术中，通常是相关操作人员根据运行效率预估的逻辑规则库和技术经验，对航空运输系统的运行效率进行预估。
但是，目前的航空运输系统是一个多航班相互耦合的系统，各航班之间存在一定的关联关系，即便是经验丰富的操作人员也无法对航空运输系统的运行效率进行准确的预估。因此，急需一种可以准确地预估航空运输系统的运行效率的运行效率预估模型，对提高运行效率的预估结果的准确性有重要意义。
发明内容
本申请提供一种运输系统的运行效率预估模型的构建方法，以解决现有技术无法对运输系统的运行效率进行准确的预估等缺陷。
本申请第一个方面提供一种运输系统的运行效率预估模型的构建方法，包括：
获取运输系统的历史运行数据和所述历史运行数据对应的运输系统历史属性数据，并根据所述历史运行数据和所述历史运行数据对应的运输系统历史属性数据，构建数据样本集；其中，所述历史运行数据至少包括所述运输系统中的各运输对象的出发地、目的地、计划出发时刻、实际出发时刻、计划到达时刻和实际到达时刻；
根据预设的预估需求，基于机器学习算法构造运行效率预估模型；
从所述数据样本集中提取训练样本，将所述训练样本输入至所述运行效率预估模型中，对所述运行效率预估模型进行模型训练；
从所述数据样本集中提取测试样本，将所述测试样本输入至模型训练后的当前运行效率预估模型中，并得到对应的运行效率预估结果；
基于预设的损失函数，根据所述运行效率预估结果，计算所述当前运行效率预估模型的预估误差；
根据所述当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型。
可选的，所述根据所述当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型，包括：
判断所述当前运行效率预估模型的预估误差是否小于预设的预估误差阈值；
当所述当前运行效率预估模型的预估误差小于所述预估误差阈值时，确定所述当前运行效率预估模型为目标运行效率预估模型。
可选的，所述根据所述历史运行数据和所述历史运行数据对应的运输系统历史属性数据，构建数据样本集，包括：
在所述历史运行数据中按照第一预设时间周期划分历史运行数据；
根据所述第一预设时间周期内的历史运行数据，确定所述运输系统在第一预设时间周期内的实际运行效率；
根据所述历史运行数据对应的运输系统历史属性数据和所述实际运行效率，构建所述数据样本集。
可选的，所述根据所述历史运行数据和所述历史运行数据对应的运输系统历史属性数据，构建数据样本集，包括：
根据所述历史运行数据，确定每第二预设时间周期内各出发地与目的地之间的计划往来交通量；
根据所述每第二预设时间周期内各出发地与目的地之间的计划往来交通量和所述历史运行数据对应的运输系统历史属性数据，构造运输系统的运行特征矩阵；
根据所述第一预设时间周期与所述第二预设时间周期之间的对应关系，利用所述实际运行效率和所述运行特征矩阵，构建所述数据样本集。
可选的，在根据所述历史运行数据和所述历史运行数据对应的运输系统历史属性数据，构建数据样本集之前，所述方法还包括：
根据所述历史运行数据的数据质量和各历史运行数据的组成元素，对所述历史运行数据进行数据预处理。
本申请第二个方面提供一种运输系统的运行效率预估方法，包括：
获取当前运输信息；其中，所述当前运输信息包括当前运输系统属性数据和所述当前运输系统的当前运行数据；
将所述当前运输信息输入至如上第一个方面以及第一个方面各种可能的设计所述的运输系统的运行效率预估模型的构建方法所构建的目标运输系统的运行效率预估模型中，以生成当前运输系统对应的运行效率预估结果。
本申请第三个方面提供一种运输系统的运行效率预估模型的构建装置，包括：
第一获取模块，用于获取运输系统的历史运行数据和所述历史运行数据对应的运输系统历史属性数据，并根据所述历史运行数据和所述历史运行数据对应的运输系统历史属性数据，构建数据样本集；其中，所述历史运行数据至少包括所述运输系统中的各运输对象的出发地、目的地、计划出发时刻、实际出发时刻、计划到达时刻和实际到达时刻；
模型构建模块，用于根据预设的预估需求，基于机器学习算法构造运行效率预估模型；
训练模块，用于从所述数据样本集中提取训练样本，将所述训练样本输入至所述运行效率预估模型中，对所述运行效率预估模型进行模型训练；
测试模块，用于从所述数据样本集中提取测试样本，将所述测试样本输入至模型训练后的当前运行效率预估模型中，并得到对应的运行效率预估结果；
检验模块，用于基于预设的损失函数，根据所述运行效率预估结果，计算所述当前运行效率预估模型的预估误差；
确定模块，用于根据所述当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型。
可选的，所述确定模块，具体用于：
判断所述当前运行效率预估模型的预估误差是否小于预设的预估误差阈值；
当所述当前运行效率预估模型的预估误差小于所述预估误差阈值时，确定所述当前运行效率预估模型为目标运行效率预估模型。
可选的，所述第一获取模块，具体用于：
在所述历史运行数据中按照第一预设时间周期划分历史运行数据；
根据所述第一预设时间周期内的历史运行数据，确定所述运输系统在第一预设时间周期内的实际运行效率；
根据所述历史运行数据对应的运输系统历史属性数据和所述实际运行效率，构建所述数据样本集。
可选的，所述第一获取模块，具体还用于：
根据所述历史运行数据，确定每第二预设时间周期内各出发地与目的地之间的计划往来交通量；
根据所述每第二预设时间周期内各出发地与目的地之间的计划往来交通量和所述历史运行数据对应的运输系统历史属性数据，构造运输系统的运行特征矩阵；
根据所述第一预设时间周期与所述第二预设时间周期之间的对应关系，利用所述实际运行效率和所述运行特征矩阵，构建所述数据样本集。
可选的，所述装置还包括数据预处理模块，用于根据所述历史运行数据的数据质量和各历史运行数据的组成元素，对所述历史运行数据进行数据预处理。
本申请第四个方面提供一种运输系统的运行效率预估装置，包括：
第二获取模块，用于获取当前运输信息；其中，所述当前运输信息包括当前运输系统属性数据和所述当前运输系统的当前运行数据；
预估模块，用于将所述当前运输信息输入至如上第一个方面以及第一个方面各种可能的设计所述的运输系统的运行效率预估模型的构建装置所构建的目标运输系统的运行效率预估模型中，以生成当前运输系统对应的运行效率预估结果。
本申请第五个方面提供一种电子设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的运输系统的运行效率预估模型的构建方法或如上第二个方面以及第二个方面各种可能的设计所述的运输系统的运行效率预估方法。
本申请第六个方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一个方面以及第一个方面各种可能的设计所述的运输系统的运行效率预估模型的构建方法或如上第二个方面以及第二个方面各种可能的设计所述的运输系统的运行效率预估方法。
本申请技术方案，具有如下优点：
本申请提供的运输系统的运行效率预估模型的构建方法，通过获取运输系统的历史运行数据和历史运行数据对应的运输系统历史属性数据，并根据历史运行数据和历史运行数据对应的运输系统历史属性数据，构建数据样本集；其中，历史运行数据至少包括运输系统中的各运输对象的出发地、目的地、计划出发时刻、实际出发时刻、计划到达时刻和实际到达时刻；根据预设的预估需求，基于机器学习算法构造运行效率预估模型；从数据样本集中提取训练样本，将训练样本输入至运行效率预估模型中，对运行效率预估模型进行模型训练；从数据样本集中提取测试样本，将测试样本输入至模型训练后的当前运行效率预估模型中，并得到对应的运行效率预估结果；基于预设的损失函数，根据运行效率预估结果，计算当前运行效率预估模型的预估误差；根据当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型。上述方案提供的运行效率预估模型的构建方法，通过根据所应用的运输系统历史属性数据以及运输系统中的多个运输对象的历史运行数据，构建运行效率预估模型，提高了所得到的运行效率预估模型的可靠性，为提高运输系统的运行效率预估结果的准确性奠定了基础。
本申请提供的运输系统的运行效率预估方法，通过获取当前运输信息；其中，当前运输信息包括当前运输系统属性数据和当前运输系统的当前运行数据；将当前运输信息输入上述运输系统的运行效率预估模型的构建方法所构建的目标运输系统的运行效率预估模型中，以生成当前运输系统对应的运行效率预估结果。上述方案提供的运行效率预估方法，通过利用综合所应用的运输系统的属性数据以及运输系统中的历史运行数据所构建的运行效率预估模型，根据当前运输信息，确定当前运输系统对应的运行效率预估结果，提高了运行效率预估结果的准确性，为提高运输系统的管理效率奠定了基础。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例基于的运输系统的结构示意图；
图2为本申请实施例提供的运输系统的运行效率预估模型的构建方法的流程示意图；
图3为本申请实施例提供的运输系统的运行效率预估方法的流程示意图；
图4为本申请实施例提供的运输系统的运行效率预估模型的构建装置的结构示意图；
图5为本申请实施例提供的运输系统的运行效率预估装置的结构示意图；
图6为本申请实施例提供的电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在现有技术中，通常是是相关操作人员根据运行效率预估的逻辑规则库和技术经验，对航空运输系统的运行效率进行预估。但是，目前的航空运输系统是一个多航班相互耦合的系统，各航班之间存在一定的关联关系，即便是经验丰富的操作人员也无法对航空运输系统的运行效率进行准确的预估。
针对上述问题，本申请实施例提供的运输系统的运行效率预估模型的构建方法，通过获取运输系统的历史运行数据和历史运行数据对应的运输系统历史属性数据，并根据历史运行数据和历史运行数据对应的运输系统历史属性数据，构建数据样本集；其中，历史运行数据至少包括运输系统中的各运输对象的出发地、目的地、计划出发时刻、实际出发时刻、计划到达时刻和实际到达时刻；根据预设的预估需求，基于机器学习算法构造运行效率预估模型；从数据样本集中提取训练样本，将训练样本输入至运行效率预估模型中，对运行效率预估模型进行模型训练；从数据样本集中提取测试样本，将测试样本输入至模型训练后的当前运行效率预估模型中，并得到对应的运行效率预估结果；基于预设的损失函数，根据运行效率预估结果，计算当前运行效率预估模型的预估误差；根据当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型。上述方案提供的运行效率预估模型的构建方法，通过根据所应用的运输系统的运输系统历史属性数据以及运输系统中的多个运输对象的历史运行数据，构建运行效率预估模型，提高了所得到的运行效率预估模型的可靠性，为提高运输系统的运行效率预估结果的准确性奠定了基础。
进一步的，本申请实施例提供的运输系统的运行效率预估方法，通过获取当前运输信息；其中，当前运输信息包括当前运输系统的属性数据和当前运输系统的当前运行数据；将当前运输信息输入上述运输系统的运行效率预估模型的构建方法所构建的目标运输系统的运行效率预估模型中，以生成当前运输系统对应的运行效率预估结果。上述方案提供的运行效率预估方法，通过利用综合所应用的运输系统的运输系统历史属性数据以及运输系统中的历史运行数据所构建的运行效率预估模型，根据当前运输信息，确定当前运输系统对应的运行效率预估结果，提高了运行效率预估结果的准确性，为提高运输系统的管理效率奠定了基础。
下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明实施例进行描述。
首先，对本申请所基于的运输系统的结构进行说明：
本申请实施例提供的运输系统的运行效率预估模型的构建方法，适用于构建可以对运输系统的运行效率进行预估的运行效率预估模型；本申请实施例提供的运输系统的运行效率预估方法，适用于对当前运输系统的运行效率进行预估。如图1所示，为本申请实施例基于的运输系统的结构示意图，主要包括多个运输对象、用于存储历史运行数据的数据库、用于构建运行效率预估模型的运输系统的运行效率预估模型的构建装置和用于进行运行效率预估的运输系统的运行效率预估装置。具体地，各运输对象在运行的过程中，实时将所产生的运行数据陆续存储至数据库，运输系统的运行效率预估模型的构建装置根据数据库中所存储的历史运行数据和对应的运输系统历史属性数据构建运行效率预估模型，运输系统的运行效率预估装置利用运输系统的运行效率预估模型的构建装置所构建的运行效率预估模型，对当前运输系统的运行效率进行预估，并得到对应的运行效率预估结果。
本申请实施例提供了一种运输系统的运行效率预估模型的构建方法，用于构建可以对运输系统的运行效率进行预估的运行效率预估模型。本申请实施例的执行主体为电子设备，比如服务器、台式电脑、笔记本电脑、平板电脑及其他可用于构建运行效率预估模型的电子设备。
如图2所示，为本申请实施例提供的运输系统的运行效率预估模型的构建方法的流程示意图，该方法包括：
步骤201，获取运输系统的历史运行数据和历史运行数据对应的运输系统历史属性数据，并根据历史运行数据和历史运行数据对应的运输系统历史属性数据构建数据样本集。
其中，历史运行数据至少包括运输系统中的各运输对象的出发地、目的地、计划出发时刻、实际出发时刻、计划到达时刻和实际到达时刻。
需要解释的是，运输系统历史属性数据可以包括机场属性数据、航线航路属性数据和气象数据。其中，机场属性数据可以包括机场吞吐量、机场规模、机场类型和主辅协调机场等标签数据；航线属性数据可以包括航线路程航程和各航线对应的流量控制数据等；气象数据可以包括机场风速、能见度以及航路和管制区气象条件等。
进一步的，当本申请实施例所提供的运行效率预估模型应用到航空运输领域时，由于航班在运行的过程中，存在多个关键的节点时刻信息。例如：关舱门时刻、撤轮档时刻、起飞时刻(出发时刻)、落地时刻(到达时刻)、上轮档时刻和开舱门时刻等。各节点时刻信息之间也存在一定的关联关系，因此，为了进一步提高所构建的运行效率预估模型的可靠性，在上述实施例的基础上，历史运行数据还可以包括各运输对象的计划撤轮档时刻、实际撤轮档时刻、计划上轮档时刻，实际上轮档时刻、计划开舱门时刻、实际开舱门时刻，计划关舱门时刻、实际关舱门时刻和对应的航班状态(取消、备降或返航)等。
需要解释的是，本申请实施例所提供的运行效率预估模型除了可以应用到航空运输领域之外，还可以应用到铁路运输等领域，本申请实施例主要以应用到航空运输领域为例进行描述，具体应用领域本申请实施例不做限定。
步骤202，根据预设的预估需求，基于机器学习算法构造运行效率预估模型。
具体地，可以采用CNN、DNN、LSTM等常用的机器学习算法构造运行效率预估模型，相关操作人员可以根据实际情况选择对应的机器学习算法，具体本申请实施例不做限定。
步骤203，从数据样本集中提取训练样本，将训练样本输入至运行效率预估模型中，对运行效率预估模型进行模型训练。
具体地，为了提高运行效率预估模型的可靠性，可以在数据样本集中提取大量的训练样本，以对运行效率预估模型进行充分的模型训练。其中，训练样本的提取单位可以为天数，例如，提取数据样本集中前200天的历史运行数据对应的数据样本作为训练样本。
其中，在进行模型训练的过程中，为了避免模型出现过拟合的情况，可以在所采用的机器学习算法中增添Dropout层。
步骤204，从数据样本集中提取测试样本，将测试样本输入至模型训练后的当前运行效率预估模型中，并得到对应的运行效率预估结果。
其中，运行效率的预估结果可以包括预估的离港航班正常率、离港航班平均延误时长、进港航班正常率、进港航班平均延误时长、各航线平均飞行时间、机场平均地面滑行时间、航班平均等待推出时间和航班平均过站时间等。
步骤205，基于预设的损失函数，根据运行效率预估结果，计算当前运行效率预估模型的预估误差。
需要解释的是，损失函数可以采用平均绝对误差(Mean Absolute Error，简称：MAE)，也可以采用其他类型的损失函数，具体可以根据实际情况来确定，本申请实施例不做限定。
具体地，可以基于预设的损失函数，根据当前运行效率预估模型所输出的运行效率预估结果，以及所提取的测试样本对应的实际运行效率，计算当前运行效率预估模型的预估误差。
步骤206，根据当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型。
需要解释的是，预估误差阈值具体可以根据实际情况来设定，对运行效率预估模型的预估准确率的要求越高，对应的预估误差阈值就越小。
具体地，在一实施例中，可以判断当前运行效率预估模型的预估误差是否小于预设的预估误差阈值；当当前运行效率预估模型的预估误差小于预估误差阈值时，确定当前运行效率预估模型为目标运行效率预估模型。
相反的，当当前运行效率预估模型的预估误差不小于预估误差阈值时，返回到从数据样本集中提取训练样本，将训练样本输入至运行效率预估模型中，对运行效率预估模型进行模型训练的步骤。
具体地，在数据样本集合中选取新的训练样本，对当前运行效率预估模型再次进行模型训练。
在上述实施例的基础上，为了进一步提高所构建的运行效率预估模型的准确性，作为一种可实施的方式，在上述实施例的基础上，在一实施例中，根据历史运行数据和历史运行数据对应的运输系统历史属性数据，构建数据样本集，包括：在历史运行数据中按照第一预设时间周期划分历史运行数据；根据第一预设时间周期内的历史运行数据，确定运输系统在第一预设时间周期内的实际运行效率；根据历史运行数据对应的运输系统历史属性数据和实际运行效率，构建数据样本集。
其中，运输系统的实际运行效率可以包括机场航班进离港正常率、机场航班起降平均延误时间、机场航班进离港平均滑行时间、航线航班平均等待推出时间和航线实际平均飞行时间等，数据样本集所能包含的参数信息(实际运行效率)可以根据预设的预估需求来调整，即根据所构建的运行效率预估模型的构建情况来确定。
具体地，在一实施例中，为了进一步提高所构建的运行效率预估模型的准确性，可以根据历史运行数据，确定每第二预设时间周期内各出发地与目的地之间的计划往来交通量；根据每第二预设时间周期内各出发地与目的地之间的计划往来交通量和历史运行数据对应的运输系统历史属性数据，构造运输系统的运行特征矩阵；根据第一预设时间周期与第二预设时间周期之间的对应关系，利用实际运行效率和运行特征矩阵，构建数据样本集。
需要解释的是，第二预设时间周期可以是小时，即根据历史运行数据，确定运输系统中的各机场逐小时接收和放出的航班量。
具体地，若第一预设时间周期为一天，即以1天为采样周期，则可以根据这一天内的历史运行数据，确定这一天中各机场逐小时接收和放出的航班量，进一步结合相应的实际运行效率，以构建包含运输系统的运行特征矩阵的数据样本集。示例性的，为了提高历史运行数据的管理效率，运行特征矩阵的维度可以为(213,24,377,377,2)，具体表示历史运行数据共覆盖了213天，每天24小时，377个出发地、377个目的地间航线逐小时出发和到达(2个维度)航班量。
进一步的，也可以设X为模型的输入矩阵(训练样本)中的运行特征矩阵，X的维度为(n,s,s,t)，n为一天24小时(第二预设时间周期)，s为考虑的出发地/目的地的个数，t为运行特征维度，包括交通量、气象、流量控制等多个维度的运输系统历史属性特征。Y的维度为r，r为上述实施例所得到的运输系统的实际运行效率的个数。
需要进一步解释的是，所构建的运输系统的运行特征矩阵还可以作为机场和航线航班量的统计、分析和管理工具，可以通过对所构建的运输系统的运行特征矩阵进行切片和求和，来完成不同维度航班量的统计工作。
进一步的，在一实施例中，为了提高模型训练效率，在根据历史运行数据构建数据样本集之前，可以根据历史运行数据的数据质量和各历史运行数据的组成元素，对历史运行数据进行数据预处理。
需要解释的是，数据预处理主要包括数据清洗和数据融合等，具体可以根据历史运行数据的数据质量进行数据清洗，根据各历史运行数据的组成元素进行数据融合。具体的数据预处理方式可以根据所得到的历史运行数据的实际情况来确定。
示例性的，本申请实施例所提供的数据清洗方式如下，对于存在缺失值的历史运行数据，则删除该条数据记录，或者插值的方法进行补齐；对于重复的历史运行数据，则删除重复数据记录；对于时序错误的历史运行数据可以，通过计算两个时刻的时间差，并对时间差的大小是否超出预设的合理范围来判断时序是否错误，如果错误则删除该条数据记录；对于数据错误的历史运行数据，可以通过设置数据检测规则进行筛查，对错误数据进行修订或者删除该条数据记录；对于因极端天气或空域限制影响导致大面积航班延误的数据，也可以考虑将其剔除。
本申请实施例提供的运输系统的运行效率预估模型的构建方法，通过获取运输系统的历史运行数据和历史运行数据对应的运输系统历史属性数据，并根据历史运行数据和历史运行数据对应的运输系统历史属性数据，构建数据样本集；其中，历史运行数据至少包括运输系统中的各运输对象的出发地、目的地、计划出发时刻、实际出发时刻、计划到达时刻和实际到达时刻；根据预设的预估需求，基于机器学习算法构造运行效率预估模型；从数据样本集中提取训练样本，将训练样本输入至运行效率预估模型中，对运行效率预估模型进行模型训练；从数据样本集中提取测试样本，将测试样本输入至模型训练后的当前运行效率预估模型中，并得到对应的运行效率预估结果；基于预设的损失函数，根据运行效率预估结果，计算当前运行效率预估模型的预估误差；根据当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型。上述方案提供的运行效率预估模型的构建方法，通过根据所应用的运输系统的运输系统历史属性数据以及运输系统中的多个运输对象的历史运行数据，构建运行效率预估模型，提高了所得到的运行效率预估模型的可靠性，为提高运输系统的运行效率预估结果的准确性奠定了基础。并且，本申请实施例所提供的运行效率预估模型构建方法，还考虑了所应用的运输系统中的各出发地与目的地之间的航班收发情况，进一步提高了所得到的运行效率预估模型的精确度。
本申请实施例提供了一种运输系统的运行效率预估方法，用于对当前运输系统的运行效率进行预估。本申请实施例的执行主体为电子设备，比如服务器、台式电脑、笔记本电脑、平板电脑及其他可用于预估运输系统的运行效率的电子设备。
如图3所示，为本申请实施例提供的运输系统的运行效率预估方法的流程示意图，该方法包括：
步骤301，获取当前运输信息。
其中，当前运输信息包括当前运输系统属性数据和当前运输系统的当前运行数据。
需要解释的是，当前运行数据可以包括各运输对象的出发地、目的地、计划出发时间和计划到达时间等预设的运行数据。
步骤302，将当前运输信息输入至上述实施例所提供的运输系统的运行效率预估模型的构建方法所构建的目标运输系统的运行效率预估模型中，以生成当前运输系统对应的运行效率预估结果。
具体地，相关操作人员可以根据所得到的当前运输系统对应的运行效率预估结果，对当前运输系统的航班时刻资源、机场运行容量和航线航班量等进行管理，从而提高了运输系统的管理效率。
关于本实施例所提供的运输系统的运行效率预估方法，具体为上述实施例所提供的运输系统的运行效率预估模型的构建方法所构建的目标运行效率预估模型的使用方式，具体的运行效率预估方式在此不再赘述。
本申请实施例提供的运输系统的运行效率预估方法，通过获取当前运输信息；其中，当前运输信息包括当前运输系统的属性数据和当前运输系统的当前运行数据；将当前运输信息输入上述运输系统的运行效率预估模型的构建方法所构建的目标运输系统的运行效率预估模型中，以生成当前运输系统对应的运行效率预估结果。上述方案提供的运行效率预估方法，通过利用综合所应用的运输系统的运输系统历史属性数据以及运输系统中的历史运行数据所构建的运行效率预估模型，根据当前运输信息，确定当前运输系统对应的运行效率预估结果，提高了运行效率预估结果的准确性，为提高运输系统的管理效率奠定了基础。
本申请实施例提供了一种运输系统的运行效率预估模型的构建装置，用于执行上述实施例提供的运输系统的运行效率预估模型的构建方法。
如图4所示，为本申请实施例提供的运输系统的运行效率预估模型的构建装置的结构示意图。该运行效率预估模型的构建装置40包括第一获取模块401、模型构建模块402、训练模块403、测试模块404、检验模块405和确定模块406。
其中，第一获取模块，用于获取运输系统的历史运行数据和历史运行数据对应的运输系统历史属性数据，并根据历史运行数据和历史运行数据对应的运输系统历史属性数据，构建数据样本集；其中，历史运行数据至少包括运输系统中的各运输对象的出发地、目的地、计划出发时刻、实际出发时刻、计划到达时刻和实际到达时刻；模型构建模块，用于根据预设的预估需求，基于机器学习算法构造运行效率预估模型；训练模块，用于从数据样本集中提取训练样本，将训练样本输入至运行效率预估模型中，对运行效率预估模型进行模型训练；测试模块，用于从数据样本集中提取测试样本，将测试样本输入至模型训练后的当前运行效率预估模型中，并得到对应的运行效率预估结果；检验模块，用于基于预设的损失函数，根据运行效率预估结果，计算当前运行效率预估模型的预估误差；确定模块，用于根据当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型。
具体地，在一实施例中，确定模块，具体用于：
判断当前运行效率预估模型的预估误差是否小于预设的预估误差阈值；
当当前运行效率预估模型的预估误差小于预估误差阈值时，确定当前运行效率预估模型为目标运行效率预估模型。
具体地，在一实施例中，第一获取模块，具体用于：
在历史运行数据中按照第一预设时间周期划分历史运行数据；
根据第一预设时间周期内的历史运行数据，确定运输系统在第一预设时间周期内的实际运行效率；
根据历史运行数据对应的运输系统历史属性数据和实际运行效率，构建数据样本集。
具体地，在一实施例中，第一获取模块，具体用于：
根据历史运行数据，确定每第二预设时间周期内各出发地与目的地之间的计划往来交通量；
根据每第二预设时间周期内各出发地与目的地之间的计划往来交通量和历史运行数据对应的运输系统历史属性数据，构造运输系统的运行特征矩阵；
根据第一预设时间周期与第二预设时间周期之间的对应关系，利用实际运行效率和运行特征矩阵，构建数据样本集。
具体地，在一实施例中，装置还包括数据预处理模块，用于根据历史运行数据的数据质量和各历史运行数据的组成元素，对历史运行数据进行数据预处理。
关于本实施例中的运输系统的运行效率预估模型的构建装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本申请实施例提供的运输系统的运行效率预估模型的构建装置，用于执行上述实施例提供的运输系统的运行效率预估模型的构建方法，其实现方式与原理相同，不再赘述。
本申请实施例提供了一种运输系统的运行效率预估装置，用于执行上述实施例提供的运输系统的运行效率预估方法。
如图5所示，为本申请实施例提供的运输系统的运行效率预估装置的结构示意图。该运行效率预估装置50包括第二获取模块501和预估模块502。
其中，第二获取模块，用于获取当前运输信息；其中，当前运输信息包括当前运输系统属性数据和当前运输系统的当前运行数据；预估模块，用于将当前运输信息输入至如上述实施例所提供的运输系统的运行效率预估模型的构建装置所构建的目标运输系统的运行效率预估模型中，以生成当前运输系统对应的运行效率预估结果。
本申请实施例提供了一种电子设备，用于执行如上实施例提供的运输系统的运行效率预估模型的构建方法或如上实施例提供的运输系统的运行效率预估方法。
如图6所示，为本申请实施例提供的电子设备的结构示意图。该电子设备60包括：至少一个处理器61和存储器62；
存储器存储计算机执行指令；至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如上实施例提供的运输系统的运行效率预估模型的构建方法或如上实施例提供的运输系统的运行效率预估方法。
本申请实施例提供的一种电子设备，用于执行如上实施例提供的运输系统的运行效率预估模型的构建方法或如上实施例提供的运输系统的运行效率预估方法，其实现方式与原理相同，不再赘述。
本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上实施例提供的运输系统的运行效率预估模型的构建方法或如上实施例提供的运输系统的运行效率预估方法。
本申请实施例的包含计算机可执行指令的存储介质，可用于存储如上实施例提供的运输系统的运行效率预估模型的构建方法或如上实施例提供的运输系统的运行效率预估方法的计算机执行指令，其实现方式与原理相同，不再赘述。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种运输系统的运行效率预估模型的构建方法，其特征在于，包括：
获取运输系统的历史运行数据和所述历史运行数据对应的运输系统历史属性数据，并根据所述历史运行数据和所述历史运行数据对应的运输系统历史属性数据，构建数据样本集；其中，所述历史运行数据至少包括所述运输系统中的各运输对象的出发地、目的地、计划出发时刻、实际出发时刻、计划到达时刻和实际到达时刻；
根据预设的预估需求，基于机器学习算法构造运行效率预估模型；
从所述数据样本集中提取训练样本，将所述训练样本输入至所述运行效率预估模型中，对所述运行效率预估模型进行模型训练；
从所述数据样本集中提取测试样本，将所述测试样本输入至模型训练后的当前运行效率预估模型中，并得到对应的运行效率预估结果；
基于预设的损失函数，根据所述运行效率预估结果，计算所述当前运行效率预估模型的预估误差；
根据所述当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型。
2.根据权利要求1所述的运输系统的运行效率预估模型的构建方法，其特征在于，所述根据所述当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型，包括：
判断所述当前运行效率预估模型的预估误差是否小于预设的预估误差阈值；
当所述当前运行效率预估模型的预估误差小于所述预估误差阈值时，确定所述当前运行效率预估模型为目标运行效率预估模型。
3.根据权利要求1所述的运输系统的运行效率预估模型的构建方法，其特征在于，所述根据所述历史运行数据和所述历史运行数据对应的运输系统历史属性数据，构建数据样本集，包括：
在所述历史运行数据中按照第一预设时间周期划分历史运行数据；
根据所述第一预设时间周期内的历史运行数据，确定所述运输系统在第一预设时间周期内的实际运行效率；
根据所述历史运行数据对应的运输系统历史属性数据和所述实际运行效率，构建所述数据样本集。
4.根据权利要求3所述的运输系统的运行效率预估模型的构建方法，其特征在于，所述根据所述历史运行数据和所述历史运行数据对应的运输系统历史属性数据，构建数据样本集，包括：
根据所述历史运行数据，确定每第二预设时间周期内各出发地与目的地之间的计划往来交通量；
根据所述每第二预设时间周期内各出发地与目的地之间的计划往来交通量和所述历史运行数据对应的运输系统历史属性数据，构造运输系统的运行特征矩阵；
根据所述第一预设时间周期与所述第二预设时间周期之间的对应关系，利用所述实际运行效率和所述运行特征矩阵，构建所述数据样本集。
5.根据权利要求4所述的运输系统的运行效率预估模型的构建方法，其特征在于，在根据所述历史运行数据和所述历史运行数据对应的运输系统历史属性数据，构建数据样本集之前，所述方法还包括：
根据所述历史运行数据的数据质量和各历史运行数据的组成元素，对所述历史运行数据进行数据预处理。
6.一种运输系统的运行效率预估方法，其特征在于，包括：
获取当前运输信息；其中，所述当前运输信息包括当前运输系统属性数据和所述当前运输系统的当前运行数据；
将所述当前运输信息输入至如权利要求1-5任一项所述的运输系统的运行效率预估模型的构建方法所构建的目标运输系统的运行效率预估模型中，以生成当前运输系统对应的运行效率预估结果。
7.一种运输系统的运行效率预估模型的构建装置，其特征在于，包括：
第一获取模块，用于获取运输系统的历史运行数据和所述历史运行数据对应的运输系统历史属性数据，并根据所述历史运行数据和所述历史运行数据对应的运输系统历史属性数据，构建数据样本集；其中，所述历史运行数据至少包括所述运输系统中的各运输对象的出发地、目的地、计划出发时刻、实际出发时刻、计划到达时刻和实际到达时刻；
模型构建模块，用于根据预设的预估需求，基于机器学习算法构造运行效率预估模型；
训练模块，用于从所述数据样本集中提取训练样本，将所述训练样本输入至所述运行效率预估模型中，对所述运行效率预估模型进行模型训练；
测试模块，用于从所述数据样本集中提取测试样本，将所述测试样本输入至模型训练后的当前运行效率预估模型中，并得到对应的运行效率预估结果；
检验模块，用于基于预设的损失函数，根据所述运行效率预估结果，计算所述当前运行效率预估模型的预估误差；
确定模块，用于根据所述当前运行效率预估模型的预估误差与预设的预估误差阈值之间的关系，确定目标运行效率预估模型。
8.一种运输系统的运行效率预估装置，其特征在于，包括：
第二获取模块，用于获取当前运输信息；其中，所述当前运输信息包括当前运输系统属性数据和所述当前运输系统的当前运行数据；
预估模块，用于将所述当前运输信息输入至如权利要求7所述的运输系统的运行效率预估模型的构建装置所构建的目标运输系统的运行效率预估模型中，以生成当前运输系统对应的运行效率预估结果。
9.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-5任一项所述的运输系统的运行效率预估模型的构建方法，或者，执行如权利要求6所述的运输系统的运行效率预估方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-5任一项所述的运输系统的运行效率预估模型的构建方法，或者，执行如权利要求6所述的运输系统的运行效率预估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011463947.8A CN112529416A (zh) | 2020-12-11 | 2020-12-11 | 一种运输系统的运行效率预估模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011463947.8A CN112529416A (zh) | 2020-12-11 | 2020-12-11 | 一种运输系统的运行效率预估模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112529416A true CN112529416A (zh) | 2021-03-19 |
Family
ID=74999379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011463947.8A Pending CN112529416A (zh) | 2020-12-11 | 2020-12-11 | 一种运输系统的运行效率预估模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529416A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759386A (zh) * | 2022-11-11 | 2023-03-07 | 中国民航科学技术研究院 | 一种民航航班执飞结果预测方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492334A (zh) * | 2018-12-11 | 2019-03-19 | 青岛心中有数科技有限公司 | 航班延误的模型建立方法、预测方法及装置 |
| CN111401601A (zh) * | 2019-12-23 | 2020-07-10 | 南京航空航天大学 | 一种面向延误传播的航班起降时间预测方法 |
| CN111415024A (zh) * | 2019-01-04 | 2020-07-14 | 北京嘀嘀无限科技发展有限公司 | 一种到达时间预估方法以及预估装置 |
-
2020
- 2020-12-11 CN CN202011463947.8A patent/CN112529416A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492334A (zh) * | 2018-12-11 | 2019-03-19 | 青岛心中有数科技有限公司 | 航班延误的模型建立方法、预测方法及装置 |
| CN111415024A (zh) * | 2019-01-04 | 2020-07-14 | 北京嘀嘀无限科技发展有限公司 | 一种到达时间预估方法以及预估装置 |
| CN111401601A (zh) * | 2019-12-23 | 2020-07-10 | 南京航空航天大学 | 一种面向延误传播的航班起降时间预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张文学等: "《大数据挖掘技术及其在医药领域的应用》", 30 September 2020, 燕山大学出版社, pages: 23 - 26 * |
| 钟牧原: "航空公司运行效率——小时ASK的预估模型建立", 《中国科技信息》, no. 17, pages 205 - 230 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759386A (zh) * | 2022-11-11 | 2023-03-07 | 中国民航科学技术研究院 | 一种民航航班执飞结果预测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11501039B2 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
| CN110334839B (zh) | 航班延误预测方法、装置、设备及存储介质 | |
| CN109478350B (zh) | 确定维护关注的航空器数据记录帧配置的系统和方法 | |
| US20210125512A1 (en) | Aircraft parking stand assignment prediction | |
| CN106251628B (zh) | 一种确定机动车的交通出行量的方法及装置 | |
| Postorino et al. | A methodological framework to evaluate the impact of disruptions on airport turnaround operations: A case study | |
| CN116843071A (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
| CN112529416A (zh) | 一种运输系统的运行效率预估模型的构建方法 | |
| Saifutdinov et al. | Time and space discretization in the digital twin of the airport transport network | |
| Jung et al. | A data-driven air traffic sequencing model based on pairwise preference learning | |
| Bonham et al. | Analysing port and shipping operations using big data | |
| CN112418730A (zh) | 一种运输系统的响应指标预估模型的构建方法 | |
| CN115375237A (zh) | 一种冷链物流智能管理方法、系统、设备和存储介质 | |
| Mori et al. | Simulation-Free Runway Balancing Optimization Under Uncertainty Using Neural Network | |
| CN112766300A (zh) | 一种航空大数据预处理技术 | |
| CN112232601A (zh) | 航班入位时间的确定方法及装置、存储介质及电子设备 | |
| Faulkner et al. | Air traffic configuration modelling and dynamic airspace allocation using discrete-time Markov chains | |
| Rodríguez-Sanz et al. | A data-driven approach for dynamic and adaptive aircraft trajectory prediction | |
| US20230401964A1 (en) | Stochastic flight planning systems and methods | |
| CN117252402B (zh) | 机场值机柜台航司分配规划方法、装置、设备及存储介质 | |
| US12026440B1 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
| Holdren et al. | Adaptable graph networks for air traffic analysis applications | |
| Forster et al. | Probabilistic Prediction of Time to Fly using Quantile Regression Forest | |
| Spak et al. | Predictability of In-block Time Deviations: An Analysis of Operational Data, Tactical Flight Models and Meteorological Information | |
| Förster et al. | Probabilistic Prediction of Separation Buffer to Compensate for the Closing Effect on Final Approach. Aerospace 2021, 8, 29 |
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 |