CN112949915A - 一种基于动态排序的进场航班落地时间预测方法 - Google Patents

一种基于动态排序的进场航班落地时间预测方法 Download PDF

Info

Publication number
CN112949915A
CN112949915A CN202110181801.2A CN202110181801A CN112949915A CN 112949915 A CN112949915 A CN 112949915A CN 202110181801 A CN202110181801 A CN 202110181801A CN 112949915 A CN112949915 A CN 112949915A
Authority
CN
China
Prior art keywords
flight
approach
data
flights
landing 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.)
Pending
Application number
CN202110181801.2A
Other languages
English (en)
Inventor
江灏
刘继新
兰思洁
杨宋瑞雪
王志伟
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110181801.2A priority Critical patent/CN112949915A/zh
Publication of CN112949915A publication Critical patent/CN112949915A/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
    • G06Q10/04—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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于动态排序的进场航班落地时间预测方法，具体包括以下步骤：步骤1：确定使用动态排序方法的情形下影响进场航班落地时间的重要因素，作为深度神经网络模型的输入特征；步骤2：收集历史数据，从原始数据中获取步骤1确定的特征数据，并对特征数据进行预处理；步骤3：以步骤2经过预处理的各航班特征数据作为输入，以各航班进场飞行时间作为标签，建立、训练并验证深度神经网络模型，用于动态预测进场航班的进场飞行时间，进而得到预测的进场航班落地时间。本发明为实现进场航班动态排序中的落地时间预测提供一种方法，该方法可以提前并实时更新航班的落地时间，为进场航班动态排序模型提供细化的技术支持。

Description

一种基于动态排序的进场航班落地时间预测方法
技术领域
本发明属于民航空中交通管理技术领域，具体涉及一种基于动态排序的进场航班落地时间预测方法。
背景技术
为构建管制辅助决策系统，国内外的专家学者对进场航班排序问题开展了大量研究，获得了较多的成果。航迹预测作为未来空中交通管理系统的核心技术，可以通过准确地预测实时流量提升对于空域容流关系的掌控。在与进场排序的结合方面，航迹预测模型可以提前并实时更新航班的落地时间，为面向协同决策的进场管理模型提供细化的技术支持。
目前，大多数关于进场飞行时间预测的研究采用机器学习方法，机器学习模型输入特征的选择对结果的优劣具有较大影响；另一方面，当前考虑的天气因素多是通过几个取值为实数的特征反映机场跑道附近的状态，缺乏对整个进近管制区域的整体气象态势把握。而进近管制区的气象状况又是影响进场航班飞行时间的重要因素，若某进场航线上出现强对流天气，预计使用该航线的航班将采用其他路线或者在管制员雷达引导下进场落地，这将对航班的进场飞行时间产生很大影响，因此不可忽略该关键因素。
发明内容
本发明的目的，在于提供一种基于动态排序的进场航班落地时间预测方法，其可精确预测进场航班落地时间，为进场航班动态排序模型提供细化的技术支持。
为了达成上述目的，本发明的解决方案是：
一种基于动态排序的进场航班落地时间预测方法，包括以下步骤：
步骤1：确定使用动态排序方法的情形下影响进场航班落地时间的重要因素，作为深度神经网络模型的输入特征；
步骤2：收集历史数据，从历史数据中获取步骤1确定的特征数据，并对特征数据进行预处理；
步骤3：以步骤2经过预处理的各航班特征数据作为输入，以各航班进场飞行时间作为标签，建立、训练并验证深度神经网络模型，用于动态预测进场航班的进场飞行时间，进而得到预测的进场航班落地时间。
上述步骤1中，动态排序方法包括如下步骤：
步骤1.1：获取航班实时ADS-B数据Data1；
步骤1.2：将Data1和进场航班飞行计划数据FP1相关，筛选出进场航班的ADS-B数据Data2；
步骤1.3：根据Data2中的航班位置信息，判断Data2中是否有航班到达更新圈，若是，则进行步骤1.4；若否，则返回步骤1.1；所述更新圈为以机场基准点为圆心半径为R1的圆形；
步骤1.4：进一步处理Data2，筛选出此刻处于起始圈和更新圈之间的进场航班ADS-B数据Data3，并从FP1中提取出Data3中涉及到的航班的飞行计划数据FP2；将FP2从FP1中删除以完成对FP1的更新；所述起始圈为以机场基准点为圆心半径为R2的圆形，起始圈和更新圈之间的范围作为航班排序的缓冲区域；
步骤1.5：此排序阶段数据处理完成，返回步骤1.1进行后续的数据判断及处理工作。
上述步骤1中，使用动态排序方法的情形下影响进场航班落地时间的4类重要因素和相应18个特征为：
航班静态因素：航空器机型、航空公司、航班类型；
航班动态因素：速度、高度、航向、预计进场点、预计使用跑道号、当前位置沿预计进场航线距接地点的飞行距离；
流量因素：进场航班数、离场航班数；
气象因素：组合反射率、回波顶高、垂直累积液态含水量、修正海压、风向、风速、能见度。
上述步骤2中，收集的历史数据包括：飞行计划数据、AIP数据、ADS-B数据、气象数据。
上述步骤2中，对特征数据进行预处理包括如下步骤：
步骤2.1：确定进场航班类型。根据重要程度将进场航班分为最高等级、次高等级和最低等级三类：最高等级的航班重要度最高，常为专机或需要立即着陆的航班；次高等级的航班具有一定的重要度，常为国际航班和国内重要航班；最低等级的航班为一般国内普通航班；
步骤2.2：对于步骤1确定的输入特征中的定性特征：航空器机型、航空公司、航班类型、预计进场点和预计使用跑道号，根据各特征所有取值的数目按顺序以正整数进行编码，将定性特征值转换为定量表示；
步骤2.3：对步骤1确定的输入特征中除组合反射率、回波顶高和垂直累积液态含水量外的定量特征：速度、高度、航向、当前位置沿预计进场航线距接地点的飞行距离、进场航班数、离场航班数、修正海压、风向、风速、能见度，和通过步骤2.2定量转换后的定性特征值进行标准化(式(1))，以消除量纲影响和取值范围差异影响；
Figure BDA0002941671710000031
式中：xi为特征向量样本取值；
Figure BDA0002941671710000032
为样本总体的均值；σ为样本总体的标准差；x'i为样本标准化后的数值。
上述步骤3中，建立、训练并验证深度神经网络模型包括如下步骤：
步骤3.1：对组合反射率、回波顶高和垂直累积液态含水量3个特征，建立三通道卷积神经网络；
步骤3.2：将步骤3.1的输出与剩余15个特征作为输入，以各航班进场飞行时间作为标签，建立径向基神经网络；
步骤3.3：训练并验证深度神经网络模型。
采用上述方案后，本发明通过对进场航班运行过程的深入分析，确定了影响进场航班进场飞行时间的4类重要因素和相对应的18个特征。其中，反映进近管制区气象情况的3个特征取值与其他特征不同，其取值为二维矩阵，代表进近管制区各位置栅格点对应的气象特征数值；因此，将此3个特征类比于图像特征，采用三通道卷积神经网络模型进行训练。然后，结合其余15个特征采用径向基神经网络进行训练。训练得到模型可准确预测进场航班飞行时间，进而得到预测的进场航班落地时间，为进场航班动态排序模型提供细化的技术支持。
本发明具有如下技术效果：
(1)为进场航班进场飞行时间预测机器学习模型的特征选择提供一种方法；
(2)充分考虑进近管制区的天气状况对进场航班进场飞行时间的影响；
(3)针对输入特征的取值特点，将卷积神经网络和径向基神经网络结合，设计一种新的进场飞行时间预测深度神经网络模型。
附图说明
图1为本发明的流程图；
图2为动态排序方法起始圈和更新圈示意图。
具体实施方式
以下将结合附图，对本发明的技术方案及有益效果进行详细说明。
如图1所示，本发明提供一种基于动态排序的进场航班落地时间预测方法，具体步骤如下：
步骤1：确定使用动态排序方法的情形下影响进场航班落地时间的重要因素，作为深度神经网络模型的输入特征；
动态排序方法包括如下步骤：
步骤1.1：获取航班实时ADS-B数据Data1；
步骤1.2：将Data1和进场航班飞行计划数据FP1相关，筛选出进场航班的ADS-B数据Data2；
步骤1.3：根据Data2中的航班位置信息，判断Data2中是否有航班到达更新圈，若是，则进行步骤1.4；若否，则返回步骤1.1；所述更新圈为以机场基准点为圆心半径为R1的圆形，见图2；
步骤1.4：进一步处理Data2，筛选出此刻处于起始圈和更新圈之间的进场航班ADS-B数据Data3，并从FP1中提取出Data3中涉及到的航班的飞行计划数据FP2；将FP2从FP1中删除以完成对FP1的更新；所述起始圈为以机场基准点为圆心半径为R2的圆形，起始圈和更新圈之间的范围作为航班排序的缓冲区域；
步骤1.5：此排序阶段数据处理完成，返回步骤1.1进行后续的数据判断及处理工作。
使用动态排序方法的情形下影响进场航班落地时间的4类重要因素和相应18个特征为：
航班静态因素：航空器机型、航空公司、航班类型；
航班动态因素：速度、高度、航向、预计进场点、预计使用跑道号、当前位置沿预计进场航线距接地点的飞行距离；
流量因素：进场航班数、离场航班数；
气象因素：组合反射率、回波顶高、垂直累积液态含水量、修正海压、风向、风速、能见度。
步骤2：收集历史数据，从原始数据中获取步骤1确定的特征数据，并对特征数据进行预处理；
收集的历史数据包括：飞行计划数据、AIP数据、ADS-B数据、气象数据。飞行计划数据主要包括：飞机标识、起飞机场、目的机场、起飞时间、落地时间、航路点、航路等信息；AIP数据主要包括：航图、机场基准点经纬度等信息；ADS-B广播信息主要包括：时间、飞机标识、飞机类别、三维位置、三维速度以及紧急状态、航迹角、航线拐点等附加信息；气象数据主要包括进近管制区气象数据和机场气象数据，其中进近管制区气象数据来源于多普勒雷达的扫射，基于多普勒雷达的多普勒效应可以获取降水速度、风速、风场结构以及降水云梯的垂直结构及速度；机场气象数据主要包括修正海压、风向、风速、能见度、跑道视程等。
对特征数据进行预处理包括如下步骤：
步骤2.1：确定进场航班类型。根据重要程度将进场航班分为最高等级、次高等级和最低等级三类：最高等级的航班重要度最高，常为专机或需要立即着陆的航班；次高等级的航班具有一定的重要度，常为国际航班和国内重要航班；最低等级的航班为一般国内普通航班；
本发明将机场基地航空公司航班的优先级设置为次高等级。如对南京禄口国际机场的基地航空公司有5家，分别为：东航、深航、吉祥、首航和邮航，则这5家航司的航班优先级为次高等级；
步骤2.2：对于步骤1确定的输入特征中的定性特征：航空器机型、航空公司、航班类型、预计进场点和预计使用跑道号，根据各特征所有取值的数目按顺序以正整数进行编码，将定性特征值转换为定量表示；
以航空器机型的编码为例，见表1：
Figure BDA0002941671710000051
Figure BDA0002941671710000061
步骤2.3：对步骤1确定的输入特征中除组合反射率、回波顶高和垂直累积液态含水量外的定量特征：速度、高度、航向、当前位置沿预计进场航线距接地点的飞行距离、进场航班数、离场航班数、修正海压、风向、风速、能见度，和通过步骤2.2定量转换后的定性特征值进行标准化(式(1))，以消除量纲影响和取值范围差异影响；
Figure BDA0002941671710000062
式中：xi为特征向量样本取值；
Figure BDA0002941671710000063
为样本总体的均值；σ为样本总体的标准差；x'i为样本标准化后的数值。
步骤3：以步骤2经过预处理的各航班特征数据作为输入，以各航班进场飞行时间作为标签，建立、训练并验证深度神经网络模型，用于动态预测进场航班的进场飞行时间，进而得到预测的进场航班落地时间。
建立、训练并验证深度神经网络模型包括如下步骤：
步骤3.1：对组合反射率、回波顶高和垂直累积液态含水量3个特征，建立三通道卷积神经网络；
步骤3.2：将步骤3.1的输出与剩余15个特征作为输入，以各航班进场飞行时间作为标签，建立径向基神经网络；
步骤3.3：训练并验证深度神经网络模型。
以上所述仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡依照本发明申请专利范围所做的任何改动，均落入本发明保护范围内。

Claims (6)

1.一种基于动态排序的进场航班落地时间预测方法，其特征在于，包括以下步骤：
步骤1：确定使用动态排序方法的情形下影响进场航班落地时间的重要因素，作为深度神经网络模型的输入特征；
步骤2：收集历史数据，从历史数据中获取步骤1确定的特征数据，并对特征数据进行预处理；
步骤3：以步骤2经过预处理的各航班特征数据作为输入，以各航班进场飞行时间作为标签，建立、训练并验证深度神经网络模型，用于动态预测进场航班的进场飞行时间，进而得到预测的进场航班落地时间。
2.根据权利要求1所述的一种基于动态排序的进场航班落地时间预测方法，其特征在于，步骤1中动态排序方法包括如下步骤：
步骤1.1：获取航班实时ADS-B数据Data1；
步骤1.2：将Data1和进场航班飞行计划数据FP1相关，筛选出进场航班的ADS-B数据Data2；
步骤1.3：根据Data2中的航班位置信息，判断Data2中是否有航班到达更新圈，若是，则进行步骤1.4；若否，则返回步骤1.1；所述更新圈为以机场基准点为圆心半径为R1的圆形；
步骤1.4：进一步处理Data2，筛选出此刻处于起始圈和更新圈之间的进场航班ADS-B数据Data3，并从FP1中提取出Data3中涉及到的航班的飞行计划数据FP2；将FP2从FP1中删除以完成对FP1的更新；所述起始圈为以机场基准点为圆心半径为R2的圆形，起始圈和更新圈之间的范围作为航班排序的缓冲区域；
步骤1.5：此排序阶段数据处理完成，返回步骤1.1进行后续的数据判断及处理工作。
3.根据权利要求1所述的一种基于动态排序的进场航班落地时间预测方法，其特征在于，步骤1中使用动态排序方法的情形下影响进场航班落地时间的4类重要因素和相应18个特征为：
航班静态因素：航空器机型、航空公司、航班类型；
航班动态因素：速度、高度、航向、预计进场点、预计使用跑道号、当前位置沿预计进场航线距接地点的飞行距离；
流量因素：进场航班数、离场航班数；
气象因素：组合反射率、回波顶高、垂直累积液态含水量、修正海压、风向、风速、能见度。
4.根据权利要求1所述的一种基于动态排序的进场航班落地时间预测方法，其特征在于，步骤2中收集的历史数据包括：飞行计划数据、AIP数据、ADS-B数据、气象数据。
5.根据权利要求3所述的一种基于动态排序的进场航班落地时间预测方法，其特征在于，步骤2中对特征数据进行预处理包括如下步骤：
步骤2.1：确定进场航班类型；根据重要程度将进场航班分为最高等级、次高等级和最低等级三类：最高等级的航班重要度最高，为专机或需要立即着陆的航班；次高等级的航班为国际航班和国内重要航班；最低等级的航班为一般国内普通航班；
步骤2.2：对于步骤1确定的输入特征中的定性特征：航空器机型、航空公司、航班类型、预计进场点和预计使用跑道号，根据各特征所有取值的数目按顺序以正整数进行编码，将定性特征值转换为定量表示；
步骤2.3：对步骤1确定的输入特征中除组合反射率、回波顶高和垂直累积液态含水量外的定量特征：速度、高度、航向、当前位置沿预计进场航线距接地点的飞行距离、进场航班数、离场航班数、修正海压、风向、风速、能见度，和通过步骤2.2定量转换后的定性特征值进行标准化，以消除量纲影响和取值范围差异影响。
6.根据权利要求3所述的一种基于动态排序的进场航班落地时间预测方法，其特征在于，步骤3中建立、训练并验证深度神经网络模型包括如下步骤：
步骤3.1：对组合反射率、回波顶高和垂直累积液态含水量3个特征，建立三通道卷积神经网络；
步骤3.2：将步骤3.1的输出与剩余15个特征作为输入，以各航班进场飞行时间作为标签，建立径向基神经网络；
步骤3.3：训练并验证深度神经网络模型。
CN202110181801.2A 2021-02-08 2021-02-08 一种基于动态排序的进场航班落地时间预测方法 Pending CN112949915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110181801.2A CN112949915A (zh) 2021-02-08 2021-02-08 一种基于动态排序的进场航班落地时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110181801.2A CN112949915A (zh) 2021-02-08 2021-02-08 一种基于动态排序的进场航班落地时间预测方法

Publications (1)

Publication Number Publication Date
CN112949915A true CN112949915A (zh) 2021-06-11

Family

ID=76245231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110181801.2A Pending CN112949915A (zh) 2021-02-08 2021-02-08 一种基于动态排序的进场航班落地时间预测方法

Country Status (1)

Country Link
CN (1) CN112949915A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066089A (zh) * 2021-11-25 2022-02-18 中国工商银行股份有限公司 批量作业运行耗时区间确定方法及装置
CN114493210A (zh) * 2022-01-17 2022-05-13 空地互联网络科技股份有限公司 一种基于大数据的航空管理平台数据处理方法及装置
CN115859768A (zh) * 2022-10-12 2023-03-28 武汉理工大学 一种动态装配作业车间工件完工时间预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303896A (zh) * 2015-09-07 2016-02-03 合肥飞友网络科技有限公司 航班预计到达时间精确预估方法
CN110443411A (zh) * 2019-07-16 2019-11-12 青岛民航凯亚系统集成有限公司 基于ads-b数据预测航班落地时间的方法
CN111160770A (zh) * 2019-12-30 2020-05-15 南京航空航天大学 一种进场航班动态协同排序方法
CN111652427A (zh) * 2020-05-29 2020-09-11 航科院中宇（北京）新技术发展有限公司 一种基于数据挖掘分析的航班到达时刻预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105303896A (zh) * 2015-09-07 2016-02-03 合肥飞友网络科技有限公司 航班预计到达时间精确预估方法
CN110443411A (zh) * 2019-07-16 2019-11-12 青岛民航凯亚系统集成有限公司 基于ads-b数据预测航班落地时间的方法
CN111160770A (zh) * 2019-12-30 2020-05-15 南京航空航天大学 一种进场航班动态协同排序方法
CN111652427A (zh) * 2020-05-29 2020-09-11 航科院中宇（北京）新技术发展有限公司 一种基于数据挖掘分析的航班到达时刻预测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066089A (zh) * 2021-11-25 2022-02-18 中国工商银行股份有限公司 批量作业运行耗时区间确定方法及装置
CN114493210A (zh) * 2022-01-17 2022-05-13 空地互联网络科技股份有限公司 一种基于大数据的航空管理平台数据处理方法及装置
CN115859768A (zh) * 2022-10-12 2023-03-28 武汉理工大学 一种动态装配作业车间工件完工时间预测方法及装置
CN115859768B (zh) * 2022-10-12 2023-05-02 武汉理工大学 一种动态装配作业车间工件完工时间预测方法及装置

Similar Documents

Publication Publication Date Title
CN112949915A (zh) 一种基于动态排序的进场航班落地时间预测方法
US20200302808A1 (en) Conflict Alerting Method Based On Control Voice
EP3977435A1 (en) System and method for flight arrival time prediction
CN106910376B (zh) 一种空中交通运行管制指令监控方法与系统
CN109493644A (zh) 一种基于历史航迹数据挖掘的四维航迹推测方法
CN111508279B (zh) 一种天气避让场划设的方法
CN111009155B (zh) 基于空域结构和航班流的空中交通流复杂性量化分析方法
CN109215399B (zh) 一种终端区智能化流控策略生成方法
US11094206B2 (en) Vertical flightpath optimization
CN107818382A (zh) 航班到达时间预测方法
CN106385442A (zh) 将新服务整合到开放式构架的航空电子机载系统中的方法
CN113963276A (zh) 一种输电线路无人机自主巡检方法及系统
CN110196962A (zh) 一种基于核密度估计的飞机速度异常识别方法
CN112215416B (zh) 智能规划巡检航线系统及方法
CN115792918B (zh) 基于多源数据融合的配料法识别航空对流风险区的方法
CN105005317A (zh) 一种低空飞行器机载交互设备
CN113593308A (zh) 一种民航飞机智能化进场方法
CN110443411A (zh) 基于ads-b数据预测航班落地时间的方法
CN109145415B (zh) 一种空中交通流时距分布分析方法
CN112382136B (zh) 一种基于航行通告分析受影响航班的装置
Khan et al. A novel parallel series data-driven model for IATA-coded flight delays prediction and features analysis
CN110134747A (zh) 一种基于资源标签和优先级的有方向可用空域检索方法及装置
CN111984878B (zh) 一种对流天气下机场终端区各进离港点流量控制方法
Kim et al. A data-driven approach using machine learning to enable real-time flight path planning
CN110349444A (zh) 基于大数据的空中交通流量管理方法

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