CN113128769A - 基于深度学习的智能航班延误预测方法 - Google Patents

基于深度学习的智能航班延误预测方法 Download PDF

Info

Publication number
CN113128769A
CN113128769A CN202110436375.2A CN202110436375A CN113128769A CN 113128769 A CN113128769 A CN 113128769A CN 202110436375 A CN202110436375 A CN 202110436375A CN 113128769 A CN113128769 A CN 113128769A
Authority
CN
China
Prior art keywords
delay
flight
data
deep learning
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
CN202110436375.2A
Other languages
English (en)
Inventor
严宇
熊静
张文成
刘超
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.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
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 Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN202110436375.2A priority Critical patent/CN113128769A/zh
Publication of CN113128769A publication Critical patent/CN113128769A/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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于深度学习的智能航班延误预测方法，包括步骤：S1：获取一目标航班的航班数据和目标航班运行时间内的起降城市的天气数据，并计算目标航班的延误时间，根据延误时间制作延误标签，延误标签包括延误时间；S2：将航班数据和天气数据进行数字化处理；S3：将数字化处理后的航班数据和天气数据进行预处理；S4：根据延误标签划分多个延误类别；S5：设置一深度学习算法模型；S6：利用预处理后的将航班数据和天气数据训练深度学习算法模型，并利用天气预报和深度学习算法模型预测目标航班的延误情况。本发明的一种基于深度学习的智能航班延误预测方法，能有效保证原始数据的时序性，预测结构更准确。

Description

基于深度学习的智能航班延误预测方法
技术领域
本发明涉及空中交通量管理技术领域，尤其涉及一种基于深度学习的智能航班延误预测方法。
背景技术
随着国民经济和航空运输业的迅猛发展，大数据智能时代的来临，深度学习在诸多领域取得了突破性的进展。
学者们试图运用循环神经网络的时间特性来预测机场的延误状况。
针对机场延误的预测问题，国内外的相关学者已经开展了一些研究。统计学决策树，随机森林尝试利用浅层的人工神经网络对机场空域进行延误预测，但是该模型不能准确学习时间维度上的延误传播特性，在面对严重且持续性延误状况时，模型的预测结果并不理想。
上述方法都是针对小数据集样本进行训练，面对大量且高维的机场延误数据，通常需要进行降维处理，会造成原始数据信息的缺失；并且没有考虑到机场状态的时间相关性，所以预测结果并不理想。
发明内容
针对上述现有技术中的不足，本发明提供一种基于深度学习的智能航班延误预测方法，能有效保证原始数据的时序性，预测结构更准确。
为了实现上述目的，本发明提供一种基于深度学习的智能航班延误预测方法，包括步骤：
S1：获取一目标航班的航班数据和所述目标航班运行时间内的起降城市的天气数据，并计算所述目标航班的延误时间，根据所述延误时间制作延误标签，所述延误标签包括所述延误时间；
S2：将所述航班数据和所述天气数据进行数字化处理；
S3：将数字化处理后的所述航班数据和所述天气数据进行预处理；
S4：根据所述延误标签划分多个延误类别；
S5：设置一深度学习算法模型；
S6：利用预处理后的将所述航班数据和所述天气数据训练所述深度学习算法模型，并利用天气预报和所述深度学习算法模型预测所述目标航班的延误情况。
优选地，所述航班数据包括航班号、机号、运行机型、营销机型、航班性质、后序航班、日期、起飞机场、到达机场、预飞时间、预到时间、实飞时间、实到时间、撤轮挡时间、上轮挡时间、飞行状态和是否联程；
所述天气数据包括天气观测站的类型、天气观测站的序号、时间、机场天气状态、能见度、天气类型、干球华氏温度、干球摄氏温度、湿球华氏温度、露点华氏温度、相对湿度、风向、风速、风的特征值、观测站气压、海平面气压、观测高度和记录类型。
优选地，所述S2步骤进一步包括步骤：
S21：将所述航班数据和所述天气数据中包含的中文全部转化为数字；
S22：使用相同的英文字母对应相同的数字；
S23：使用ASCII码组合形式对所述航班数据和所述天气数据进行编码。
优选地，所述S3步骤中，所述预处理步骤包括：删除冗余特征、处理缺失值、去除不合理数据和特征归一化。
优选地，所述S1步骤中，获取所述目标航班一年内的所述航班数据和所述天气数据。
优选地，所述S4步骤中，所述延误类别包括一第一延误类别、一第二延误类别、一第三延误类别和一第四延误类别；
将所述延误时间小于0分钟的划分为第一延误类别；
将所述延误时间大于0分钟且小于45分钟的划分为第二延误类别；
将所述延误时间大于45分钟且小于90分钟的划分为第三延误类别；
将所述延误时间大于90分钟的划分为第四延误类别。
优选地，所述S5步骤中，所述深度学习算法模型包括一LSTM、一tanh激活函数、一sigmoid激活函数和一ResNet152；包括步骤：
设置所述LSTM的输入门、输出门、遗忘门和细胞状态更新；
设置所述tanh激活函数；
设置所述sigmoid激活函数；
设置所述ResNet152的残差结构，提取多维的时序特征的深层特征。
优选地，所述输入门将先前的隐藏状态ht-1和当前输入xt传递到sigmoid激活函数中，将值转换为介于0和1之间的值，0表示不重要，1表示重要；同时，将所述隐藏状态ht-1和所述当前输入xt传递到tanh激活函数中，生成-1和1之间的值；然后将所述tanh激活函数输出与所述sigmoid激活函数输出相乘；所述sigmoid激活函数输出fi将决定从所述tanh激活函数输出中保留的重要信息；
所述遗忘门决定了信息的删除或保留；先前的隐藏状态ht-1和当前输入xt通过所述sigmoid激活函数，输出结果zf在0到1之间；所述输出结果zf越接近0表示忘记，越接近1表示保留；
所述输出门输出下一个隐藏状态；将先前的隐藏状态ht-1和当前输入xt传递到一个所述tanh激活函数中；将新修改的单元格状态传递给所述sigmoid激活函数；所述tanh激活函数输出与所述sigmoid激活函数输出形成下一个隐藏状态ht；新的单元格状态(ht-1+xt)和新的隐藏状态ht被转移到下一个时间步骤；
所述细胞状态更新包括步骤，将上一个单元格状态乘以所述遗忘门的输出zf，确定是否删除该值；同时，对上一个单元的状态进行点态加法，更新细胞状态。
优选地，所述时序特征输入到所述ResNet152的残差结构中，所述时序特征作为所述ResNet152的第一层的特征，通过递归，所述ResNet152的第L层特征xL的表达式为：
Figure BDA0003033267120000031
其中xl表示浅层单元第1层的特征，i表示残差网络的的任意第i层，F(xi,wi)表示残差函数，xi表示第i层单元的特征，wi表示第i层单元的权重值。
优选地，所述ResNet152的第L层特征xL经由Softmax函数分成四类预测结果。
本发明由于采用了以上技术方案，使其具有以下有益效果：
本发明将航班延误预测的时序性特征加入到模型中，使用特征数量更多的样本作为输入，并加入具有残差结构的网络将网络层数做深，在将网络做深的基础上保留浅层网络中具有的特征，使特征在深层的网络中不被损耗，提高航班延误预测模型的准确率。
附图说明
图1为本发明实施例的基于深度学习的智能航班延误预测方法的流程图。
具体实施方式
下面根据附图图1，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1，本发明实施例的一种基于深度学习的智能航班延误预测方法，包括步骤：
S1：获取一目标航班的航班数据和目标航班运行时间内的起降城市的天气数据，并计算目标航班的延误时间，根据延误时间制作延误标签，延误标签包括延误时间；
S2：将航班数据和天气数据进行数字化处理；
S3：将数字化处理后的航班数据和天气数据进行预处理；
S4：根据延误标签划分多个延误类别；
S5：设置一深度学习算法模型；
S6：利用预处理后的将航班数据和天气数据训练深度学习算法模型，并利用天气预报和深度学习算法模型预测目标航班的延误情况。
本实施例中，航班数据包括航班号、机号、运行机型、营销机型、航班性质、后序航班、日期、起飞机场、到达机场、预飞时间、预到时间、实飞时间、实到时间、撤轮挡时间、上轮挡时间、飞行状态和是否联程；
天气数据包括天气观测站的类型、天气观测站的序号、时间、机场天气状态、能见度、天气类型、干球华氏温度、干球摄氏温度、湿球华氏温度、露点华氏温度、相对湿度、风向、风速、风的特征值、观测站气压、海平面气压、观测高度和记录类型。
S2步骤进一步包括步骤：
S21：将航班数据和天气数据中包含的中文全部转化为数字；
S22：使用相同的英文字母对应相同的数字；
S23：使用ASCII码组合形式对航班数据和天气数据进行编码。
S3步骤中，预处理步骤包括：删除冗余特征、处理缺失值、去除不合理数据和特征归一化。
S1步骤中，获取目标航班一年内的航班数据和天气数据。
S4步骤中，延误类别包括一第一延误类别、一第二延误类别、一第三延误类别和一第四延误类别；
将延误时间小于0分钟的划分为第一延误类别；
将延误时间大于0分钟且小于45分钟的划分为第二延误类别；
将延误时间大于45分钟且小于90分钟的划分为第三延误类别；
将延误时间大于90分钟的划分为第四延误类别。
S5步骤中，深度学习算法模型包括一LSTM、一tanh激活函数、一sigmoid激活函数和一ResNet152；包括步骤：
设置LSTM的输入门、输出门、遗忘门和细胞状态更新；
设置tanh激活函数；
设置sigmoid激活函数；
设置ResNet152的残差结构，提取多维的时序特征的深层特征。
输入门将先前的隐藏状态ht-1和当前输入xt传递到sigmoid激活函数中，将值转换为介于0和1之间的值，0表示不重要，1表示重要；同时，将隐藏状态ht-1和当前输入xt传递到tanh激活函数中，生成-1和1之间的值；然后将tanh激活函数输出与sigmoid激活函数输出相乘；sigmoid激活函数输出fi将决定从tanh激活函数输出中保留的重要信息；
遗忘门决定了信息的删除或保留；先前的隐藏状态ht-1和当前输入xt通过sigmoid激活函数，输出结果zf在0到1之间；输出结果zf越接近0表示忘记，越接近1表示保留；
输出门输出下一个隐藏状态；将先前的隐藏状态ht-1和当前输入xt传递到一个tanh激活函数中；将新修改的单元格状态传递给sigmoid激活函数；tanh激活函数输出与sigmoid激活函数输出形成下一个隐藏状态ht；新的单元格状态(ht-1+xt)和新的隐藏状态ht被转移到下一个时间步骤；
细胞状态更新包括步骤，将上一个单元格状态乘以遗忘门的输出zf，确定是否删除该值；同时，对上一个单元的状态进行点态加法，更新细胞状态。
时序特征输入到ResNet152的残差结构中，时序特征作为ResNet152的第一层的特征，通过递归，ResNet152的第L层特征xL的表达式为：
Figure BDA0003033267120000061
其中xl表示浅层单元第1层的特征，i表示残差网络的的任意第i层，F(xi,wi)表示残差函数，xi表示第i层单元的特征，wi表示第i层单元的权重值。
ResNet152的第L层特征xL经由Softmax函数分成四类预测结果。
例如:
步骤一：对数据数字化处理。
对十个航班，获取一年内的航班运行情况和天气情况，并计算航班的降落延误时间。
对航班运行中的中文信息全部转化为数字，使相同的英文字母对应相同的数字，编码方式使用ASCII码组合形式生成。
步骤二：缺失值处理。
将数字化后的航班历史运行数据和历史天气数据，针对延误原因，将延误分为7种类型，经过步骤二处理的数据集表示为，
X＝{Xi|i＝0,1…n}
Xi＝{Xt|t＝0,1…p}
其中，n是延误航班的总个数，m是属性的总个数；
其中，Xi∈Rp×m，Xi表示第i类延误的数据集，i表示该类型数据的标签；当i＝0时，表示此航班准点运行；
其中，对于第i类延误的数据集Xi，xt∈Rm为每一个航班样本的向量表示；p为第i类延误的航班的总数；数据集Xi共有m列分别对应m个属性，每一列数据表示同一属性在不同时刻时的状态，Xi表示为，
Figure BDA0003033267120000062
Xi中向量，航班样本xt表示为，
xt＝[x1,1 … xp,1]
步骤三：对经过缺省值处理的数据进行归一化处理。
通过转换函数，对历史样本数据集数据进行归一化处理，转换函数如下；
Figure BDA0003033267120000071
采用上述转换函数进行归一化处理时，对任一类航班延误的数据集Xi中的每一列数据均进行上述的转换；其中，minj是每一列数据的最小值，maxj是每一列的最大值，xj是转换之前的数值，
Figure BDA0003033267120000072
是转换之后的数值；经过归一化处理之后的数据集X记作X*、数据集Xi记作
Figure BDA0003033267120000073
步骤四：CNN权重矩阵的获得。
步骤五：利用CNN-Resunit捕获航班运行数据的空间特征及利用LSTM神经网络获航班运行数据的时间特征，并融合RNN，LSTM的结果，预测航班延误情况。
本实施例采用CNN-Resunit-LSTM神经网络算法。
CNN卷积算子定义为，
f(W*X+b)
其中：f为激活函数,*为卷积运算,W为权重矩阵,b为偏置值；
对归一化处理后的m个属性，分别进行卷积算子计算，如第m个属性的卷积算子计算，
Figure BDA0003033267120000074
通过加入多个残差单元以解决模型过拟合问题，如图二，在卷积层的基础上增加了2个残差单元，残差单元表达式如，
Figure BDA0003033267120000075
其中，
Figure BDA0003033267120000076
为残差函数，θl为在l层的残差单元所有能够学习的参数，
LSTM是一种特殊的RNN变体，具有与RNN相似的循环结构。LSTM较RNN，使用输入门、输出门和遗忘门来调节信息进出记忆单元的过程，具备长时间的记忆功能。LSTM具体计算流程如下，
1、遗忘门决定丢失信息的过程。遗忘门根据上一个记忆单元的输出ht-1和输入数据xt产生一个0-1之间的数值来决定上一个长期状态Ct-1中信息丢失多少。
ft＝σ(Wf·[ht-1,xt]+bf)
2、输入门决定添加信息的过程。ht-1和xt通过输入门确定更新信息，同时通过一个tanh层得到新的候选记忆单元信息C′t。
it＝σ(Wi·[ht-1,xt]+bi)
C′t＝tanh(WC·[ht-1,xt]+bC)
3、通过遗忘门和输入门的操作，将上一个长期状态Ct更新为Ct-1。
Ct＝ft*Ct-1+it*C′t
4、最后，由输出门得到判断条件，然后通过一个tanh层得到一个-1-1之间的值。该值与判断条件相乘来决定输出当前记忆单元的哪些状态特征。
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims (10)

1.一种基于深度学习的智能航班延误预测方法，包括步骤：
S1：获取一目标航班的航班数据和所述目标航班运行时间内的起降城市的天气数据，并计算所述目标航班的延误时间，根据所述延误时间制作延误标签，所述延误标签包括所述延误时间；
S2：将所述航班数据和所述天气数据进行数字化处理；
S3：将数字化处理后的所述航班数据和所述天气数据进行预处理；
S4：根据所述延误标签划分多个延误类别；
S5：设置一深度学习算法模型；
S6：利用预处理后的将所述航班数据和所述天气数据训练所述深度学习算法模型，并利用天气预报和所述深度学习算法模型预测所述目标航班的延误情况。
2.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述航班数据包括航班号、机号、运行机型、营销机型、航班性质、后序航班、日期、起飞机场、到达机场、预飞时间、预到时间、实飞时间、实到时间、撤轮挡时间、上轮挡时间、飞行状态和是否联程；
所述天气数据包括天气观测站的类型、天气观测站的序号、时间、机场天气状态、能见度、天气类型、干球华氏温度、干球摄氏温度、湿球华氏温度、露点华氏温度、相对湿度、风向、风速、风的特征值、观测站气压、海平面气压、观测高度和记录类型。
3.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述S2步骤进一步包括步骤：
S21：将所述航班数据和所述天气数据中包含的中文全部转化为数字；
S22：使用相同的英文字母对应相同的数字；
S23：使用ASCII码组合形式对所述航班数据和所述天气数据进行编码。
4.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述S3步骤中，所述预处理步骤包括：删除冗余特征、处理缺失值、去除不合理数据和特征归一化。
5.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述S1步骤中，获取所述目标航班一年内的所述航班数据和所述天气数据。
6.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述S4步骤中，所述延误类别包括一第一延误类别、一第二延误类别、一第三延误类别和一第四延误类别；
将所述延误时间小于0分钟的划分为第一延误类别；
将所述延误时间大于0分钟且小于45分钟的划分为第二延误类别；
将所述延误时间大于45分钟且小于90分钟的划分为第三延误类别；
将所述延误时间大于90分钟的划分为第四延误类别。
7.根据权利要求1所述的基于深度学习的智能航班延误预测方法，其特征在于，所述S5步骤中，所述深度学习算法模型包括一LSTM、一tanh激活函数、一sigmoid激活函数和一ResNet152；包括步骤：
设置所述LSTM的输入门、输出门、遗忘门和细胞状态更新；
设置所述tanh激活函数；
设置所述sigmoid激活函数；
设置所述ResNet152的残差结构，提取多维的时序特征的深层特征。
8.根据权利要求7所述的基于深度学习的智能航班延误预测方法，其特征在于，所述输入门将先前的隐藏状态ht-1和当前输入xt传递到sigmoid激活函数中，将值转换为介于0和1之间的值，0表示不重要，1表示重要；同时，将所述隐藏状态ht-1和所述当前输入xt传递到tanh激活函数中，生成-1和1之间的值；然后将所述tanh激活函数输出与所述sigmoid激活函数输出相乘；所述sigmoid激活函数输出fi将决定从所述tanh激活函数输出中保留的重要信息；
所述遗忘门决定了信息的删除或保留；先前的隐藏状态ht-1和当前输入xt通过所述sigmoid激活函数，输出结果zf在0到1之间；所述输出结果zf越接近0表示忘记，越接近1表示保留；
所述输出门输出下一个隐藏状态；将先前的隐藏状态ht-1和当前输入xt传递到一个所述tanh激活函数中；将新修改的单元格状态传递给所述sigmoid激活函数；所述tanh激活函数输出与所述sigmoid激活函数输出形成下一个隐藏状态ht；新的单元格状态(ht-1+xt)和新的隐藏状态ht被转移到下一个时间步骤；
所述细胞状态更新包括步骤，将上一个单元格状态乘以所述遗忘门的输出zf，确定是否删除该值；同时，对上一个单元的状态进行点态加法，更新细胞状态。
9.根据权利要求8所述的基于深度学习的智能航班延误预测方法，其特征在于，所述时序特征输入到所述ResNet152的残差结构中，所述时序特征作为所述ResNet152的第一层的特征，通过递归，所述ResNet152的第L层特征xL的表达式为：
Figure FDA0003033267110000031
其中xl表示浅层单元第1层的特征，i表示残差网络的的任意第i层，F(xi,wi)表示残差函数，xi表示第i层单元的特征，wi表示第i层单元的权重值。
10.根据权利要求9所述的基于深度学习的智能航班延误预测方法，其特征在于，所述ResNet152的第L层特征xL经由Softmax函数分成四类预测结果。
CN202110436375.2A 2021-04-22 2021-04-22 基于深度学习的智能航班延误预测方法 Pending CN113128769A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110436375.2A CN113128769A (zh) 2021-04-22 2021-04-22 基于深度学习的智能航班延误预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110436375.2A CN113128769A (zh) 2021-04-22 2021-04-22 基于深度学习的智能航班延误预测方法

Publications (1)

Publication Number Publication Date
CN113128769A true CN113128769A (zh) 2021-07-16

Family

ID=76779126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110436375.2A Pending CN113128769A (zh) 2021-04-22 2021-04-22 基于深度学习的智能航班延误预测方法

Country Status (1)

Country Link
CN (1) CN113128769A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807579A (zh) * 2021-09-02 2021-12-17 南京航空航天大学 一种基于机器学习的航班抵港延误时间预测方法
CN117422320A (zh) * 2023-12-19 2024-01-19 长安大学 一种提取天气对航班韧性运行影响因素的方法
CN118245153A (zh) * 2024-04-07 2024-06-25 山东浪潮成舟数字服务有限公司 一种公务机航班甘特图显示方法

Citations (4)

* Cited by examiner, † Cited by third party
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
CN110659773A (zh) * 2019-09-16 2020-01-07 杭州师范大学 一种基于深度学习的航班延误预测方法
CN110796315A (zh) * 2019-11-04 2020-02-14 中国民用航空飞行学院 基于时效信息和深度学习的离港航班延误预测方法
CN112365095A (zh) * 2020-12-03 2021-02-12 浙江汉德瑞智能科技有限公司 基于天气和流量管控影响的航班延误分析及预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
CN110659773A (zh) * 2019-09-16 2020-01-07 杭州师范大学 一种基于深度学习的航班延误预测方法
CN110796315A (zh) * 2019-11-04 2020-02-14 中国民用航空飞行学院 基于时效信息和深度学习的离港航班延误预测方法
CN112365095A (zh) * 2020-12-03 2021-02-12 浙江汉德瑞智能科技有限公司 基于天气和流量管控影响的航班延误分析及预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807579A (zh) * 2021-09-02 2021-12-17 南京航空航天大学 一种基于机器学习的航班抵港延误时间预测方法
CN117422320A (zh) * 2023-12-19 2024-01-19 长安大学 一种提取天气对航班韧性运行影响因素的方法
CN117422320B (zh) * 2023-12-19 2024-03-05 长安大学 一种提取天气对航班韧性运行影响因素的方法
CN118245153A (zh) * 2024-04-07 2024-06-25 山东浪潮成舟数字服务有限公司 一种公务机航班甘特图显示方法

Similar Documents

Publication Publication Date Title
CN108647742B (zh) 基于轻量级神经网络的快速目标检测方法
CN109948716B (zh) 一种基于区域残差和lstm网络的机场延误预测方法
CN113128769A (zh) 基于深度学习的智能航班延误预测方法
CN112465199B (zh) 空域态势评估系统
CN111310965A (zh) 一种基于lstm网络的飞行器航迹预测方法
CN112489497B (zh) 基于深度卷积神经网络的空域运行复杂度评估方法
CN109886496B (zh) 一种基于气象信息的农产量预测方法
WO2022039675A1 (en) Method and apparatus for forecasting weather, electronic device and storage medium thereof
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN111178438A (zh) 一种基于ResNet101的天气类型识别方法
CN114169502A (zh) 一种基于神经网络的降水预测方法、装置和计算机设备
CN115880497A (zh) 基于自编码器结合多层感知机的翼型结冰冰形预测方法
CN113536373B (zh) 一种脱敏气象数据的生成方法
CN116826737A (zh) 一种光伏功率的预测方法、装置、存储介质及设备
CN111783688B (zh) 一种基于卷积神经网络的遥感图像场景分类方法
CN113052353B (zh) 空气质量预测与预测模型训练方法、装置及存储介质
CN117578441A (zh) 基于神经网络提高电网负荷预测精度的方法
Yang et al. A data-driven method for flight time estimation based on air traffic pattern identification and prediction
Gunawan et al. Long Short-Term Memory Approach for Predicting Air Temperature In Indonesia
CN115048873B (zh) 一种用于飞机发动机的剩余使用寿命预测系统
CN114254828B (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN115600498A (zh) 一种基于人工神经网络的风速预报订正方法
CN114694019A (zh) 基于异常检测的遥感影像建筑物迁移提取方法
CN114611399A (zh) 一种基于NGBoost算法的PM2.5浓度长时间序列预测方法
CN116774719B (zh) 一种无人机飞行参数自诊断方法及系统

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: 20210716