CN113496629A - 改善飞行器交通管制的系统、方法以及设备 - Google Patents
改善飞行器交通管制的系统、方法以及设备 Download PDFInfo
- Publication number
- CN113496629A CN113496629A CN202110234050.6A CN202110234050A CN113496629A CN 113496629 A CN113496629 A CN 113496629A CN 202110234050 A CN202110234050 A CN 202110234050A CN 113496629 A CN113496629 A CN 113496629A
- Authority
- CN
- China
- Prior art keywords
- data
- aircraft
- database
- traffic
- art
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000010801 machine learning Methods 0.000 claims abstract description 293
- 230000004044 response Effects 0.000 claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 description 58
- 230000000875 corresponding effect Effects 0.000 description 34
- 230000008569 process Effects 0.000 description 34
- 238000012545 processing Methods 0.000 description 33
- 230000015654 memory Effects 0.000 description 28
- 238000007726 management method Methods 0.000 description 21
- 238000013473 artificial intelligence Methods 0.000 description 20
- 238000002790 cross-validation Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 15
- 238000005094 computer simulation Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012417 linear regression Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 208000020990 adrenal cortex carcinoma Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000033937 musculocontractural type Ehlers-Danlos syndrome Diseases 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
- G08G5/0039—Modification of a flight plan
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
- G08G5/0034—Assembly of a flight plan
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0047—Navigation or guidance aids for a single aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及改善飞行器交通管制的系统、方法以及设备。示例设备包括:网络接口,该网络接口用于获得在第一时段期间与空域区段中飞行的飞行器相关联的空中航线交通(ART)数据;数据库控制器,该数据库控制器通过将ART数据的提取部分映射至第一数据库条目的第一数据库条目字段来生成第一数据库条目;以及ART区段服务,所述ART区段服务使用数据库条目执行机器学习(ML)模型,以生成在第一时段期间空域区段的第一飞行器交通计数,响应于基于第一飞行器交通计数选择ML模型中的第一ML模型,而执行第一ML模型以生成在第二时段期间的第二飞行器交通计数,以及将第二飞行器交通计数发送至计算装置,以使进行飞行器飞行计划调整。
Description
技术领域
本公开总体上涉及飞行器,更特别地,涉及改善飞行器交通管制(aircrafttraffic control)的系统、方法以及设备。
背景技术
国家空域系统(NAS:National Airspace System)管理着美国的空域、导航设施以及机场,而不同的空域系统则管理着世界其它地区。近年来,民用航空经历了可观的增长,尤其是在NAS内部,并且预计未来几年还将持续增长。然而,NAS无法高效地管理增加的飞行器交通,从而导致预期的延误航班增加,这给航空公司、乘客以及其他相关利益方带来成本。
发明内容
本文公开了一种改善飞行器交通管制的示例设备。该示例设备包括:网络接口,该网络接口用于获得与空域区段中飞行的多个飞行器相关联的空中航线交通数据,该空中航线交通数据与第一时段相关联;数据库控制器,该数据库控制器通过将空中航线回交通数据的一个或更多个提取部分(extracted portion)映射至第一数据库条目中包括的第一数据库条目字段来生成第一数据库条目,该第一数据库条目字段与所述多个飞行器中的相应飞行器相关联;以及空中航线交通(ART:air route traffic)区段服务,该ART区段服务使用数据库条目执行机器学习模型,以生成在第一时段期间空域区段的第一飞行器交通计数,该数据库条目包括第一数据库条目;响应于基于第一飞行器交通计数选择所述多个机器学习模型中的第一机器学习模型,执行第一机器学习模型,以生成在第一时段之后的第二时段期间空域区段的第二飞行器交通计数,以及将第二飞行器交通计数发送至计算装置,以引起对所述多个飞行器中的第一飞行器的飞行计划的调整。
本文公开了一种改善飞行器交通管制的示例非暂时性计算机可读存储介质。该示例非暂时性计算机可读存储介质包括指令,该指令在被执行时使机器至少进行如下操作:获得与空域区段中飞行的多个飞行器相关联的空中航线交通数据,该空中航线交通数据与第一时段相关联;通过这样的方式生成具有第一数据库条目字段的第一数据库条目,即,将所述空中航线交通数据的一个或更多个提取部分映射至该第一数据库条目字段,该第一数据库条目字段与所述多个飞行器中的相应飞行器相关联;使用数据库条目执行多个机器学习模型,以生成在第一时段期间空域区段的第一飞行器交通计数,该数据库条目包括第一数据库条目;响应于基于第一飞行器交通计数选择所述多个机器学习模型中的第一机器学习模型,执行第一机器学习模型,以生成在第一时段之后的第二时段期间空域区段的第二飞行器交通计数,以及将第二飞行器交通计数发送至计算装置,以引起对所述多个飞行器中的第一飞行器的飞行计划的调整。
本文公开了一种改善飞行器交通管制的示例方法。所述示例方法包括以下步骤:获得与空域区段中飞行的多个飞行器相关联的空中航线交通数据,该空中航线交通数据与第一时段相关联;通过将空中航线回交通数据的一个或更多个提取部分映射至第一数据库条目中包括的第一数据库条目字段来生成第一数据库条目,该第一数据库条目字段与所述多个飞行器中的相应飞行器相关联;使用数据库条目执行多个机器学习模型,以生成在第一时段期间空域区段的第一飞行器交通计数,该数据库条目包括第一数据库条目;响应于基于第一飞行器交通计数选择所述多个机器学习模型中的第一机器学习模型,执行第一机器学习模型,以生成在第一时段之后的第二时段期间空域区段的第二飞行器交通计数,以及将第二飞行器交通计数发送至计算装置,以引起对所述多个飞行器中的第一飞行器的飞行计划的调整。
附图说明
图1描绘了包括ART预测系统以促进空中航线交通管理的空中航线交通(ART)环境的示例实现。
图2描绘了包括图1的ART预测系统的示例实现的示例交通计数确定系统,该ART预测系统系统包括数据库控制器以及包括ART区段服务的ART预测控制器。
图3是图2的数据库控制器的示例实现。
图4是图2的ART区段服务的示例实现。
图5是由图2和/或图3的数据库控制器生成的示例数据库条目。
图6描绘了根据时间分段(bucket)数和区段计数的示例ART区段曲线。
图7描绘了例示由图2和/或图4的ART区段服务进行的异常值(outlier)去除处理的示例图形。
图8A描绘了在通过图2和/或图4的ART区段服务进行示例异常值去除操作之前的示例ART区段曲线。
图8B描绘了图8A的在通过图2和/或图4的ART区段服务进行示例异常值去除操作之后的示例ART区段曲线。
图9是例示基于本文所公开的示例调整飞行器的飞行计划的示意性例示图。
图10描绘了表示示例计算机可读指令的示例源代码,该示例计算机可读指令可以由图1和/或图4的ART区段服务和/或更一般地由图1和/或图2的ART预测系统来执行,以确定所关注的空中航线交通区段的交通计数。
图11是表示示例机器可读指令的流程图,该示例机器可读指令可以被执行以实现图1和/或图2的ART预测系统,以确定空中航线交通区段的交通计数。
图12是表示示例机器可读指令的流程图,该示例机器可读指令可以被执行以实现图2和/或图3的数据库控制器和/或更一般地图1和/或图2的ART预测系统,以生成示例预处理的数据库。
图13是表示示例机器可读指令的流程图,该示例机器可读指令可以被执行以实现图2和/或图3的数据库控制器和/或更一般地图1和/或图2的ART预测系统,以基于相关信息来确定空中航线交通区段的交通计数。
图14是表示示例机器可读指令的流程图,该示例机器可读指令可以被执行以实现图2和/或图4的ART区段服务和/或更一般地图1和/或图2的ART预测系统,以选择机器学习模型来使用示例预处理的数据库进行训练。
图15是表示示例机器可读指令的流程图,该示例机器可读指令可以被执行以实现图2和/或图4的ART区段服务和/或更一般地图1和/或图2的ART预测系统,以确定用于对机器学习模型进行训练的训练数据。
图16是表示示例机器可读指令的流程图,该示例机器可读指令可以被执行以实现图2的ART预测控制器和/或更一般地图1和/或图2的ART预测系统,以基于来自计算装置或系统的查询来确定交通计数。
图17是表示示例机器可读指令的流程图,该示例机器可读指令可以被执行以实现图1和/或图2的ART预测系统,以对ART数据进行处理。
图18是表示示例机器可读指令的流程图,该示例机器可读指令可以被执行以实现图2的ART预测控制器和/或更一般地图1和/或图2的ART预测系统,以计算空域交通计数参数。
图19是被构造成执行图10至图18的示例机器可读指令以实现图1和/或图2的ART预测系统的示例处理平台的框图。
这些图不是按比例绘制的。通常,贯穿附图和相关说明描述使用相同的标号来指相同或相似的部分。
具体实施方式
当对可以单独引用的多个要素或组件进行标识时,在本文中使用描述符“第一”、“第二”、“第三”等。除非基于使用背景而另外指定或理解,否则这样的描述符并非是指赋予列表下的优先级、物理次序或排列或者以时间排序的任何含义,而是仅仅被用作单独引用多个要素或组件的标签,以使容易理解所公开的示例。在一些示例中,可以使用描述符“第一”来引用详细描述中的要素,而在权利要求中,可以利用诸如“第二”或“第三”这样的不同描述符来引用同一要素。在这种情况下,应理解,这样的描述符仅被用于使容易引用多个要素或组件。
在空中交通管制(例如,飞行器交通管制、空域交通管制等)中,还被称为航路(en-route)中心的区域管制中心(ACC:area control center)是负责管制在机场到港与离港之间以高海拨在特定空域体区(例如,飞行信息区域)内飞行的飞行器的设施。国际民用航空组织(ICAO:International Civil Aviation Organization)负责管理全球ACC的一般运营以及各个ACC管制的空域边界。大多数ACC是由其所在国家的国家政府运营的。国家空域系统(NAS:National Airspace System)在美国管理这样的ACC。美国的ACC被称为空中航线交通管制中心(ARTCC:air route traffic control center)。现今,NAS通过管理22个ARTCC而部分地管理美国的空域、导航设施以及机场。例如,NAS的ARTCC通常接受来自终端管制中心或其它ARTCC的管制的交通并最终向终端管制中心或其它ARTCC的管制传递交通。
可以将由NAS管制、管理等的空域细分成多个区域或区段(例如,空中航线交通区段、空域区段等)。ARTCC可以管理多个区段。例如,ARTCC可以管理包括两个到九个区段的飞行信息区域。各个ARTCC配备了一组管制员(controller)(例如,空中交通管制员),这些管制员均针对该飞行信息区域的所有区段进行了培训。管制员使用雷达监测飞行进度,并根据需要指令飞行器执行航向调整(例如,飞行路线或飞行计划调整),以保持与其它飞行器的间隔。飞行员可能会出于包括避免湍流或不利的天气条件的理由而接受或拒绝高度调整或航向改变。通常,ARTCC从预先提交的飞行计划或飞行路线中得到飞行器的到达和意图的提前通知。
由于NAS的空中交通管制模型同样地需要飞行员和管制员的大量参与,因此,近年来,民用航空的大幅增长暴露了该模型的低效率。管制员手动跟踪的飞行器的量的大量增加以及飞行器进出飞行信息区域的对应频率会导致频繁的飞行延误,不利的天气条件可能会使情况更加复杂。因此,未来几年的预期增长趋势只会加剧这种低效率。这种低效率会导致延误的航班增加,这给航空公司、乘客以及其他相关利益方带来成本。
由联邦航空局(FAA:Federal Aviation Administration)管理的NAS利用交通流管理(TFM:Traffic Flow Management)数据服务来协调和/或以其它方式管理空中航线交通(ART:air route traffic),该TFM数据服务汇集来自驻扎于美国各地的ARTCC的ART数据。TFM数据服务向TFM数据服务的用户(例如,航空公司。空中航行服务提供商(ANSP:AirNavigation Service Provide)等)提供近实时流传输的飞行和流数据。然而,传给用户的数据是(1)不相关且嘈杂的,(2)数量可观的,(3)以高频生成的,所有这些都可能阻止人类员工高效地确定飞行器交通管制决定。
TFM数据服务收集和/或以其它方式获得与飞行信息区域相关的ART数据。ART数据可以包括飞行信息交换模型(FIXM:Flight Information Exchange Model)数据或消息(例如,FIXM数据、FIXM消息、FIXM数据消息、数据消息等)。FIXM是一种可捕获经全球标准化的飞行和流信息的数据交换模型。FIXM消息是使用可扩展标记语言(XML)进行格式化的。FIXM消息可以包括ART数据,诸如飞行器的航班号、飞行器的位置(例如,海拔高度、纬度、经度、区段等)、飞行器的特征或参数(例如,飞行器品牌或型号、空速等)、与ART数据的生成相对应的时间戳等,和/或这些的组合。例如,飞行器可以获得和/或以其它方式汇集与飞行器相关联的关注数据、将数据编译为FIXM消息、并将FIXM消息发送至飞行器与之联系或通信的ARTCC。因此,ARTCC每天获得数百万的FIXM消息,每年获得数十亿的FIXM消息,其中,FIXM消息对应于NAS管理的飞行信息区域内的空中航线交通。
本文所公开的示例包括ART预测系统,该ART预测系统通过以下方式来改善飞行器交通管制:对于由诸如NAS这样的空域系统管理的特定空域区段,准确地预测飞行器的计数或量(例如,以充分小的标准偏差进行预测、以少于一的标准差进行预测等)。示例ART预测系统可以对要被存储在第一数据库(例如,原始ART数据数据库)中的来自TFM数据服务的传入ART数据进行解析、相关(correlate)以及进行索引。示例ART预测系统可以自适应地保持第一数据库以供进行高效查询处理。示例ART预测系统可以从存储在第一数据库中的ART数据中提取和/或以其它方式标识显著特征,并将显著特征存储在第二数据库(例如,预处理的数据库)中。示例ART预测系统还可以标识其它的显著特征,诸如历史轨迹、区段边界跨和/或天气信息。
在一些公开的示例中,ART预测系统将关注特征输入到基于人工智能(AI)的计算机模型中,以充分小的标准偏差、误差容限等来高效地预测准确的计数(例如,飞行器计数、区段计数(sector count)、交通计数(traffic count)等)。如本文所用,术语“区段计数”、“区段交通计数(sector traffic count)”以及“交通计数”是指在离散化的时间间隔(例如,时间分段(bucket))期间在空域区段中的飞行器的量,并且可以进行互换使用。示例ART预测系统可以从多个基于AI的计算机模型中选择用于预测区段的未来交通计数的基于AI的计算机模型。
在一些公开的示例中,ART预测系统可以通过使用交叉验证技术来选择基于AI的计算机模型。在一些公开的示例中,ART预测系统可以通过对具有已知交通计数的ART数据执行所述多个基于AI的计算机模型,并将由基于AI的计算机模型预测出的交通计数与已知交通计数进行比较,来选择基于AI的计算机模型。例如,ART预测系统可以对以下ART数据执行所述多个基于AI的计算机模型:在第一关注时间分段(例如,15分钟的时间间隔、30分钟的时间间隔等)与区段相关联的ART数据。在这样的示例中,ART预测系统可以在第一时间分段期间预测所关注的第一区段的第一交通计数。示例ART预测系统可以将第一交通计数与在第一时间分段期间与第一区段相关联的已知交通计数进行比较。示例ART预测系统可以基于所述基于AI的计算机模型中的哪一个模型生成具有最小误差的交通计数、以最高准确度生成交通计数等,来标识所述基于AI的计算机模型中的要训练以对未来交通计数进行预测的一个模型。
在一些公开的示例中,ART预测系统使用先前收集的和/或新传入的ART数据来训练和执行所标识的基于AI的计算机模型,以预测和/或以其它方式生成所关注区段的交通计数。在一些公开的示例中,ART预测系统将所关注区段的交通计数发送至计算系统(例如,ARTCC计算系统、航空公司计算系统等)。在这种公开的示例中,ART预测系统可以将指令、推荐等发送至计算系统,以基于所关注区段的交通计数来调整所关注区段的空中航线交通。例如,ARTCC可以指导将具有与飞过第一区段相关联的第一飞行计划(例如,一个或更多个航点的第一集合)的飞行器调整与飞过第二区段相关联的第二飞行计划(例如,一个或更多个航点的第二集合),其中,第一区段是拥塞区段,第二区段是未拥塞或低拥拥塞区段。在一些公开的示例中,可以在执行第一飞行计划之前,在飞行器停放于地面的同时调整该飞行器的第一飞行计划。在一些公开的示例中,可以在飞行器处于执行第一飞行计划的飞行中的同时调整该飞行器的第一飞行计划。
AI(包括机器学习(ML:machine learning)、深度学习(DL:deep learning)和/或其它人工机器驱动的逻辑)使得机器(例如,计算机、计算系统、逻辑电路等)能够使用模型来处理输入数据,以基于先前通过模型经由训练过程而学习的模式和/或关联来生成输出。例如,可以利用数据对模型进行训练以识别模式和/或关联,并且在处理输入数据时遵循这样的模式和/或关联,使得其它输入导致与所识别出的模式和/或关联一致的输出。
存在许多不同类型的机器学习模型和/或机器学习架构。在本文所公开的示例中,除了诸如递归神经网络(RNN:Recurrent Neural Network)的神经网络外,还使用线性回归、非线性回归和整体回归模型。这样的回归模型可以实现多层感知器(MLP:multi-layerperceptron)。MLP是一种监督学习算法,该算法通过对数据集进行训练来学习函数,当给定一组特征和目标时,MLP可以学习用于回归(和/或其它示例中的分类)的非线性函数逼近器。MLP可以在输出层中在没有激活函数的情况下使用反向传播进行训练,也可以被视为将恒等函数用作激活函数。因此,MLP可以将平方误差用作损失函数,并且输出可以是一组连续值。
RNN对应一类人工神经网络,其中,节点之间的连接沿着时间序列形成有向图形(directed graph)。有利地,RNN可以因此展现时间动态行为(这与前馈神经网络不同)、可以使用RNN的内部状态(记忆)来处理输入序列。通常,适于在本文所公开的示例方法中使用的机器学习模型/架构将是线性回归、非线性回归、整体回归、RNN等。然而,另外或者另选地,可以使用其它类型的机器学习模型,诸如卷积神经网络(CNN:Convolution NeuralNetwork)、深度神经网络(DNN:Deep Neural Network)、图神经网络等。
通常,实现ML/AI系统涉及两个阶段,学习/训练阶段以及推断阶段。在学习/训练阶段,将训练算法用于例如基于训练数据(例如,ART数据)来对模型进行训练,以根据模式和/或关联进行运算。通常,模型包括内部参数,该内部参数引导如何将输入数据变换成输出数据,诸如通过模型内的一系列节点和连接将输入数据变换成输出数据。另外,将超参数(hyperparameter)用作训练过程的一部分,以控制如何执行学习(例如,学习率、要在机器学习模型中使用的层数等)。将超参数定义为在启动训练过程之前确定的训练参数。
可以基于ML/AI模型的类型和/或预期的输出来执行不同类型的训练。例如,监督训练使用输入和对应的预期(例如,标记的)输出,来选择用于ML/AI模型的减少模型误差的参数(例如,通过在选择参数的组合上进行迭代)。如本文所用,标记是指机器学习模型的预期输出(例如,分类、预期的输出值等)。另选地,无监督训练(例如,被用于深度学习、机器学习的子集等)涉及根据输入推断模式,以选择ML/AI模型的参数(例如,在没有预期(例如,标记的)输出的好处的情况下)。
在本文所公开的示例中,使用监督学习来对ML/AI模型进行训练。然而,可以另外或者另选地使用任何其它训练算法。在本文所公开的示例中,执行训练,直到获得可接受的误差量(例如,一个或更少的误差标准偏差)和/或被标识为ART学习数据的附加ART数据是否尚未进行处理。在本文所公开的示例中,在表示一个或更多个物理和/或虚拟服务器的中央设施处执行训练。使用超参数执行训练,该超参数控制如何执行学习(例如,学习率、要在机器学习模型中使用的层数等)。在一些公开的示例中,可以响应于标识出用于训练的附加ART学习数据来执行再训练。
使用训练数据执行训练。在一些示例中,训练数据包括与NAS所管理的一个或更多个区段相关联的区段信息。例如,区段信息可以包括:在分段(例如,时间分段(timebucket))或时段期间区段中的包括第一飞行器的飞行器的量,与第一飞行器相关联的表示该第一飞行器进入该区段的进入时间(例如,区段进入时间)、与第一飞行器相关联的表示该第一飞行器离开该区段的离开时间(例如,区段离开时间)等,和/或这些的组合。在本文所公开的示例中,训练数据源自FAA TFM数据服务和/或与FAA和/或ICAO有关的不同数据服务。由于使用监督训练,因此,对训练数据进行标记。通过已经确定与所关注区段有关的交通计数的计算系统,将标记施加至训练数据。
一旦完成了训练,就将该模型部署用作可执行构造,该可执行构造基于该模型中定义的节点和连接的网络来处理输入并提供输出。将模型存储在中央设施处,该中央设施可以被订阅访问ART预测系统的计算系统所访问。然后,可以由ART预测系统执行该模型。
一旦进行了训练,就可以在推断阶段运行所部署的模型以处理数据(例如,ART数据)。在推断阶段,将待分析数据(例如,来自FAA TFM数据服务的实时数据或近实时数据)输入模型,然后模型执行以创建输出。该推断阶段可以被认为是AI基于该AI从训练中学到的东西进行“思考”或处理以生成输出(例如,通过执行模型以将学习的模式和/或关联应用于实时数据)。在一些示例中,使输入数据在被用作机器学习模型的输入之前经历预处理。此外,在一些示例中,在AI模型生成输出数据后,可以使该输出数据经历后处理,以将输出变换成有用的结果(例如,数据的显示、要通过机器执行的指令等)。
在一些示例中,可以捕获所部署的模型的输出,并且将其作为反馈来提供。通过分析反馈,可以确定所部署的模型的准确度。如果反馈指示所部署的模型的准确度小于阈值或其它标准,则可以使用反馈和经更新的训练数据集、超参数等来触发对经更新的模型的训练,以生成经更新的所部署的模型。
图1描绘了包括有助于ART管理的空中航线交通(ART:air route traffic)预测系统104的空中航线交通管理环境100的示例实现。例如,ART管理环境100可以对应于NAS、ICAO等。在这样的示例中,ART管理环境可以对应于飞行器交通管制环境、飞行器交通管制系统等。
在图1所示示例中,ART管理环境100包括示例空中航线交通管制中心(ARTCC:airroute traffic control center)105A至105B,包括第一示例ARTCC 105A和第二示例ARTCC105B。另选地,ART管理环境100可以包括比图1中描绘的ARTCC 105A至105B更少或更多的ARTCC。在图1中,ARTCC 105A至105B中各个ARTCC可以对应于和/或以其它方式表示一个或更多个处理器平台,诸如服务器(例如,计算机服务器)。例如,第一ARTCC 105A可以对应于一个或更多个服务器,和/或以其它方式利用一个或更多个服务器来实现。
在图1所示示例中,ARTCC 105A至105B是由NAS管理的。另选地,ARTCC 105A至105B可以由诸如ICAO这样的不同实体来管理。在图1中,ARTCC 105A至105B管理包括多个区段(例如,两个区段、九个区段等)的飞行信息区域。例如,第一ARTCC 105A可以管理包括两个区段的第一飞行信息区域,第二ARTCC 105B可以管理包括九个区段的第二飞行信息区域,其中,第一飞行信息区域与第二飞行信息区域不同。在其它示例中,第一ARTCC 105A和/或第二ARTCC 105B可以管理不同数量的区段。ARTCC 105A至105B中的各个ARTCC可以安置一组管制员(例如,空中交通管制员),这些管制员均针对所述飞行信息区域中的相应飞行信息区域的区段进行了培训。
在图1所示示例中,ARTCC 105A至105B接收和/或以其它方式获得来自一个或更多个示例飞行器106A至106F的ART数据。图1的飞行器106A至106F包括:第一示例飞行器106A、第二示例飞行器106B、第三示例飞行器106C、第四示例飞行器106D、第五示例飞行器106E以及第六示例飞行器106F。图1的飞行器106A至106F是有人驾驶的商用飞行器(例如,机上有一名或更多名人类飞行员来控制和/或以其它方式使飞行器飞行的货机、客机等)。另选地,图1的飞行器106A至106F中的一个或更多个飞行器可以包括无人驾驶飞行器(UAV)(例如,无人机、遥控飞行器系统(RPAS)等)。另选地,ART管理环境100可以包括比图1中描绘的飞行器106A至106F更少或更多的飞行器。
在图1所示示例中,第一ARTCC 105A与第一飞行器106A和第二飞行器106B进行通信。例如,当第一飞行器106A和/或第二飞行器106B处于由第一ARTCC 105A监测的区段中时,第一ARTCC 105A可以经由雷达跟踪第一飞行器106A和/或第二飞行器106B。在其它示例中,第一飞行器106A和/或第二飞行器106B可以向第一ARTCC 105A发送(例如,无线发送)数据。在这样的示例中,数据可以包括基于FIXM格式和/或以其它方式具有FIXM格式的一个或更多个数据消息(例如,FIXM消息、FIXM数据消息等)。同样地,在图1中,第二ARTCC 105B与第三飞行器106C和第四飞行器106D进行通信。另选地,与图1中描绘的第一飞行器106A和第二飞行器106B相比,第一ARTCC 105A可以与更少或更多的飞行器进行通信。另选地,与图1中描绘的第三飞行器106C和第四飞行器106D相比,第二ARTCC 105B可以与更少或更多的飞行器进行通信。
在一些示例中,飞行器106A至106D获得和/或以其它方式汇集(aggregate)与飞行器106A至106D相关联的、要向ARTCC 105A至105B中的相应ARTCC发送的关注数据。例如,第一飞行器106A可以标识以下关注数据(例如,飞行器数据、飞行数据等):该关注数据是由第一飞行器106A的计算系统(例如,飞行控制计算机(FCC)、远程电子单元(REU)等)收集、确定和/或以其它方式生成的。在这样的示例中,第一飞行器106A的计算系统可以标识以下飞行器数据:该飞行器数据包括第一飞行器106A的飞行器编号或航班号、第一飞行器106A的品牌和/或型号等。在一些示例中,第一飞行器106A的计算系统可以标识以下飞行器数据:该飞行器数据包括与第一飞行器106A相关联的一个或更多个特征或参数(例如,飞行特征、的飞行参数等),诸如第一飞行器106A的位置或方位(例如,海拔高度、纬度、经度等,和/或这些的组合)、第一飞行器106A的空速、航点信息(例如,前一航点、当前或即时航点、即将到来的航点等)等。
在一些示例中,飞行器106A至106D对飞行器数据进行格式化、打包和/或以其它方式编译为一个或更多个FIXM消息。例如,第一飞行器106A可以基于由第一飞行器106A的计算系统收集、确定和/或以其它方式生成的飞行器数据来生成一个或更多个FIXM消息。在一些示例中,飞行器106A至106D将所述一个或更多个FIXM消息发送至ARTCC 105A至105B中的相应ARTCC,飞行器106A至106D的发送飞行器是与该相应ARTCC进行联系或通信的。例如,由飞行器106A至106D发送至ARTCC 105A至105B的FIXM消息可以对应于ART数据。
在图1所示示例中,ART管理环境100包括示例ART数据系统108,该ART数据系统汇集和/或以其它方式获得来自ARTCC 105A至105B的ART数据。例如,第一ARTCC 105A可以将从第一飞行器106A和第二飞行器106B获得的ART数据发送至ART数据系统108,并且第二ARTCC 105B可以将从第三飞行器106C和第四飞行器106D获得的ART数据发送至ART数据系统108。图1的ART数据系统108可以对应于和/或以其它方式表示从ARTCC 105A至105B收集ART数据的一个或更多个处理器平台。在图1中,ART数据系统108可以对应于由FAA管理的TFM数据服务。
在图1所示示例中,ART管理环境100包括第一示例网络(网络1)110,以促进ART预测系统104、ART数据系统108、第一示例计算系统112或第二示例计算系统114中的至少一个之间的通信(例如,数据的发送和/或接收)。图1所示示例的第一网络110包括是系统范围信息管理(SWIM:System Wide Information Management)网络。SWIM是一项全球空中交通管理(ATM:air traffic management)行业计划,旨在协调所有空域用户和利益相关方的航空、飞行以及天气信息的交换。在FAA内,FAA SWIM程序是一种高级技术程序,该FAA SWIM程序被设计成促进更大程度地共享ATM系统信息,诸如机场运行状态、飞行数据、特殊用途空域的状态、NAS限制、天气信息等。在一些示例中,FAA SWIM程序可以协调和/或以其它方式促进来自美国国家海洋与大气管理局(NOAA:National Oceanic and AtmosphericAdministration)的天气数据的交换。在这样的示例中,可以经由SWIM网络从NOAA收集天气数据,诸如大气压、风速等。在一些示例中,可以将天气数据包括在来自FAA SWIM程序的FIXM消息中,并且可以经由第一网络110获得。在一些示例中,可以将天气数据包括在来自NOAA的不同数据消息中(例如,没有被包括在FIXM消息中),并且可以经由第一网络110获得。
在一些示例中,SWIM网络包括、对应于和/或以其它方式表示多个计算机服务器、网络交换机等,以实现数据共享网络。另外或者另选地,第一网络110可以是互联网。然而,第一网络110可以用任何合适的有线和/或无线网络来实现,例如包括:一个或更多个数据总线、一个或更多个局域网(LAN)、一个或更多个无线LAN、一个或更多个蜂窝网络、一个或更多个专用网络、一个或更多个公用网络等。
在图1所示示例中,ART管理环境100包括第一计算系统112,该第一计算系统基于ART数据来指导航空公司的飞行器编队的运行,其中,所述飞行器编队包括第五飞行器106E。例如,第一计算系统112可以经由第一网络110从ART数据系统108获得ART数据。在一些示例中,第一计算系统112对应于与航空公司相关联的一个或更多个处理器平台。例如,第一计算系统112可以对应于一个或更多个移动装置、平板计算机等,该移动装置、平板计算机等可以被第五飞行器106E的飞行员用来评估要由第五飞行器106E执行的飞行计划。
在一些示例中,第一计算系统112对应于由航空公司控制、管理等的一个或更多个服务器,以指导包括第五飞行器106E的飞行器编队的运行。例如,第一计算系统112可以经由第一网络110获得ART数据,并且基于所获得的ART数据来指导第五飞行器106E的运行。在这样的示例中,第一计算系统112可以基于所获得的ART数据确定第五飞行器106E的飞行计划、基于所获得的ART数据调整第五飞行器106E的飞行计划等。在一些示例中,当第五飞行器106E停放于地面时,第一计算系统112调整第五飞行器106E的飞行计划。在一些示例中,当第五飞行器106E处于执行飞行计划的飞行中时,第一计算系统调整第五飞行器106E的飞行计划。
在图1所示示例中,ART管理环境100包括ART预测系统104,以结合与第一飞行器106A至第六飞行器106F相关联的控制操作来改善飞行器交通管制。在一些示例中,ART预测系统104基于从第一网络110获得的ART数据,确定由ART管理环境100监测的一个或更多个区段的现有交通计数。例如,ART预测系统104可以基于经由第一网络110从ART数据系统108和/或第一网络110获得的多个FIXM消息,来确定指定区段中的飞行器的当前量或瞬时量。
在一些示例中,ART预测系统104确定和/或以其它方式预测在尚未发生的关注时段期间一个或更多个区段的交通计数。例如,ART预测系统104可以提前15分钟、提前1小时、提前1周等来预测可以在区段中飞行的飞行器的数量。
在一些示例中,ART预测系统104响应于对从第一网络110获得的ART数据执行多个ML模型,来确定未来的交通计数。例如,ART预测系统104可以执行多种不同ML模型(例如,不同类型的ML模型),并且基于指定的标准来确定这些不同ML模型中的哪个ML模型实现了最佳性能。例如,ART预测系统104可以使用交叉验证技术来评估不同ML模型的性能。在其它示例中,ART预测系统104可以使用与具有已知交通计数的第一区段相关联的ART数据来执行不同ML模型。在这样的示例中,ML模型中的第一ML模型可以基于以下第一ML模型来进行选择、标识等:该第一ML模型确定具有与已知交通计数匹配或大致接近(例如,在标准偏差内)的值的交通计数,或者在与由其它ML模型生成的交通计数比较时具有最小的错误量。有利地,ART预测系统104可以执行第一ML模型,以针对即将到来的时段、尚未发生的时段、未来时段等来确定所关注区段的交通计数。
在图1所示示例中,ART管理环境100包括ART预测系统104,该ART预测系统经由第二示例网络116向第二计算系统114发送所关注区段的经确定、预测等的交通计数。在一些示例中,第二计算系统114基于由ART预测系统104确定的交通计数来指导航空公司飞行器编队的运行,其中,航空公司飞行器编队包括第六飞行器106F。例如,第二计算系统114可以经由第二网络116从ART预测系统104获得所关注区段的交通计数。在一些示例中,第二计算系统114对应于与航空公司相关联的一个或更多个处理器平台。例如,第二计算系统114可以对应于一个或更多个移动装置、平板计算机等,该移动装置、平板计算机等可以被第六飞行器106F的飞行员用来评估要由第六飞行器106F执行的飞行计划。
在一些示例中,第二计算系统114对应于由航空公司进行控制、管理等的一个或更多个服务器,以指导包括第六飞行器106F的航空公司飞行器编队的运行。例如,第二计算系统114可以经由第二网络116获得多个区段的交通计数,并且基于所获得的交通计数来指导第六飞行器106F的运行。在这样的示例中,第二计算系统114可以基于在第六飞行器106F起飞之前获得的交通计数来确定第六飞行器106F的飞行计划,基于在飞行中时获得的交通计数来调整第六飞行器106F的飞行计划等,和/或这些的组合。
在图1所示示例中,第二网络116是互联网。然而,第二网络116可以使用任何合适的有线和/或无线网络来实现,例如包括:一个或更多个数据总线、一个或更多个LAN、一个或更多个无线LAN、一个或更多个蜂窝网络、一个或更多个专用网络、一个或更多个公用网络等。
图2描绘了包括图1的ART预测系统104的示例实现的示例交通计数确定系统200,该交通计数确定系统200基于从图1的第一网络110获得的示例ART数据222来确定所关注区段的交通计数。在图2所示示例中,ART预测系统104包括:第一示例网络接口202、示例数据库控制器204、第一示例数据库(原始数据库)206、第二示例数据库(预处理的数据库)208以及示例ART预测控制器210。在图2中,ART预测控制器210包括:第二示例网络接口212、示例查询控制器214、示例ART区段服务216、示例区段数据生成器218以及示例图形资源呈现器220。
在图2所示示例中,ART预测系统104包括第一网络接口202,该第一网络接口202从图1的第一网络110获得信息和/或向该第一网络110发送信息。在所示示例中,第一网络接口202实现web服务器,该web服务器经由第一网络110接收和/或以其它方式获得ART数据222。例如,ART数据222可以是由图1的ART数据系统108、图1的ARTCC 105A至105B中的一个或更多个ARTCC、图1的飞行器106A至106F中的一个或更多个飞行器等、和/或这些的组合生成的。在图2中,ART数据222包括一个或更多个示例消息(例如,数据消息、FIXM消息等)223。在图2中,所述一个或更多个消息223中的各个消息包括一个或更多个示例数据字段225,在一些示例中,数据字段225、消息223和/或更一般地ART数据222包括:与第一飞行器106A到第六飞行器106F中的一个或更多个飞行器相关联的飞行器数据、与一个或更多个区段相关联的天气数据或信息、航点信息等。例如,数据字段225中的第一个数据字段可以是包括指示消息类型的数据的首部。在其它示例中,数据字段225中的一个或更多个数据字段可以是包括飞行器数据、天气数据等的有效载荷字段。
在一些示例中,将ART数据222格式化为FIXM消息。例如,消息223可以是FIXM消息,该消息可以使用传输控制协议/互联网协议(TCP/IP)、超文本传输协议(HTTP)等,从第一网络110发送至第一网络接口202。然而,另外或者另选地,可以使用任何其它消息格式和/或协议,举例来说,如文件传输协议(FTP)、简单消息传输协议(SMTP)、HTTP安全(HTTPS)协议等。
在图2所示示例中,ART预测系统104包括数据库控制器204,该数据库控制器204基于ART数据222来生成和/或更新第一数据库206、第二数据库208等。在一些示例中,数据库控制器204通过标识ART数据222中包括的、要被存储在第一数据库206中的所关注的FIXM消息223来生成第一数据库206。例如,由于第一数据库206可以存储FIXM消息223的不变(unaltered)部分或全部,因此第一数据库206可以表示原始数据库或原始ART数据数据库。
在一些示例中,数据库控制器204检查FIXM消息223的首部、确定FIXM消息223的类型(例如,消息类型、对象的类型等),并且基于该类型来确定是否将FIXM消息223存储在第一数据库206中。在这样的示例中,数据库控制器204可以确定:第一FIXM消息具有飞行器对象的第一消息类型、第二FIXM消息具有天气对象的第二消息类型等。例如,飞行器对象可以是包括数据字段225中的一个或更多个数据字段的数据对象,各个数据字段包括飞行器数据,诸如飞行器的航班号、飞行器的位置、飞行器的特征、与飞行器数据或ART数据的生成相对应的时间戳等,和/或这些的组合。在其它示例中,天气对象可以是包括一个或更多个数据字段的数据对象,各个数据字段具有天气数据或天气信息,诸如大气压、湿度、降水量和/或类型(例如,冰雹、雨、雪、雨夹雪等)、风向、风速等,和/或这些的组合。
在一些示例中,数据库控制器204将消息223作为数据库条目存储在第一数据库206中。例如,数据库控制器204可以将第一FIXM消息的一部分和/或全部存储为具有一个或更多个数据库条目字段的第一数据库条目。在这样的示例中,数据库控制器204可以将包括在第一FIXM消息中的航班号存储在第一数据库条目的第一数据库条目字段中。在其它示例中,数据库控制器204可以在第一数据库条目的一个或更多个数据库条目字段中存储出发信息(例如,表示飞行器何时从机场出发或起飞的时间戳)、到达信息(例如,表示飞行器何时到达或降落在机场的时间戳)、飞行器在某一时段期间所处的飞行区段、航点等。仍在其它示例中,数据库控制器204可以在第二数据库条目的第二数据库条目字段中存储其它数据消息(例如,来自NOAA的天气数据消息),该其它数据消息包括大气压、风速等,或者与区段相关联的任何其它类型的天气数据。在这样的示例中,可以经由图1的第一网络110或者与图1的ART管理环境100相关联的任何其它网络获得天气数据消息。
有利地,数据库控制器204可以基于消息类型来标识相关FIXM消息223并将其存储在第一数据库206中,并且通过存储相关FIXM消息223而不是存储并分析可能与所关注区段的飞行器交通管制不相关的额外FIXM消息223,来改善飞行器交通管制。例如,数据库控制器204可以基于FIXM消息223的首部、包括在FIXM消息223中的数据等,来废弃(discard)ART数据222中的一个或更多个FIXM消息223的一部分或全部。
在一些示例中,数据库控制器204是通过以下方式来生成第二数据库208的:基于数据库条目字段对第一数据库206的第一数据库条目进行索引,利用区段信息更新第一数据库条目,基于区段信息生成第二数据库208的第二数据库条目,以及基于区段信息填充第二数据库条目。例如,数据库控制器204可以基于航班号来对被包括在第一数据库206中的第一数据库条目进行索引。在这样的示例中,数据库控制器204可以利用诸如以下项的区段信息来更新第一数据库条目:出发信息、到达信息、飞行区段信息(例如,区段名称或标识符)、航点信息、天气信息等。数据库控制器204可以在第二数据库208中生成第二数据库条目,并且通过第一数据库206中包括的区段名称中的相应区段名称来标识第二数据库条目。
在一些示例中,响应于生成第二数据库条目,数据库控制器204通过将数据从第一数据库206映射至第二数据库208来填充(populate)第二数据库条目,其中,所述数据是与相应区段名称相关联的。例如,数据库控制器204可以将第一数据库条目中的具有第一航班号的一个或更多个第一数据库条目映射至第二数据库条目中的具有第一航班号的一个或更多个第二数据库条目。在这样的示例中,数据库控制器204可以将第一数据库条目中的所述一个或更多个第一数据库条目中所包括的数据,存储在第二数据库条目中的所述一个或更多个第二数据库条目中。在其它示例中,数据库控制器204可以使第二数据库条目中的所填充的第二数据库条目中包括的信息相关。例如,数据库控制器204可以使出发机场、到达机场、飞行器类型、航空公司名称等与区段名称中的对应区段名称相关。有利地,数据库控制器204可以通过以下方式来改善第二数据库208的操作(例如,对第二数据库208进行索引、查询第二数据库208等):与第一数据库206相比,对第二数据库208中所包括的经缩减的数据集执行数据结构化、排序等操作。
在图2所示示例中,ART预测系统104包括数据库206、208,以记录数据(例如,数据字段225、消息223和/或更一般地ART数据222)。可以通过易失性存储器(例如,同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)和/或非易失性存储器(例如,闪速存储器)来实现数据库206、208。另外或者另选地,可以通过一个或更多个双倍数据速率(DDR)存储器(诸如DDR、DDR2、DDR3、DDR4、移动DDR(mDDR)等)来实现数据库206、208。另外或者另选地,可以通过一个或更多个大容量存储装置(诸如硬盘驱动器、光盘驱动器、数字通用盘驱动器、固态盘驱动器等)来实现数据库206、208。虽然在所示示例中,将数据库206、208例示为单个数据库,但是可以通过任何数量和/或类型的数据库来实现数据库206、208。而且,数据库206、208中存储的数据可以采用任何数据格式,举例来说,如二进制、逗号分隔、十六进制、JavaScript对象表示法(JSON)、制表符分隔、结构化查询语言(SQL)、XML等。
在图2所示示例中,ART预测系统104包括ART预测控制器210,该ART预测控制器210执行一个或更多个ML模型来确定所关注区段的交通计数。在图2中,ART预测控制器210包括第二网络接口212,该第二网络接口212经由图1的第二网络116从示例计算装置(例如,处理器平台)226、228、230获得信息和/或向该示例计算装置226、228、230发送信息。在图2中,第二网络接口212实现web服务器,该web服务器接收来自计算装置226、228、230的请求。在图2中,第二网络接口212可以实现web服务器,该web服务器将数据发送至计算装置226、228、230,其中,所述数据可以包括:所关注区段的交通计数、基于交通计数的图形资源呈现、包括交通计数的数据报告、图形资源呈现、对图1的飞行器106A至106F的飞行计划进行调整的推荐等。在图2中,第二网络接口212可以接收和/或发送被格式化为HTTP消息的信息。然而,另外或者另选地,可以使用任何其它消息格式和/或协议,举例来说,如FTP、SMTP、HTTPS协议等。
在图2所示示例中,ART预测控制器210和/或更一般地ART预测系统104从示例主机应用(HOST APP)224检索(retrieve)和/或以其它方式获得在计算装置226、228、230进行操作和/或以其它方式执行的请求。在图2中,主机应用224包括由机器可读指令执行的一个或更多个例程(routine)(例如,软件例程)或程序(例如,软件程序)。例如,主机应用224可以是在标准操作系统(例如,基于WINDOWSTM的操作系统、操作系统、操作系统、ANDROIDTM操作系统、操作系统等)上运行的与飞行器交通管制相关的软件应用。主机应用224是由计算装置226、228、230执行的,以使得用户、航空公司等能够获得与一个或更多个所关注区段相关联的数据或信息。
在图2所示示例中,计算装置226、228、230包括:第一示例计算装置226、第二示例计算装置228以及第三示例计算装置230。在图2中,第一计算装置226是能够经由主机应用224,来促进与ART预测系统104和/或更一般地与ART预测控制器210的交互的启用了互联网的平板电脑(例如,APPLEMICROSOFT等)。例如,第一计算装置226当处于图1的飞行器106A至106F中的一个飞行器上时可以由飞行机组人员使用。
在图2所示示例中,第二计算装置228是启用了互联网的移动手机(例如,智能手机),并由此可以经由主机应用224,来促进与ART预测控制器210和/或更一般地与ART预测系统104的交互。例如,第二计算装置228当处于图1的飞行器106A至106F中的一个飞行器上时可以由飞行机组人员使用。
在图2所示示例中,第三计算装置230是服务器。例如,第三计算装置230可以是物理服务器(例如,机架安装服务器、刀片服务器等)、虚拟服务器(例如,由虚拟硬件资源(例如,虚拟计算资源、虚拟网络资源、虚拟存储资源等)组成的一个或更多个虚拟机)等,和/或这些的组合,并由此可以经由主机应用224,来促进与ART预测控制器210和/或更一般地ART预测系统104的交互。另选地,与图2所描绘的计算装置226、228、230相比,ART预测系统104可以促进与更少或更多的量和/或类型的计算装置的交互。
尽管将图1的主机应用224描绘为在计算装置226、228、230中的各个计算装置上是相同的,但是另选地,可以基于对应平台来特制和/或以其它方式定制主机应用224。例如,在第一计算装置226上执行的主机应用224可以与在第二计算装置228上执行的主机应用224不同。在这样的示例中,主机应用224可以具有与对应平台进行互操作的不同用户接口、不同通信驱动程序、不同应用编程接口(API)等。
在图2所示示例中,ART预测控制器210包括查询控制器214,该查询控制器214基于从第二网络116获得的请求、查询等,来生成针对ART预测控制器210的命令(例如,机器可读命令)、方向(例如,机器可读方向)、指令(例如,机器可读指令)等。在一些示例中,查询控制器214基于来自第一计算装置226的主机应用224的第一请求,来生成针对第二数据库208的查询,其中,第一请求是要在接近当前(near-current)或即时(instant)时段期间获得第一区段的第一交通计数。在这样的示例中,响应于该查询,第二数据库208可以向查询控制器214发送要向第一计算装置226发送的第一交通计数。
在一些示例中,查询控制器214基于来自第一计算装置226的主机应用224的第二请求,来生成第一命令,其中,第二请求是要在未来时段期间获得第一区段的第一交通计数。在这样的示例中,查询控制器214可以经由第一命令调用ART区段服务216以执行ML模型,从而确定第一交通计数。
在一些示例中,查询控制器214针对来自计算装置226、228、230的交通计数请求,来配置一个或更多个请求参数。在这样的示例中,查询控制器214可以基于请求来标识请求参数,诸如区段名称、时间分段或时间范围、区段输出类型等。例如,区段输出类型可以是所关注时段期间某一区段的区段计数、诸如表示所关注时段期间某一区段的平均区段计数的平均区段计数的区段计数参数、所关注时段期间某一区段的预测区段数等。
在一些示例中,查询控制器214基于来自第二计算装置228的主机应用224的第三请求,来生成的命令,其中,第三请求是要获得呈现多个区段的交通计数的图形资源。在这样的示例中,查询控制器214可以经由第二命令调用图形资源呈现器呈现器220,以生成呈现所述多个区段的交通计数的图形资源。
在图2所示示例中,ART预测控制器210包括ART区段服务216,该ART区段服务216通过执行一个或更多个ML模型,来确定和/或以其它方式预测所关注区段的交通计数。在一些示例中,ART区段服务216包括和/或以其它方式表示一个或更多个服务(例如,微服务、容器化应用(例如,虚拟容器)等),该服务在被执行时,可以执行指定的计算任务。例如,ART区段服务216可以包括第一服务,该第一服务从第二数据库208获得交通计数。在其它示例中,ART区段服务216可以包括第二服务,该第二服务基于ART数据222对一个或更多个ML模型进行训练、基于ART数据222执行所述一个或更多个ML模型等。仍在其它示例中,ART区段服务216可以包括:第三服务,该第三服务配置区段计数操作(例如,确定待处理的区段、要结合区段进行处理的ART数据222的时间范围等);确定交通计数的第四服务;第五服务,该第五服务确定与交通计数相相关联的参数或统计(例如,空域区段计数参数、空域交通计数参数、区段计数参数、交通计数参数等);预测未来的交通计数的第六服务等。
在一些示例中,ART区段服务216、ART预测控制器210和/或更一般地ART预测系统104是可以通过虚拟硬件资源来实现和/或以其它方式执行的。例如,可以在云计算平台上部署和/或以其它方式托管ART区段服务216。在这样的示例中,ART区段服务216可以使用以下虚拟资源来执行:虚拟计算资源(例如,物理中央处理单元(CPU)的虚拟化)、虚拟存储资源(例如,物理存储器、硬盘驱动器、固态磁盘驱动器等的虚拟化)、虚拟网络资源(例如,网络交换机、网络路由器、花键开关(spline switch)、机架式交换机、边缘网关等的虚拟化)等,和/或这些的组合。
在图2所示示例中,ART预测控制器210包括区段数据生成器218,该区段数据生成器218把要发送至计算装置226、228、230的主机应用224的区段数据进行打包。在一些示例中,区段数据生成器218获得来自ART区段服务216的交通计数、来自图形资源呈现器220的图形资源呈现等。在这样的示例中,区段数据生成器218可以将交通计数、图形资源呈现等封装和/或以其它方式转换成可由计算装置226、228、230中的请求计算装置读取的数据格式。例如,第一计算装置226可能需要从ART预测控制器210和/或更一般地ART预测系统104获得的数据是采用第一数据格式的,而第三计算装置230可能需要所获得的数据是采用与第一数据格式不同的第二数据格式的。
在一些示例中,区段数据生成器218基于交通计数,来生成对飞行器的飞行计划进行调整的推荐。例如,区段数据生成器218可以确定在某一时段期间某一区段的交通满足阈值(例如,阈值的值),该阈值表示在该时段期间要在该区段中飞行的飞行器的经建议、预定等的最大量。
在一些示例中,区段数据生成器218可以在第一时段获得第一区段的第一预测交通计数和第二区段的第二预测交通计数(例如,从ART区段服务216),其中,所述预测交通计数是针对第一时段之后的第二时段的。区段数据生成器218可以确定:在第二时段,将第一区段预测为具有第一交通计数100,将第二区段预测为具有第二交通计数50,其中,阈值的值为75。区段数据生成器218可以将第一交通计数和第二交通计数与阈值的值进行比较。
响应于确定第一交通计数大于阈值的值并由此满足该阈值的值,区段数据生成器218可以确定生成在第二时段期间飞行器从第一区段转移的推荐(recommendation)。例如,区段数据生成器218可以生成以下推荐:将飞行器的包括第一区段的飞行计划调整成该飞行器的包括第二区段的新的飞行计划。在这样的示例中,区段数据生成器218可以将该推荐发送至计算装置226、228、230中的一个计算装置。响应于获得该推荐,计算装置226、228、230可以指令处于地面上、飞行中等的具有包括第一区段的飞行计划的飞行器在第二时段期间重定向至第二区段。有利地,区段数据生成器218和/或更一般地ART预测系统104可以通过基于所预测的交通计数,预测未来的交通计数并调整飞行计划来避开拥塞的区段,从而减轻区段拥塞。
在图2所示示例中,ART预测控制器210包括图形资源呈现器220,该图形资源呈现器220为与计算装置226、228、230相关联的管理员、用户等生成可视数据。例如,图形资源呈现器220可以生成图形、标绘图、表格等,或者生成可以被呈现成数据的图形表示的任何其它类型的图形图像或数据。在这样的示例中,图形资源呈现器220可以生成机器可读指令,该机器可读指令在由计算装置226、228、230中的一个计算装置执行时,可以在计算装置226、228、230中的该计算装置的显示器、用户界面等上生成所请求的数据的图形表示。
虽然在图2中例示了实现图1的ART预测系统104的示例方式,但是图2所例示的要素、处理和/或装置中的一个或更多个要素、处理和/或装置可以按任何其它方式来进行组合、划分、重新排列、省略、消除和/或实现。此外,第一示例网络接口202、示例数据库控制器204、第一示例数据库206、第二示例数据库208、示例ART预测控制器210、第二示例网络接口212、示例查询控制器214、示例ART区段服务216、示例区段数据生成器218、示例图形资源呈现器220和/或更一般地图1的示例插入机会分析器104可以通过硬件、软件、固件和/或硬件、软件和/或固件的任何组合来实现。由此,例如,第一示例网络接口202、示例数据库控制器204、第一示例数据库206、第二示例数据库208、示例ART预测控制器210、第二示例网络接口212、示例查询控制器214、示例ART区段服务216、示例区段数据生成器218、示例图形资源呈现器220和/或更一般地示例插入机会分析器104中的任一个可以由一个或更多个模拟或数字电路、逻辑电路、可编程处理器、可编程控制器、图形处理单元(GPU)、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑装置(PLD)和/或现场可编程逻辑装置(FPLD)来实现。当将本专利的设备或系统权利要求中的任一项理解成覆盖纯软件和/或固件实现时,第一示例网络接口202、示例数据库控制器204、第一示例数据库206、第二示例数据库208、示例ART预测控制器210、第二示例网络接口212、示例查询控制器214、示例ART区段服务216、示例区段数据生成器218和/或示例图形资源呈现器220中的至少一个由此被明确地限定成包括:包括软件和/或固件的非暂时性计算机可读存储装置或存储盘,诸如存储器、数字万用盘(DVD)、光盘(CD)、Blu-ray盘等。更进一步地,图1的示例ART预测系统104除了图2所例示的要素、处理和/或装置以外或者代替图2所例示的要素、处理和/或装置地,还可以包括一个或更多个其它的要素、处理和/或装置,和/或可以包括任何或全部所例示的要素、处理以及装置中的一个以上。如本文所用,短语“在通信中”(包括其变体)涵盖直接通信和/或通过一个或更多个中间组件的间接通信,并且不需要直接的物理(例如,有线)通信和/或持续通信,而是另外包括以周期性间隔、计划的间隔、非周期性间隔和/或一次性事件的选择性通信。
图3是图2的数据库控制器204的示例实现。在一些示例中,数据库控制器204生成第一数据库206和第二数据库208。在一些示例中,数据库控制器204将图2的ART数据222中包括的图2的消息223(例如,FIXM消息)中的多部分和/或全部确定为存储在第一数据库206或第二数据库208中的至少一个数据库中。在图3所示示例中,数据库控制器204包括:示例数据提取器310、示例索引生成器320、示例数据映射器330、示例数据相关器340以及示例交通计数生成器350。
在图3所示示例中,数据库控制器204包括数据提取器310,该数据提取器将图2的ART数据222中包括的关注信息标识为存储在第一数据库206中。在一些示例中,数据提取器310将所标识的关注信息存储为第一数据库206中的数据库条目。例如,数据提取器310可以在第一数据库206中,将第一FIXM消息(例如,消息223中的第一消息)存储为第一数据库条目、将第二FIXM消息(例如,消息223中的第二消息)存储为第二数据库条目、将第三FIXM消息(例如,消息223中的第三消息)的第一部分(例如,数据字段225中的一个或更多个数据字段)存储为第三数据库条目、将第四FIXM消息(例如,消息223中的第四消息)的第二部分(例如,数据字段225中的一个或更多个数据字段)和第三部分(例如,数据字段225中的一个或更多个数据字段)存储为第四数据库条目等。
在一些示例中,数据提取器310基于一组一个或更多个规则(例如,检查规则、存储规则等)来评估ART数据222。在一些示例中,数据提取器310对消息223进行解析,以标识数据字段225中的一个或更多个数据字段。在一些示例中,数据提取器310检查数据字段225中的第一数据字段、将数据字段225中的第一数据字段的值与一个或更多个规则进行比较,并且基于该比较来确定所述值是否违反所述一个或更多个规则中的一个规则。
在一些示例中,数据提取器310基于所述一个或多个消息223与一个或多个规则的比较,来存储消息223中的一个或更多个消息的全部。例如,数据提取器310可以检查消息223中所包括的第一FIXM消息,该第一FIXM消息包括数据字段225中的第一数据字段、第二数据字段以及第三数据字段。在这样的示例中,响应于确定没有数据字段违反规则,数据提取器310可以将第一FIXM消息存储在第一数据库206中。
在一些示例中,数据提取器310基于该比较废弃整个第一FIXM消息。例如,数据提取器310可以确定第一数据字段是第一FIXM消息的首部,并且该首部包括表示第一消息类型的数据。在这样的示例中,数据提取器310可以将第一消息类型与指示废弃具有第一消息类型的整个FIXM消息的规则进行比较。
在一些示例中,数据提取器310基于该比较废弃FIXM消息的一部分。例如,数据提取器310可以确定第二数据字段是第一有效载荷数据字段,并且第一有效载荷数据字段包括表示第一类型的飞行器的数据。在这样的示例中,数据提取器310可以将第一飞行器类型与指示废弃与第一飞行器类型相关联的有效载荷数据字段的规则进行比较。
在一些示例中,数据提取器310在存储FIXM消息的第二部分的同时废弃该FIXM消息的第一部分。例如,数据提取器310可以基于第一有效载荷数据字段违反规则来废弃第一有效载荷数据字段。在这样的示例中,数据提取器310可以确定第三数据字段是第二有效载荷数据字段,并且第二有效载荷数据字段包括表示与第一区段相关联的天气信息的数据。在这样的示例中,数据提取器310可以将第一区段与指示存储与第一区段相关联的有效载荷字段的规则进行比较。在其它示例中,数据提取器310可以将第一区段与指示废弃与第二区段相关联的有效载荷字段的不同规则进行比较,该第二区段不同于第一区段。在这样的示例中,数据提取器310可以存储与第一区段相关联的有效载荷,并废弃与第二区段相关联的有效载荷。
在图3所示示例中,数据库控制器204包括索引生成器320,该索引生成器320对第一数据库206或第二数据库208中的至少一个数据库进行索引。在一些示例中,数据提取器310在第一数据库206中存储基于ART数据222的多个第一数据库条目。在这样的示例中,索引生成器320可以基于第一数据库条目中所包括的数据字段来对第一数据库条目进行索引。例如,索引生成器320可以基于航班号、区段名称或标识符等来对第一数据库条目进行索引。有利地,索引生成器320可以通过减少执行对第一数据库206的查询的读取访问(例如,由存储盘或存储装置访问的)的数量,来优化和/或以其它方式改善第一数据库206的性能。
在一些示例中,索引生成器320基于第一数据库206中的第一数据库条目,在第二数据库208中生成第二数据库条目。例如,索引生成器320可以确定通过航班号进行索引的在第一数据库206中存储的第一数据库条目。在这样的示例中,索引生成器320可以基于航班号生成第二数据库条目。例如,索引生成器320可以针对在第一数据库206中索引的航班号中的各个航班号,而在第二数据库208中生成数据库条目。在这样的示例中,第二数据库208中的所生成的数据库条目中的各个数据库条目可以包括存储航班号的数据库条目字段。例如,索引生成器320可以进行如下操作:(1)在第一数据库条目中的一个第一数据库条目中标识航班号1201,以及(2)在第二数据库208中生成具有包括航班号1201的数据库条目字段的数据库条目。
在图3所示示例中,数据库控制器204包括数据映射器330,该数据映射器330将第一数据库206中存储的第一数据库条目中所包括的数据与第二数据库208中存储的第二数据库条目相关联。在一些示例中,数据映射器330通过基于数据库条目字段将第一数据库条目中的一个或更多个第一数据库条目映射至第二数据库条目中的一个或更多个第二数据库条目,来填充第二数据库条目。例如,数据映射器330可以标识如下各项:(1)包括表示航班号1201的数据库条目字段的第一组第一数据库条目,以及(2)包括表示航班号1201的数据库条目字段的第二组第二数据库条目。
在一些示例中,响应于所述标识,数据映射器330在第二组中存储第一组中所包括的数据的一部分和/或全部。例如,数据映射器330可以标识第一数据库206中的第一数据库条目,其中,第一数据库条目具有三个数据字段,其中,这三个数据字段中的一个数据字段包括航班号1201。在这样的示例中,数据映射器330可以标识第二数据库208中的第二数据库条目,其中,第二数据库条目具有包括航班号1201的数据字段。响应于标识第二数据库条目,数据映射器330可以将第一数据库条目的第二数据库条目字段和第三数据库条目字段存储为第二数据库条目的第二数据库条目字段和第三数据库条目字段。
在图3所示示例中,数据库控制器204包括数据相关器340,该数据相关器340使第一数据库206或第二数据库208中的至少一个数据库内部的数据相关,以确定区段信息。在一些示例中,区段信息包括标识区段的区段名称。在一些示例中,区段信息包括表示飞行器何时进入区段的飞行器(例如,图1的飞行器106A至106F)的区段进入时间。在一些示例中,区段信息包括表示飞行器何时离开区段的飞行器的区段离开时间。在一些示例中,数据相关器340通过标识第二数据库208中存储的、与区段相关联的数据库条目来确定区段信息。例如,数据相关器340可以通过在第二数据库208中标识与第一区段相对应的第一区段名称来确定处理所关注的第一区段。数据相关器340可以通过基于区段信息使第二数据库208的数据库条目中包括的数据相关,来标识图1的飞行器106A至106F中的、已经进入和/或离开第一区段的一个或更多个飞行器。
在图3所示示例中,数据库控制器204包括交通计数生成器350,该交通计数生成器350基于第二数据库208中包括的数据库条目来确定交通计数。在一些示例中,交通计数生成器350基于相关的数据(例如,由数据相关器340确定的第二数据库条目中所包括的对应区段进入时间和/或区段离开时间),来确定在关注时段内处于第一区段的飞行器106A至106F的量。有利地,交通计数生成器350可以基于以下区段进入时间和区段离开时间来确定所关注区段和关注时段的交通计数:该区段进入时间和区段离开时间是响应于基于区段信息使内部数据库条目与第二数据库208相关而标识出的。
虽然在图3中例示了实现图2的数据库控制器204的示例方式,但图3所例示的要素、处理和/或装置中的一个或更多个要素、处理和/或装置可以按任何其它方式来进行组合、划分、重新排列、省略、消除和/或实现。此外,示例数据提取器310、示例索引生成器320、示例数据映射器330、示例数据相关器340、示例交通计数生成器350和/或更一般地图2的示例数据库控制器204可以通过硬件、软件、固件和/或硬件、软件和/或固件的任何组合来实现。因此,例如,示例数据提取器310、示例索引生成器320、示例数据映射器330、示例数据相关器340、示例交通计数生成器350和/或更一般地示例数据库控制器204中的任一个可以由一个或更多个模拟或数字电路、逻辑电路、可编程处理器、可编程控制器、GPU、DSP、ASIC、PLD和/或FPLD来实现。当将本公开的设备或系统权利要求中的任一项理解成覆盖纯软件和/或固件实现时,示例数据提取器310、示例索引生成器320、示例数据映射器330、示例数据相关器340和/或示例交通计数生成器350中的至少一个由此被明确地限定成包括:包括软件和/或固件的非暂时性计算机可读存储装置或存储盘,诸如存储器、DVD、CD、Blu-ray盘等。更进一步地,图2的示例数据库控制器除了图3所例示的要素、处理和/或装置以外或者代替图3所例示的要素、处理和/或装置地,还可以包括一个或更多个其它的要素、处理和/或装置,和/或可以包括任何或全部所例示的要素、处理以及装置中的一个以上。
图4是图2的ART区段服务216的示例实现。在一些示例中,ART区段服务216可以对应于以下服务:该服务在被执行时可以使用物理和/或虚拟硬件资源来执行计算任务。在一些示例中,ART区段服务216执行ML模型,以确定该ML模型在针对已经发生的时段确定所关注区段的交通计数方面的准确度。在一些示例中,ART区段服务216训练(例如,基于新的传入ART数据迭代地训练)所述ML模型中的一个或更多个ML模型,来提高所述一个或更多个ML模型的准确度,以针对尚未发生的时段来预测和/或以其它方式确定所关注区段的交通计数。在图4所示示例中,ART区段服务216包括表示服务(例如,微服务),诸如示例数据库接口410、示例ML控制器420、示例交通计数确定器430、示例交通计数预测器440、示例区段参数确定器450以及包括示例ML模型470的示例ART区段服务数据库460。
在图4所示示例中,ART区段服务216包括数据库接口410以促进对图2的第二数据库208的查询。在一些示例中,数据库接口410基于来自图2的主机应用224的请求,向第二数据库208发送针对先前时段所关注区段的交通计数的查询。在这样的示例中,响应于该查询,数据库接口410可以从第二数据库208获得与交通计数相对应的数据库条目、数据库条目的数据库条目字段等。
在图4所示示例中,ART区段服务216包括ML控制器420,该ML控制器420执行和/或训练一个或更多个ML模型。在一些示例中,ML控制器420执行和/或训练一个或更多个ML模型,包括:一个或更多个回归ML模型、一个或更多个非线性回归ML模型、一个或更多个整体回归ML模型、一个或更多个神经网络(例如,CNN、DNN、RNN等)等,和/或这些的组合。
在一些示例中,ML控制器420基于和/或以其它方式使用学习数据(例如,学习数据集)、训练数据(例如,训练数据集)等,来执行和/或训练一个或更多个ML模型。在一些示例中,ML控制器420基于对从第二数据库208获得的包括交通计数的区段信息进行分析、评估等,来确定学习数据、训练数据等。ML控制器420可以获得针对先前时段所关注区段的交通计数,因此,交通计数可以对应于已知的和/或以其它方式先前确定的交通计数。
在一些示例中,ML控制器420可以通过从要用于训练数据的区段信息中删掉和/或以其它方式去除异常区段信息,来确定训练数据。例如,ML控制器420可以选择待处理的关注时间范围(例如,一天中的表示中央标准时间上午8:00-8:15的三十秒钟时间分段或任何其它时间分段)。ML控制器420可以确定在所选择的时间范围内包括在区段信息中的各个区段的交通计数。例如,ML控制器420可以确定在所述30秒钟时间分段内,第一区段的第一交通计数、第二区段的第二交通计数等。在这样的示例中,第一交通计数、第二交通计数等是已知的交通计数(例如历史交通计数)。
在一些示例中,ML控制器420基于交通计数确定阈值的值。例如,ML控制器420可以确定交通计数的平均值、中值等,并将交通计数与平均值、中值等进行比较。在这样的示例中,ML控制器420可以将交通计数与阈值的值进行比较,并确定是否将与交通计数相关联的区段信息标识为训练数据。例如,ML控制器420可以基于比较,将与第一区段相关联的第一区段信息标识为训练数据、将与第二区段相关联的第二区段信息标识为非训练数据等。在这样的示例中,ML控制器420可以基于比较,确定第一区段的第一交通计数不大于阈值的值,、第二区段的第二交通计数大于阈值的值等。有利地,ML控制器420可以标识与典型的区段行为(例如,区段密度行为)不对应的区段信息,并且可以拒绝、去除和/或以其它方式废弃这样的区段信息,以使不被包括在用于对一个或更多个ML模型进行训练的训练数据中。
在一些示例中,ML控制器420通过使用交叉验证(例如,k折交叉验证、分层k折交叉验证、留一交叉验证等),来评估一个或更多个ML模型。例如,ML控制器420可以在可用输入数据的子集(例如,第二数据库208中包括的数据)上训练若干ML模型,并在该数据的互补子集上评估ML模型。ML控制器420可以使用交叉验证来检测过度拟合(例如,无法归纳模式)。
在一些示例中,ML控制器420使用k折交叉验证来评估ML模型。例如,ML控制器420可以将输入数据分割或划分成数据的k个子集或k个组(也称为k折)。在这样的示例中,ML控制器420可以在除了一个(例如,k-1)的所有子集上训练ML模型,然后基于未用于训练的子集来评估ML模型。例如,可以将k-1个组用作训练数据集,并且可以将剩余的组作为测试数据集。
ML控制器420可以重复k次评估处理,并且每次保留不同的子集用于测试或评估(并且从训练中排除)。ML控制器420可以在训练集上拟合模型,并且在测试集上评估该模型,以计算和/或以其它方式确定得分(例如,交叉验证得分、评估得分等)。ML控制器420可以基于交叉验证来确定这些ML模型中的各个ML模型的得分。在一些示例中,ML控制器420基于在所有k次运行期间这些ML模型中的具有最高总得分的ML模型、在所有k次运行期间所述ML模型中的具有最高平均得分的ML模型等,来选择要训练的ML模型。
在一些示例中,ML控制器420通过使用历史或先前获得的ART数据对一个或更多个待训练ML模型的执行进行评估,来标识所述一个或更多个ML模型。在这样的示例中,ML控制器420可以使用所确定的确定训练数据来训练所标识的ML模型。在一些示例中,当基于包括已知交通计数的历史ART数据确定交通计数时,ML控制器420可以通过确定这些ML模型中的正被评估的哪个ML模型生成最小量的误差,来标识要训练的ML模型。
例如,可以将图2的ART数据222与具有在过去的时段内已知的第一交通计数的区段相关联。ML控制器420可以在ART数据222上执行多个ML模型以生成交通计数。ML控制器420可以将所生成的交通计数和与历史ART数据相关联的已知交通计数进行比较。基于该比较,ML控制器420可以标识这些ML模型中的要训练的一个ML模型,并随后执行预测针对未来时段的交通计数。例如,ML控制器420可以响应于确定这些ML模型中的第一ML模型确定了以下交通计数来标识该第一ML模型:所述交通计数在与由不同ML模型生成的交通计数比较时,具有最小量的误差。在一些示例中,ML控制器420可以将标识出的ML模型编译为一个或更多个机器或计算机可读的可执行文件,并且将所述一个或更多个机器或计算机可读的可执行文件存储在ART区段服务数据库中作为ML模型470。
在图4所示示例中,ART区段服务216包括交通计数确定器430,该交通计数确定器430基于图2的ART数据222,确定某一时段期间某一区段的交通计数。在一些示例中,交通计数确定器430基于历史ART数据确定区段的交通计数。例如,交通计数确定器430可以基于已经被处理并存储在第二数据库208中的ART数据222,来确定针对已经发生的时段的交通计数。在一些示例中,交通计数确定器430确定所关注区段的当前或基本瞬时的交通计数。例如,交通确定器430可以确定在当前或基本即时的时段期间位于针对区段和/或以其它方式在指定区段中飞行的飞行器的量。
在图4所示示例中,ART区段服务216包括交通计数预测器440,该交通计数预测器440预测和/或以其它方式确定在未来时段期间某一区段的交通计数。在一些示例中,交通计数预测器440执行ML模型470中的一个ML模型以确定交通计数。例如,交通计数预测器440可以执行经训练的RNN,以针对即将到来的关注时段确定所关注区段的交通计数。
在图4所示示例中,ART区段服务216包括区段参数确定器450,该区段参数确定器450基于所确定的交通计数,来计算和/或以其它方式确定与所关注区段相关联的统计或其它度量。例如,区段参数确定器450可以确定一个或更多个区段的交通计数的、包括平均值、模式、范围等的度量。在其它示例中,区段参数确定器450可以基于所述度量和/或更一般地所确定的交通计数来确定趋势。例如,区段参数确定器450可以基于先前的时段来确定区段正变得越来越拥塞。在其它示例中,区段参数确定器450可以基于所预测的交通计数,来预测在一个或更多个未来时段内区段将变得拥塞。
在一些示例中,区段参数确定器450配置和/或以其它方式确定可以由图2的区段数据生成器218使用的阈值。例如,区段参数确定器450可以基于以下项中的至少一个来确定针对未来时段所关注区段中的相应关注区段的阈值的值:(1)在未来时段期间,所述多个飞行器106A至106F的第一飞行计划;(2)在未来时段期间与所关注区段相关联的天气信息;或者(3)包括在先前时段、历史时段、所述未来时段之前的时段等期间,与所述区段相关联的第二飞行计划和第二天气信息中的至少一者的历史信息。有利地,区段参数确定器450可以基于第二数据库208中存储的信息、由ML模型470预测的交通计数等,和/或这些的组合,来针对未来时段动态地调整所关注区段中的相应关注区段的阈值的值。
在图4所示示例中,ART区段服务216包括ART区段服务数据库460,该ART区段服务数据库460记录和/或以其它方式存储机器可读的可执行文件(例如,ML模型470、学习数据、训练数据等)。可以通过易失性存储器(例如,SDRAM、DRAM、RDRAM等)和/或非易失性存储器(例如,闪速存储器)来实现ART区段服务数据库460。另外或者另选地,可以通过一个或更多个DDR存储器(诸如DDR、DDR2、DDR3、DDR4、mDDR等)来实现ART区段服务数据库460。另外或者另选地,可以通过一个或更多个大容量存储装置(诸如硬盘驱动器、光盘驱动器、数字通用盘驱动器、固态盘驱动器等)来实现ART区段服务数据库460。虽然在所示示例中,将ART区段服务数据库460例示为单个数据库,但是可以通过任何数量和/或类型的数据库来实现ART区段服务数据库460。而且,ART区段服务数据库460中的机器可读的可执行文件可以采用任何数据格式,举例来说,如二进制、逗号分隔、十六进制、JSON、制表符分隔、SQL、XML等。
在图4所示示例中,ART区段服务数据库460包括ML模型470,该ML模型470通过图2的主机应用224和/或更一般地图2的计算装置226、228、230来确定所请求的区段的交通计数。在图4中,ML模型470可以包括一个或更多个经训练的ML模型。例如,ML模型470可以包括和/或以其它方式对应于一个或更多个经训练的回归ML模型、一个或更多个经训练的非线性回归ML模型、一个或更多个经训练的整体集成回归ML模型、一个或更多个经训练的神经网络(例如,CNN、DNN、RNN等)等,和/或这些的组合。在一些示例中,将ML模型470被存储为机器或计算机可读的可执行文件。例如,ML模型470可以是一个或更多个二进制文件、一个或更多个可执行文件等。
虽然在图4中例示了实现图2的ART区段服务216的示例方式,但是图4所例示的要素、处理和/或装置中的一个或更多个要素、处理和/或装置可以按任何其它方式来进行组合、划分、重新排列、省略、消除和/或实现。此外,示例数据库接口410、示例ML控制器420、示例交通计数确定器430、示例交通计数预测器440、示例区段参数确定器450、示例ART区段服务数据库460、示例ML模型470和/或更一般地图2的示例ART区段服务216可以通过硬件、软件、固件和/或硬件、软件和/或固件的任何组合来实现。因此,例如,示例数据库接口410、示例ML控制器420、示例交通计数确定器430、示例交通计数预测器440、示例区段参数确定器450、示例ART区段服务数据库460、示例ML模型470和/或更一般地图2的示例ART区段服务216中的任一个可以由一个或更多个模拟或数字电路、逻辑电路、可编程处理器、可编程控制器、GPU、DSP、ASIC、PLD和/或FPLD来实现。当将本公开的设备或系统权利要求中的任一项理解成覆盖纯软件和/或固件实现时,示例数据库接口410、示例ML控制器420、示例交通计数确定器430、示例交通计数预测器440、示例区段参数确定器450、示例ART区段服务数据库460和/或示例ML模型470中的至少一个由此被明确地限定成包括:包括软件和/或固件的非暂时性计算机可读存储装置或存储盘,诸如存储器、DVD、CD、Blu-ray盘等。更进一步地,图2的示例ART区段服务216除了图4所例示的要素、处理和/或装置以外或者代替图4所例示的要素、处理和/或装置地,还可以包括一个或更多个其它的要素、处理和/或装置,和/或可以包括任何或全部所例示的要素、处理以及装置中的一个以上。
图5描绘了由图2和/或图3的数据库控制器204生成的示例数据库条目500。在图5中,数据库条目500可以对应于图2的第二数据库208中存储的数据库条目中的一个数据库条目。在图5中,数据库条目500表示针对关注时段(例如,15分钟、1小时、1天、1周等的时间分段)与一个区段相关联的区段信息。例如,数据库条目500可以表示针对24小时的时段由NAS管理的第一区段。在图5中,数据库条目500包括:包括和/或以其它方式表示所存储数据的描述的键值字段、包括和/或以其它方式表示所存储数据的值字段、以及包括和/或以其它方式表示所存储数据的数据类型的类型字段。在图5中,数据库条目500是由数据库标识符“ZNYNC1”进行标识的,并且数据库条目500具有文档数据类型。例如,数据库条目500可以是文档、数据库文档等。
在图5所示示例中,数据库条目500包括至少七个示例数据库条目字段502、504、506、508、510、512、514,包括:第一示例数据库条目字段502、第二示例数据库条目字段504、第三示例数据库条目字段506、第四示例数据库条目字段508、第五示例数据库条目字段510、第六示例数据库条目字段512以及第七示例数据库条目字段514。另选地,数据库条目500可以具有比图5中描绘的更少或更多的数据库条目字段。
在图5所示示例中,数据库条目500包括被描述为“_id”的第一数据库条目字段502,该第一数据库条目字段502存储数据库标识符(例如,数据库条目标识符)。在图5中,数据库标识符表示示例区段名称(例如,飞行区段名称)。另选地,数据库标识符可以表示航班号、飞行器类型等。在图5中,第一数据库条目字段502具有字符串数据类型。在图5中,第一数据库条目字段502具有值“ZNYNC1”,该值表示与被标识为“ZNYNC1”的区段相对应的数据库条目500。
在图5所示示例中,数据库条目500包括被描述为“art:flightInList”的第二数据库条目字段504,该第二数据库条目字段504存储航班号阵列。在图5中,航班量阵列包括多个要素或者以下飞行器的飞行器航班号(例如,图1的第一飞行器106A的航班号、第二飞行器106B的航班号等):该飞行器已经进入、离开和/或以其它方式越过与数据库条目500相关联的区段。在图5中,第二数据库条目字段504具有阵列数据类型。在图5中,第二数据库条目504具有值“2770”,该值表示已经进入或者离开ZNYNC1区段的2770个要素或者2770个不同或唯一的航班号。
在图5所示示例中,数据库条目500包括被描述为“art:departureTimelist”的第三数据库条目字段506,该第三数据库条目字段506存储出发时间阵列。在图5中,出发时间阵列包括多个要素或者以下飞行器的出发时间(例如,图1的第一飞行器106A的出发时间、第二飞行器106B的出发时间等):该飞行器已经进入和/或离开与数据库条目500相关联的区段。例如,出发时间可以采用协调世界时(UTC:Coordinated Universal Time)格式。在图5中,第三数据库条目字段506具有阵列数据类型。在图5中,第三数据库条目506具有值“2770”,该值“2770”表示已经进入或者离开ZNYNC1区段的飞行器的2770个要素或者2770个出发时间。在一些示例中,出发时间与第二数据库条目字段504中的要素一一(1:1)对应。例如,第二数据库条目字段504中的第一阵列元可以对应于第三数据库条目字段506中的第一阵列元。
在图5所示示例中,数据库条目500包括被描述为“art:timeBuckets”的第四数据库条目字段508,该第四数据库条目字段508存储关注时段的时间分段的量。在图5中,第四数据库条目字段508包括多个离散化时间元或时间分段。在图5中,第四数据库条目字段508具有阵列数据类型。在图5中,第四数据库条目508具有表示1440个时间分段的值“1440”。例如,第四数据库条目字段508可以表示一天中的一分钟时间分段的量(例如,每天1400个一分钟时间分段=(每小时60分钟)×(每天24小时))。在其它示例中,第四数据库条目字段508可以表示不同的时间分段大小,诸如5分钟的时间分段、15分钟的时间分段、1小时的时间分段等。
在图5所示示例中,数据库条目500包括被描述为“art:dailyCount”的第五数据库条目字段510,该第五数据库条目字段510存储每日计数值。在图5中,每日计数值表示在一天、24时段等期间已经进入和/或离开被标识为“ZNYNC1”的区段的飞行器的示例量。另选地,每日计数值可以对应于不同的时段,诸如1小时、1周等。在图5中,第五数据库条目字段510具有整数数据类型。在图5中,第五数据库条目字段510具有值“2770”,该值表示已经进入或离开被标识为“ZNYNC1”的区段的总计2770个飞行器。
在图5所示示例中,数据库条目500包括被描述为“art:version”的第六数据库条目字段512,该第六数据库条目字段512存储数据库条目版本。在图5中,数据库条目版本表示数据库条目500的迭代、版本等。在图5中,第六数据库条目字段512具有整数数据类型。在图5中,第六数据库条目字段512具有表示数据库条目500的第三版本的值“3”。例如,数据库控制器204可以响应于利用新ART数据更新数据库条目500,将版本从“3”递增至“4”。在这样的示例中,数据库控制器204可以响应于向第二数据库条目字段504、第三数据库条目字段506等添加一个或更多个要素来递增版本。
在图5所示示例中,数据库条目500包括被描述为“art:msgType”的第七数据库条目字段514,该第七数据库条目字段514存储消息类型。例如,该消息类型可以基于消息223的类型。在这样的示例中,该消息类型可以基于数据字段225的首部数据字段中所包括的消息类型。在图5中,消息类型表示数据库条目500的类型。例如,消息类型可以是表示与所关注区段相关联的数据的区段计数(sectorCOUNT)、天气类型等。在图5中,第七数据库条目字段514具有字符串数据类型。在图5中,第七数据库条目字段514具有值“sectorCOUNT”,该值表示对应于存储与区段的区段计数、交通计数等相关联的数据的数据库条目500。
图6描绘了根据时间分段数和区段计数的示例图形(例如,与正交的X轴、Y轴以及Z轴表示相对应的三维(3D)图形)600,包括示例ART区段曲线602、604、606、608。在图6中,图形600具有划定曲线索引或曲线标识符的X轴610。在图6中,曲线图600具有划定15分钟的时间分段数或时间分段的量的Y轴612。在图6中,所述时间分段中的各个时间分段表示15分钟的时间跨度、增量、范围等。在图6中,图形600具有划定区段计数(例如,区段中的飞行器的量)的Z轴614。
在图6所示示例中,ART区段曲线602、604、606、608基于图2的ART数据222。例如,图2的数据库控制器204可以通过提取、处理以及分析ART数据222,来存储ART区段曲线602、604、606、608中所包括的数据。在一些示例中,图4的ML控制器4204和/或更一般地图2的ART区段服务216生成ART区段曲线602、604、606、608。例如,ML控制器420可以生成ART区段曲线602、604、606、608,以标识用于训练一个或更多个ML模型的学习集。
在图6所示示例中,ART区段曲线602、604、606、608包括与曲线索引1相对应的第一示例ART区段曲线602、与曲线索引2相对应的第二示例ART区段曲线604、与曲线索引3相对应的第三示例ART区段曲线606、以及与曲线索引4相对应的第四示例ART区段曲线608。另选地,ML控制器420可生成比图6中描绘的ART区段曲线602、604、606、608更少或更多的ART区段曲线。
在一些示例中,ML控制器420和/或更一般地ART区段服务216响应于标识和去除异常ART数据,来选择训练数据以供一个或更多个ML模型使用。在图6中,ML控制器420可以通过确定ART区段曲线602、604、606、608中的一个或更多个区段曲线相对于其它ART区段曲线602、604、606、608是否表示非典型ART数据,来标识异常值。
在图6所示示例中,ML控制器420和/或更一般地ART区段服务216标识要参照ART区段曲线602、604、606、608进行处理的关注时间范围。在图6中,ML控制器420标识要处理的时间分段20。在图6中,ML控制器420以时间分段20确定ART区段曲线602、604、606、608中的各个区段曲线的区段计数。在图6中,ML控制器420可以标识第一ART区段曲线602的第一示例区段计数(样本1)616、第二ART区段曲线604的第二示例区段计数(样本2)618、第三ART区段曲线606的第三示例区段计数(样本3)620、以及第四ART区段曲线608的第四示例区段计数(样本4)622。ML控制器420可以基于所确定的区段计数616、618、620、622,来确定是否从用于训练ML模型的学习集中排除和/或以其它方式去除ART区段曲线602、604、606、608中的一个或更多个ART区段曲线,如下结合图7所描述的。
图7描绘了例示由图4的ML控制器420和/或更一般地图2和/或图4的ART区段服务216进行的示例异常值去除处理的示例图形(例如,与正交的X轴和Y轴表示相对应的二维(2D)图形)700。在图7中,图形700具有表示曲线索引或曲线标识符的X轴702。例如,在图7的曲线索引1处的第一拒绝索引值(rejection index value)可以对应于图6的曲线索引1的样本1的第一归一化值,在图7的曲线索引2处的第二拒绝索引值可以对应于图6的曲线索引2的样本2的第二归一化值,在图7的曲线索引3处的第三拒绝索引值可以对应于图6的曲线索引3的样本3的第三归一化值,在图7的曲线索引4处的第四拒绝索引值可以对应于图6的曲线索引4的样本4的第四归一化值等。在图7中,图形700具有表示拒绝索引的Y轴704。
在图7所示示例中,拒绝索引对应于表示非典型或异常ART数据的参数、度量(metric)等。在图7中,拒绝索引基于关注时间范围内的ART区段曲线602、604、606、608的绝对误差值的归一化值。例如,图4的ML控制器420可以确定图6的图形600的时间分段20处的多个区段计数的平均值,其中,所述多个区段计数包括图6的第一到第四区段计数616、618、620、622。ML控制器420可以确定由图7中的水平虚线所表示的示例阈值的值(例如,拒绝阈值的值、ART拒绝阈值、ART曲线拒绝阈值等)706。ML控制器420可以通过对0至1的范围内的所述多个区段计数的平均值(average)或均值(mean)进行归一化,来确定阈值的值。在图7中,ML控制器420通过将所述多个区段计数的平均值归一化为0.5来将该阈值的值确定为0.5。
在图7所示示例中,ML控制器420可以基于对应的绝对误差差异来确定这些曲线索引中的各个曲线索引的得分。在图7中,ML控制器420可以在(1)区段的区段计数与(2)所述多个区段计数的平均值之间确定该区段的绝对误差差异。在图7中,ML控制器420可以针对这些曲线索引中的各个曲线索引,在0至1.0的范围内将绝对误差差异进行归一化。
在图7所示示例中,ML控制器420可以基于所述得分将曲线索引标识为与异常ART数据相关联。在图7中,当曲线索引具有高于阈值的值的得分时,ML控制器420可以将该曲线索引标识为不包括在学习集中。在图7中,当曲线索引具有低于阈值的值的得分时,ML控制器420可以将该曲线索引标识为包括在学习集中。例如,ML控制器420可以确定高于区段计数的曲线索引3、7、10以及15高于阈值的值。在这样的示例中,ML控制器420可以确定图6的第三ART区段曲线606表示非典型、反常、异常等的数据,并且不被包括在用于训练ML模型的学习集中。有利地,ML控制器420可以将与曲线索引1、2、4至6、8、9、11至14以及16至20相关联的ART数据标识为包括在学习集中。
图8A描绘了在由图4的ML控制器420和/或更一般地图2和/或图4的ART区段服务216进行的示例异常值去除操作之前的、包括示例ART区段曲线802、804的第一示例图形800。在图8A中,ART区段曲线802、804表示根据时间分段数的区段计数。在图8A中,第一图形800包括ART区段曲线802、804,该ART分段曲线包括第一示例ART区段曲线802和第二示例ART区段曲线804。在图8A中,第一ART区段曲线802可以对应于图6和/或图7的曲线索引1。在图8A中,第二ART区段曲线804可以对应于图6和/或图7的曲线索引3。
在图8A所示示例中,ML控制器420可以确定第二ART区段曲线804包括异常数据和/或以其它方式包括相对于其它ART数据(例如,第一ART区段曲线802)是非典型的、反常的等等的数据。在一些示例中,ML控制器420可以将第一ART区段曲线802标识为被包括在用于训练ML模型的学习集中。在一些示例中,ML控制器420可以通过将第二ART区段曲线804标识为不被包括在学习集中来执行异常值去除操作。在这样的示例中,ML控制器420可以废弃第二ART区段曲线804,将与第二ART区段曲线804相关联的数据注释和/或以其它方式标识为不用于学习数据,指令和/或以其它方式调用图2的数据库控制器204,以从图2的第二数据库208中去除与第二ART区段曲线804相关联的数据等,和/或这些的组合。
图8B描绘了在由图4的ML控制器420和/或更一般地图2和/或图4的ART区段服务216进行的异常值去除操作之后的、包括图8A的第一ART区段曲线802的第二示例图形806。例如,第二图形806可以表示ML控制器420将第一ART区段曲线802标识为学习数据,而没有将第二ART区段曲线804标识为学习数据。另外或者另选地,在一些示例中,ML控制器420可以对包括第一ART区段曲线802和第二ART区段曲线804的多个ART区段曲线执行异常值去除操作。
图9是在示例空中交通管理(ATM)环境900中将飞行器的第一示例飞行计划(例如,第一飞行路线)902调整成第二示例飞行计划(例如,第二飞行路线)904的示意性例示图。在图9中,ATM环境900可以是由NAS管理的空域。在图9中,ATM环境900包括多个示例区段906、908、910、912。区段906、908、910、912仅是示例性的,以用于描述本文所公开的示例,并且未按比例进行绘制。例如,ATM环境900可以包括比图9中描绘的区段906、908、910、912更少或更多的区段。例如,由NAS管理的ATM环境可以包括超过一千个区段。
在图9所示示例中,区段906、908、910、912包括第一示例区段906、第二示例区段908、第三示例区段910以及第四示例区段912。在图9中,第一区段906包括纽约(New YorkCity),第二区段908包括芝加哥(Chicago),以及第四区段912包括西雅图(Seattle)。在图9中,第一区段906在某一时段期间具有对应于飞行器的第一量的第一交通密度,第二区段908在该时段期间具有对应于飞行器的第二量的第二交通密度,第三区段910在该时段期间具有对应于飞行器的第三量的第三交通密度,以及第四区段912在该时段期间具有对应于飞行器的第四量的第二交通密度。在图9中,飞行器的第一量最大、其次是飞行器的第二量和第四量,再其次是飞行器的第三量。在图9中,飞行器的第二量和第四量基本上彼此相似(例如,在1至10个飞行器的公差范围内)。因此,在图9中,第一区段906是最拥塞的区段,而第三区段910是最不拥塞的区段,并且第二区段908和第四区段912具有介于第一区段906的拥塞程度与第三区段910的拥塞程度之间的平均拥塞程度。在这样的示例中,拥塞基于某一时段期间某一区段中的飞行器的量。
在图9所示示例中,第一飞行计划902表示飞行器(例如,图1的飞行器106A至106F)从第一区段906中的纽约出发、飞过第二区段908和第三区段910,然后到达第四区段912中的西雅图。在图9中,第二飞行计划904表示飞行器从第一区段906中的纽约出发、飞过第三区段910,然后到达第四区段912中的西雅图。在图9中,第二飞行计划904避免飞过拥塞的第二区段908。
在一些示例中,第二计算系统114查询图1的ART预测系统104,以预测和/或以其它方式确定在预期飞行器飞过第一至第四区段906、908、910、912的时段期间这些区段的交通计数。例如,图2的查询控制器214可以调用图2的ART区段服务216,以执行ML模型470中的经训练的一个ML模型,来确定第一到第四区段906、908、910、912的在即将到来的时段内的交通计数。在这样的示例中,图2的区段数据生成器218可以采用要向第二计算系统114发送的数据格式(例如,第二计算系统114的兼容数据格式),将交通计数进行打包、汇集和/或以其它方式编译
在一些示例中,响应于从ART预测系统104获得交通计数,第二计算系统114可以在飞行器从纽约出发之前将第一飞行计划902调整成第二飞行计划904。例如,第二计算系统114可以确定飞行器可以通过经由第三区段910绕第二区段908飞行来避开像第二区段908一样的拥塞(congested)区段。在这样的示例中,第二计算系统114可以指令飞行器在从纽约起飞之前执行第二飞行计划904。
在一些示例中,响应于从ART预测系统104获得交通计数,第二计算系统114可以在飞行器从纽约出发之后将第一飞行计划902调整成第二飞行计划904。例如,飞行器可以在起飞之后处于第一区段906中。在这样的示例中,第二计算系统114可以确定飞行器可以通过经由第三区段910绕第二区段908飞行,来避开像第二区段908一样的拥塞区段。在这样的示例中,第二计算系统114可以指令飞行器在从纽约起飞后从第一飞行计划902调整成第二飞行计划904。有利地,ART预测系统104可以在飞行器起飞之前或者在飞行器处于飞行中的同时,通过将具有包括拥塞区段的飞行计划的飞行器重定向到不太拥塞的区段,来减少区段的拥塞。
图10至图18示出了表示实现图1和/或图2的ART预测系统104的示例硬件逻辑、机器可读指令、硬件实现的状态机和/或这些的任何组合的流程图和/或源代码。该机器可读指令可以是用于通过计算机处理器(诸如下面结合图19讨论的示例处理器平台1900中示出的处理器1912)执行的一个或更多个可执行程序或者可执行程序的一部分。可以以存储在非暂时性计算机可读存储介质(诸如CD-ROM、软盘、硬盘驱动器、DVD、Blu-ray盘或者与处理器1912相关联的存储器)上的软件来具体实施所述程序,但全部程序和/或其部分可以另选地通过除了处理器1912以外的其它装置来执行,和/或按固件或专用硬件来具体实施。此外,尽管参照图10至图18中例示的流程图和/或源代码对示例程序进行了描述,但是可以另选地使用实现示例ART预测系统104的许多其它方法。例如,可以改变框的执行次序,和/或可以改变、消除或组合这些框中的一些框。另外或者另选地,任何或所有框可以通过被构造成执行对应的操作而不执行软件或固件的一个或更多个硬件电路(例如,分立的和/或集成的模拟和/或数字电路、FPGA、ASIC、比较器、运算放大器(op-amp)、逻辑电路等)来实现。
可以以压缩格式、加密格式、分段格式、编译格式、可执行格式、打包格式等中的一种或更多种格式来存储本文所描述的机器可读指令。可以将本文所描述的机器可读指令存储为可以用于创建、制造和/或生成机器可执行指令的数据(例如,指令的部分、代码、代码的表示等)。例如,可以将机器可读指令进行分段并存储在一个或更多个存储装置和/或计算装置(例如,服务器)上。机器可读指令可能需要安装、修改、改编、更新、组合、补充、配置、解密、解压缩、解包、分发、重新指派、编译等中的一项或更多项,以便使这些机器可读指令可直接由计算装置和/或其它机器读取、解释和/或执行。例如,可以以多个部分来存储机器可读指令,这些部分被单独压缩、加密并存储在分离的计算装置上,其中,这些部分当被解密、解压缩并组合时形成实现诸如本文所描述的程序的可执行指令集。
在另一示例中,可以将机器可读指令以计算机可以读取的状态进行存储,但是需要添加库(例如,动态链接库(DLL))、软件开发套件(SDK)、应用编程接口(API)等,以便在特定的计算装置或其它装置上执行该指令。在另一示例中,在可以全部或部分执行机器可读指令和/或对应的程序之前,可能需要配置该机器可读指令(例如,存储的设定、数据输入、记录的网络地址等)。因此,所公开的机器可读指令和/或对应的程序旨在涵盖这样的机器可读指令和/或程序,而与机器可读指令和/或程序在被存储或以其它方式处于静止或运输中时的特定格式或状态无关。
可以用任何过去、现在或未来的指令语言、脚本语言、编程语言等来表示本文所描述的机器可读指令。例如,可以使用以下语言中的任一语言来表示机器可读指令:C、C++、Java、C#、Perl、Python、JavaScript、超文本标记语言(HTML)、SQL、Swift等。
如上提及,图10至图18的示例处理可以利用存储在非暂时性计算机和/或机器可读介质(诸如硬盘驱动器、闪速存储器、只读存储器、光盘、数字通用盘、高速缓冲存储器、随机存取存储器和/或其中存储信息达任何持续时间(例如,达扩展时段、永久性地,简单举例,用于临时缓冲,和/或用于信息的高速缓冲)的任何其它存储装置或存储盘)上的可执行指令(例如,计算机和/或机器可读指令)来实现。如本文所用,术语非暂时性计算机可读介质被明确地限定成包括任何类型的计算机可读存储装置和/或存储盘,并且排除传播信号和排除传输介质。
“包括(including)”和“包含(comprising)”(及其所有形式和时态)在本文中被用作开放式术语。因此,每当权利要求采用任何形式的“包括(include)”或“包含(comprise)”(例如,comprises、includes、comprising、including、具有(having)等)作为序言或用在任何种类的权利要求陈述内时,要理解成,可以存在附加的要素、术语等,而不会落在对应的权利要求或陈述的范围之外。如本文所用,当短语“至少”被用作例如权利要求序言中的过渡术语时,其和开放式术语“包括(comprising”和“包含(including)”按相同方式开放。当例如以诸如A、B和/或C的形式使用术语“和/或”时,是指A、B、C的任何组合或子集,诸如(1)仅A,(2)仅B,(3)仅C,(4)A与B,(5)A与C,(6)B与C,以及(7)A与B与C。如本文在描述结构、组件、项目、对象和/或事物的上下文中所用,短语“A和B中的至少一个”旨在指代包括(1)至少一个A,(2)至少一个B以及(3)至少一个A和至少一个B中的任何一个的实现。类似地,如本文在描述结构、组件、项目、对象和/或事物的上下文中所用,短语“A或B中的至少一个”旨在指代包括(1)至少一个A,(2)至少一个B以及(3)至少一个A和至少一个B中的任何一个的实现。如本文在描述处理、指令、动作、活动和/或步骤的实行或执行的上下文中所用,短语“A和B中的至少一个”旨在指代包括(1)至少一个A,(2)至少一个B以及(3)至少一个A和至少一个B中的任何一个的实现。类似地,如本文在描述处理、指令、动作、活动和/或步骤的实行或执行的上下文中所用,短语“A或B中的至少一个”旨在指代包括(1)至少一个A,(2)至少一个B以及(3)至少一个A和至少一个B中的任何一个的实现。
如本文所用,单数引用(例如,“一”、“第一”、“第二”等)并不排除多数。如本文所用,术语“一(a或an)”个实体是指该实体中的一个或更多个。术语“一(a和an)”、“一个或更多个”以及“至少一个”可以在本文中互换地使用。而且,尽管被单独列出,但是多个手段、要素或方法动作可以由例如单个单元或处理器来实现。另外,尽管在不同的示例或权利要求中可以包括单独的特征,但是可以将这些单独的特征进行组合,并且不同的示例或权利要求中的这种包括并非意味着特征的组合是不可行和/或不利的。
图10描绘了表示示例计算机可读指令的示例源代码1000,该示例计算机可读指令可以由图2和/或图4的ART区段服务216来执行,以确定所关注区段的交通计数。在一些示例中,源代码1000表示服务(例如,微服务),该服务在被执行时可以调用图4的ML模型470,以确定一个或更多个所关注区段的交通计数、预测交通计数等。
例如,图4的交通计数确定器430和/或更一般地ART区段服务216可以执行服务“getOneSectorCount”,并且该服务在被执行时,可以基于在图2的第二数据库208中所包括的ART数据222,来确定在跨一天或更多天的时段期间一个区段的区段计数。在其它示例中,图4的交通计数预测器440和/或更一般地ART区段服务216可以执行服务“predictSectorCountWeekDay”,并且该服务在被执行时,可以调用ML模型470,以确定在跨一天的时段(例如,二十四(24)小时的时段)期间一个或更多个区段的区段计数。仍在其它示例中,图4的区段参数确定器450和/或更一般地ART区段服务216可以执行服务“getMeanPastDailySectorCountAllDays”,并且该服务在被执行时,可以针对过去连续的一天或更多天,确定一个区段的每日区段计数的均值(mean)、平均值(average)等。另外或者另选地,交通计数确定器430、交通计数预测器440、区段参数确定器450和/或更一般地ART区段服务216可以执行被包括在图10的源代码1000中和/或与所述源代码相关联的服务,以生成一个或更多个所关注区段的区段计数相关数据。
图11是表示示例机器可读指令1100的流程图,该示例机器可读指令100可以被执行以实现图1和/或图2的ART预测系统104,以确定空中航线交通区段的交通计数。图11的机器可读指令1100开始于框1102,在该框处,ART预测系统104获得ART数据。例如,第一网络接口202(图2)可以从第一网络110获得ART数据222。在这样的示例中,第一网络接口202可以获得与飞行器106A至106F(图1)中的一个或更多个飞行器相关联的ART数据,诸如航班号和/或对应的到达和/或离开机场、飞行器空速、飞行器海拔高度、飞行器位置、飞行器航点信息(例如,飞行器的先前、当前或即时、或者未来的航点)、空域区段信息(例如飞行器的先前、当前或即时、或者未来的区段)等,和/或这些的组合。
在框1104处,ART预测系统104生成预处理的数据库。例如,数据库控制器204(图2)可以基于一个或更多个规则,来检查、废弃、解析和/或存储在ART数据222中所包括的FIXM消息(例如,消息223中的一个消息)的部分或全部。在这样的示例中,数据库控制器204可以基于ART数据222,来生成第一数据库206(图2)和第二数据库208(图2)。下面结合图12来描述可以被执行以实现框1104的示例处理。
在框1106处,ART预测系统104使用预处理的数据库来训练ML模型。例如,ML控制器420(图4)和/或更一般地ART区段服务216(图2)可以使用存储在第二数据库208中的数据来训练RNN。在这样的示例中,ML控制器420可以将经训练的ML模型存储为ART区段服务数据库460(图4)中所包括的ML模型470(图4)。下面结合图14来描述可以被执行以实现框1106的示例处理。
在框1108处,ART预测系统104执行经训练的ML模型以生成区段的交通计数。例如,ML控制器420和/或更一般地ART区段服务216可以执行经训练的ML模型470,以在关注时段期间,生成图9中的第一区段906、第二区段908、第三区段910和第四区段912中的至少一个区段的交通计数。
在框1110处,ART预测系统104将区段的交通计数发送至计算系统。例如,第二网络接口212可以将第一区段906、第二区段908、第三区段910和第四区段912中的至少一个区段的交通计数发送至图1的第二计算系统114中的一个或更多个计算系统、图2的计算装置226、228、230中的一个或多个计算装置等,和/或这些的组合。
在框1112处,ART预测系统104基于区段的交通计数来使调整空中航线交通。例如,响应于第二网络接口212发送了第一区段906、第二区段908、第三区段910和第四区段912中的至少一个区段的交通计数,图1的第二计算系统114中的一个或更多个计算系统、图2的计算装置226、228、230中的一个或多个计算装置等可以指导、指令和/或以其它方式调用(invoke)飞行器(例如,图1的飞行器106至106F中的一个飞行器)以调整飞行计划。在这样的示例中,图1的第二计算系统114中的一个或更多个计算系统、图2的计算装置226、228、230中的一个或多个计算装置等可以调用(invoke)飞行器从图9的第一飞行计划902转变成图9的第二飞行计划904。在一些示例中,飞行器在从出发机场起飞之前转变成第二飞行计划904。在一些示例中,飞行器在处于飞行中和/或以其它方式执行第一飞行计划902时,转变成第二飞行计划904。
在框1114处,ART预测系统104确定是否有新ART数据要处理。例如,数据库控制器204可以确定是否存在可以从第一网络110、经由第一网络110等检索到的尚未处理的ART数据。在框1114处,如果ART预测系统104确定存在新ART数据要处理,则该控制返回至框1102以获得新ART数据,否则,使图11的机器可读指令1100结束。
图12是表示示例机器可读指令1200的流程图,该示例机器可读指令1200可以被执行以实现图2和/或图3的数据库控制器204和/或更一般地图1和/或图2的ART预测系统104,以生成预处理的数据库。图12的机器可读指令1200可以被执行以实现图11的框1104。图12的机器可读指令1200开始于框1202,在该框1202处,数据库控制器204基于ART数据的第一消息和第二消息中所包括的数据字段来标识飞行器。例如,ART数据222(图2)可以包括消息223(图2)中的第一消息和第二消息,其中,第一消息包括第一数据字段,该第一数据字段包括图2的第二飞行器106B的航班号。在这样的示例中,数据提取器310(图3)可以基于第一数据字段标识第二飞行器106B。
在框1204处,数据库控制器204通过将第一消息的数据字段中的第一数据字段存储在第一数据库条目字段中,来在原始数据库中生成第一数据库条目字段。例如,索引生成器320(图3)可以通过将消息223(图2)的数据字段225(图2)中的一个或多个数据字段存储在数据库条目字段502、504、506、508、510、512、514(图5)中的一个或更多个数据条目字段中,来生成所述一个或更多个数据库条目字段502、504、506、508、510、512、514。
在框1206处,数据库控制器204通过将第一数据库条目字段存储在第一数据库条目中,来在原始数据库中生成第一数据库条目。例如,索引生成器320可以通过将数据库条目字段502、504、506、506、508、510、512、514中的一个或更多个数据库条目字段存储在数据库条目500(图5)中,来生成该数据库条目500。
在框1208处,数据库控制器204基于第一数据库条目字段,在预处理后的数据库中生成第二数据库条目。例如,索引生成器320可以在第二数据库208(图2)中生成第二数据库条目,各第二数据库条目包括数据库条目字段,诸如航班号、消息类型等。例如,索引生成器320可以生成具有第一数据库条目字段502(图5)的数据库条目500(图5),并将数据库条目500存储在第二数据库208中。
在框1210处,数据库控制器204基于第一数据库条目字段,将第二消息的数据字段中的一个(或多个)数据字段存储在第二数据库条目中。例如,数据映射器330(图3)可以标识第一数据库206的第一数据条目中的包括第一航班号、第一消息类型等的一个或更多个第一数据库条目的第一集合。在这样的示例中,数据映射器330可以标识第二数据库208的第二数据条目中的包括第一航班号、第一消息类型等的一个或更多个第二数据库条目的第二集合。数据映射器330可以基于所述标识将第一集合映射至第二集合。数据映射器330可以用包括在第一集合中和/或与第一集合相关联的数据或信息来填充第二集合。例如,数据映射器330可以利用存储在第一数据库条目中的被映射的一个数据库条目的数据库条目字段中的数据,来填充数据库条目500。
在框1212处,数据库控制器204对第二数据库条目进行索引,以改进与预处理的数据库相关联的查询操作。例如,索引生成器320可以对第二数据库208执行一个或更多个数据结构化、数据排序等的操作,以减少等待时间和/或提高查询处理速度。
在框1214处,数据库控制器204使包括在第二数据库条目中的信息相关(correlate)以确定区段信息。例如,数据相关器340(图3)可以使第二数据库条目内的到达机场、出发机场、飞行器类型、航空公司等与一个或更多个区段相关和/或以其它方式相关联(associate)。在这样的示例中,数据相关器340可以确定航班号先前已经飞过、目前正在飞行或者或未来会飞行的一个或更多个区段。例如,数据相关器340可以进行如下操作之一:(1)基于包括纽约的出发机场的数据库条目,确定第二数据库208中的数据库条目与图9的第一区段906相关联;(2)基于包括第二区段908中的第一航点的数据库条目,确定第二数据库208中的数据库条目与图9的第二区段908相关联;(3)基于包括第三区段910中的第二航点的数据库条目,确定第二数据库208中的数据库条目与图9的第三区段910相关联;或者(4)基于包括西雅图的到达机场的数据库条目,确定第二数据库208中的数据库条目与图9的第四区段912相关联。
在框1216处,数据库控制器204基于相关信息(orrelated information)来确定区段的交通计数。例如,交通计数生成器350可以基于相关信息,针对一个或更多个先前时段,确定图9中的第一区段906、第二区段908、第三区段910和第四区段912中的至少一个区段的交通计数。下面结合图13来描述可以被执行以实现框1216的示例处理。响应于在框1216处基于相关信息确定区段的交通计数,该控制返回至图11的机器可读指令1100的框1106,以使用预处理的数据库来选择要训练的ML模型。
图13是表示示例机器可读指令1300的流程图,该示例机器可读指令1300可以被执行以实现图2和/或图3的数据库控制器204和/或更一般地图1和/或图2的ART预测系统104,以基于相关信息来确定区段的交通计数。图13的机器可读指令1300可以被执行以实现图12的框1216。图13的机器可读指令1300开始于框1302,在该框处,数据库控制器204标识与第二数据库条目相关联的区段。例如,交通计数生成器350(图3)可以确定第二数据库208(图2)中所包括的第二数据库条目与图9的第一至第四区段906、908、910、912相关联。
在框1304处,数据库控制器204选择关注时间范围进行处理。例如,交通计数生成器350可以选择第一时间分段(bucket)进行处理。在框1306处,数据库控制器204选择关注区段进行处理。例如,交通计数生成器350可以选择图9的第一区段906来进行处理。
在框1308处,数据库控制器204基于区段进入和离开(sector entry and exit)的时间戳,来针对选定时间范围确定选定区段的交通计数。例如,交通计数生成器350可以确定在第一时间分段期间在第一区段906中的飞行器(例如,图1的飞行器106A至106F)的量。
在框1310处,数据库控制器204确定是否选择另一关注区段来进行处理。例如,交通计数生成器350可以确定选择图9的第二区段908来进行处理。在其它示例中,交通计数生成器350可以确定已经处理了所有关注区段。
在框1310处,如果数据库控制器204确定选择另一关注区段来进行处理,则该控制返回至框1306,以选择另一关注区段来进行处理。在框1310处,如果数据库控制器204确定不选择另一关注区段来进行处理,则在框1312处,数据库控制器204确定是否选择另一关注时间范围进行处理。例如,交通计数生成器350可以确定选择第二时间分段进行处理。在其它示例中,交通计数生成器350可以确定已经处理了所有关注时间分段。
在框1312处,如果数据库控制器204确定选择另一关注时间分段进行处理,则该控制返回至框1304,以选择另一关注时间分段进行处理。在框1312处,如果数据库控制器204确定不选择另一关注时间分段进行处理,则该控制返回至图11的机器可读指令1100的框1106,以使用预处理的数据库来选择要训练的ML模型。
图14是表示示例机器可读指令1400的流程图,该示例机器可读指令1400可以被执行以实现图2和/或图4的ART区段服务216和/或更一般地图1和/或图2的ART预测系统104,以选择ML模型来使用预处理的数据库进行训练。图14的机器可读指令1400可以被执行以实现图14的框1106。
图14的机器可读指令1400开始于框1402,在该框1402处,ART区段服务216使用预处理的数据库基于交叉验证来执行ML模型。例如,ML控制器420(图4)可以对包括第一ML模型(例如,回归模型(regression model))、第二ML模型(例如,RNN)等的多个ML模型,进行和/或以其它方式执行交叉验证操作。在这样的示例中,ML控制器420可以响应于执行交叉验证操作来执行所述多个ML模型。
在框1404处,ART区段服务216基于交叉验证来确定ML模型得分。例如,ML控制器420可以确定第一ML模型、第二ML模型等的交叉验证得分。
在框1406处,ART区段服务216通过ML模型确定所观察到的飞行器交通计数(ATCS:aircraft traffic count)与所生成的ATC之间的差异。例如,ML控制器420可以确定第一飞行器交通计数与第二飞行器交通计数之间的差异。ML模型可以针对关注时段(例如,过去或历史时段),生成空域区段的第一飞行器交通计数。第二飞行器交通计数可以表示针对关注时段所观察到的与空域相关联的飞行器交通计数的值。在这样的示例中,ML控制器420可以基于如下项之间的差异,来确定第一ML模型具有第一差异:(1)由第一ML模型生成的第一计数与(2)存储在第二数据库208中的第二计数。ML控制器420可以基于如下项之间的差异,来确定第二ML模型具有第二差异:(1)由第二ML模型生成的第三计数与(2)第二计数。在这样的示例中,ML控制器420可以确定第一差异小于第二差异。
在框1408处,ART区段服务216选择具有最高得分和/或最低差异的ML模型。例如,ML控制器420可以标识和/或以其它方式确定第一ML模型相对于所述多个ML模型具有最高的交叉验证得分,和/或第一ML模型具有最低差异。
在框1410处,ART区段服务216从预处理的数据库获得包括交通计数的区段信息。例如,ML控制器420可以从第二数据库208(图2)获得交通计数。
在框1412处,ART区段服务216确定用于训练具有最高得分的ML模型的训练数据。例如,ML控制器420可以将与一个或更多个区段相对应的区段信息标识为训练数据,该训练数据可以用于训练具有最高交叉验证得分的回归模型、RNN等。下面结合图15来描述可以被用于实现框1412的示例处理。
在框1414处,ART区段服务216使用训练数据来训练ML模型。例如,ML控制器420可以使用已经去除异常数据(outlier data)的训练数据,来训练具有最高交叉验证得分的第一ML模型。
在框1416处,ART区段服务216将经训练的ML模型编译为计算机可读的可执行文件。例如,ML控制器420可以将第一ML模型的经训练的实例或版本编译成计算机可读的可执行文件。在这样的示例中,计算机可读的可执行文件可以是二进制文件、可执行文件等。ML控制器420可以将计算机可读的可执行文件作为ML模型470(图4)存储在ART区段服务数据库460(图4)中。响应于在框1416处将经训练的ML模型编译为计算机可读的可执行文件,该控制返回至图11的机器可读指令1100的框1108,以执行经训练的ML模型来生成区段的交通计数。
图15是表示示例机器可读指令1500的流程图,该示例机器可读指令1500可以被执行以实现图2和/或图4的ART区段服务216和/或更一般地图1和/或图2的ART预测系统104,以确定用于对机器学习模型进行训练的训练数据。图15的机器可读指令1500可以被执行以实现图14的框1412。
图15的机器可读指令1500开始于框1502,在框1502处,ART区段服务216选择关注时间范围进行处理。例如,ML控制器420(图4)可以选择第二十个时间分段进行处理。
在框1504处,ART区段服务216确定在所选择的时间范围内各个关注区段的交通计数。例如,ML控制器420可以在第二十个时间分段确定图6的第一到第四区段计数616、618、620、622。
在框1506处,ART区段服务216基于交通计数来确定阈值。例如,ML控制器420可以通过在0至1.0的范围内对第一到第四区段计数616、618、620、622的平均值进行归一化(normalizing),来将阈值的值确定为0.5。
在框1508处,ART区段服务216选择关注区段来进行处理。例如,ML控制器420可以选择与图6的第一ART区段曲线602相对应的第一区段。
在框1510处,ART区段服务216确定所选择的区段的拒绝索引(rejection index)是否满足阈值的值。例如,ML控制器420可以确定与第一ART区段曲线602相对应的第一区段的拒绝索引约为0.3。在这样的示例中,ML控制器420可以基于在1至1.0的范围内对图6的第一区段计数616与包括第一到第四区段计数616、618、620、622的多个区段计数的平均值之间的绝对值差异进行归一化,来确定绝对索引0.3。ML控制器420可以通过确定拒绝索引0.3小于阈值的值0.5,来确定拒绝索引0.3不满足阈值的值0.5。
在框1510处,如果ART区段服务216确定所选择的区段的拒绝索引不满足阈值的值,则该控制进行至框1514,以确定是否选择另一关注区段来进行处理。在框1510处,如果ART区段服务216确定所选择的区段的拒绝索引满足阈值的值,则在框1512处,ART区段服务216将与该区段相对应的区段信息标识为训练数据,并且该控制进行至框1514。例如,ML控制器420可以确定,可以将与图6的第一ART区段曲线602相关联的区段信息包括在训练数据中,以训练一个或更多个ML模型。
在框1514处,ART区段服务216确定是否选择另一关注区段来进行处理。例如,ML控制器420可以确定选择与图6的第二ART区段曲线604相对应的第二区段。在其它示例中,ML控制器420可以确定已经处理了所有关注区段,并由此可以确定不存在要处理的另一关注区段。
在框1514处,如果ART区段服务216确定存在另一关注区段要进行处理,则该控制返回至框1508,以选择另一关注区段来进行处理。在框1514处,如果ART区段服务216确定不存在另一关注区段要进行处理,则在框1516处,ART区段服务216确定是否选择另一关注时间范围进行处理。例如,ML控制器420可以确定选择第二十一个时间分段、第三十个时间分段等进行理。在其它示例中,ML控制器420可以确定已经处理了所有关注时间分段,并由此可以确定不存在要处理的另一关注时间分段。
在框1516处,如果ART区段服务216确定选择另一关注时间范围进行处理,则该控制返回至框1502,以选择另一关注时间范围进行处理。在框1516处,如果ART区段服务216确定不选择另一关注时间范围进行处理,则该控制返回至图14的机器可读指令1400的框1412,以使用训练数据来训练具有最高得分的ML模型。
图16是表示示例机器可读指令1600的流程图,该示例机器可读指令1600可以被执行以实现图2的ART预测控制器210和/或更一般地图1和/或图2的ART预测系统104,以基于来自图1的第二计算系统114中的一个或更多个计算系统、图2的计算装置226、228、230中的一个或更多个计算装置等、和/或这些的组合的查询,来确定交通计数。
图16的机器可读指令1600开始于框1602,在该框1602处,ART预测控制器210向ART预测系统104生成针对空域区段的查询。例如,查询控制器214(图2)可以基于由第二网络接口212(图2)获得的请求来生成查询。在这样的示例中,第二网络接口212可以针对多个时间分段,从在第三计算装置230(图2)上执行的主机应用224(图2)获得对图9的第二区段908的交通计数的请求。所述多个时间分段包括与历史或已经发生的时间分段相对应的第一时间分段以及与尚未发生的时间分段相对应的第二时间分段。查询控制器214可以调用ART区段服务216(图2)以确定交通计数。
在框1604处,ART预测控制器210基于该查询确定针对第一时段的空域区段的区段计数。例如,ART区段服务216可以针对第一时间分段确定第二区段908的第一区段计数。在这样的示例中,交通计数确定器430(图4)可以向第二数据库208查询第一区段计数。
在框1606处,ART预测控制器210针对第二时段预测空域区段的区段计数。例如,ART区段服务216可以针对第二时间分段确定第二区段908的第二区段计数。在这样的示例中,ML控制器420(图4)可以执行ML模型470(图4),以针对第二时间分段预测和/或以其它方式确定第二区段计数。
在框1608处,ART预测控制器210确定针对第二时段的区段计数满足阈值。例如,ART区段服务216可以确定在第二时间分段期间被预测处于第二区段908中的飞行器的量大于阈值(例如,在时间分段期间可以处于区段中的飞行器的预定义阈值、在时间分段期间可以处于区段中的飞行器的政府监管阈值等)。
在框1610处,ART预测控制器210确定包括空域区段的飞行计划。例如,ART区段服务216可以确定在第二时间分段期间第一飞行计划902包括第二区段908。在这样的示例中,ART区段服务216可以生成对请求计算系统的推荐,以从第一飞行计划902调整成第二飞行计划904,其中,第二飞行计划904在第二时间分段期间不包括第二区段908。
在框1612处,ART预测控制器210生成图形资源呈现。例如,图形资源呈现器220(图2)可以基于第一区段计数、第一区段计数参数、第二区段计数和/或第二计数参数,来生成图形、标绘图、表格等。
在框1614处,ART预测控制器210生成区段数据。例如,ART区段服务216可以基于第一区段计数,来确定第一区段计数参数。在这样的示例中,区段参数确定器450(图4)可以执行和/或以其它方式调用图10的源代码1000的服务“getMeanPastDailySectorCountAllDays”,以计算针对过去连续的一天或更多天(one or more past continuous days)的第一区段的平均每日区段计数。在其它示例中,ART区段服务216可以基于第二区段计数,来确定第二区段计数参数。在这样的示例中,区段参数确定器450可以执行和/或以其它方式调用服务,以计算针对即将到来的连续的一天或更多天(one or more upcoming continuousdays)的第二区段的平均每日区段计数。区段数据生成器218(图2)可以将区段计数、区段计数参数、图形资源呈现等打包、封装和/或以其它方式转换成可由计算装置226、228、230中的请求计算装置读取的数据格式。
在框1616处,ART预测控制器210将推荐和区段数据发送至计算系统。例如,第二网络接口212可以经由第二网络116,向第三计算装置230的主机应用224发送(1)调整成第二飞行计划904用的推荐以及(2)区段数据。响应于在框1616处将推荐和区段数据发送至计算系统,使图16的机器可读指令1600结束。
图17是表示示例机器可读指令1700的流程图,该示例机器可读指令1700可以被执行以实现图1和/或图2的ART预测系统104,以对ART数据进行处理。图17的机器可读指令1700开始于框1702,在该框1702处,ART预测系统104获得ART数据。例如,网络接口202(图2)可以经由第一网络110获得ART数据222(图2)。
在框1704处,ART预测系统104标识被包括在ART数据中的数据消息。例如,数据库控制器204(图2)可以确定ART数据222包括消息223(图2)中的第一消息和第二消息。
在框1706处,ART预测系统104标识被包括在数据消息中的数据字段。例如,数据库控制器204可以确定第一消息至少包括数据字段225(图2)中的第一数据字段,并且第二消息至少包括数据字段225中的第二数据字段和第三数据字段。
在框1708处,ART预测系统104确定数据字段是否违反第一规则。例如,在数据消息的数据字段和/或更一般地数据消息包括天气数据和/或以其它方式与天气数据相关联时,数据库控制器204可以确定第一数据字段和/或更一般地第一数据消息违反了表示废弃数据消息的第一规则。
在框1708处,如果ART预测系统104确定数据字段未违反第一规则,则该控制进行至框1712,以确定数据字段是否违反第二规则。在框1708处,如果ART预测系统104确定数据字段违反第一规则,则在框1710处,ART预测系统104废弃与违反第一规则的数据字段相关联的消息,并且该控制进行至框1712。例如,当第一数据字段违反第一规则时,数据库控制器204可以废弃第一数据消息。
在框1712处,ART预测系统104确定数据字段是否违反第二规则。例如,在数据字段包括非关注区段或未被分析的区段和/或以其它方式与非关注区段或未被分析的区段相关联时,数据库控制器204可以确定第二数据字段违反了表示废弃数据字段的第二规则。
在框1712处,如果ART预测系统104确定数据字段未违反第二规则,则该控制进行至框1716,以存储未违反第一规则和第二规则的剩余数据字段和/或数据消息。在框1712处,如果ART预测系统104确定数据字段违反第二规则,则在框1714处,ART预测系统104废弃违反第二规则的数据字段。例如,当第二数据字段违反第二规则时,数据库控制器204可以废弃第二数据字段。
在框1716处,ART预测系统104存储未违反第一规则和第二规则的剩余数据字段和/或数据消息。例如,当第三数据字段未违反包括第一规则和第二规则的多个规则时,数据库控制器204可以存储第三数据字段。响应于在框1716处存储未违反第一规则和第二规则的剩余数据字段和/或数据消息,使图17的机器可读指令1700结束。
图18是表示示例机器可读指令1800的流程图,该示例机器可读指令1800可以被执行以实现图2的ART预测控制器210和/或更一般地图1和/或图2的ART预测系统104,以计算空域交通计数参数。图18的机器可读指令1800开始于框1802,在该框1802处,ART预测控制器210针对某一时段配置空域区段的阈值。例如,区段参数确定器450(图4)可以配置和/或以其它方式确定:可以由图2的区段数据生成器218使用的阈值。区段参数确定器450可以基于以下项中的至少一个来确定针对未来时段所关注区段中的相应关注区段的阈值的值:(1)在未来时段期间,所述多个飞行器106A至106F的第一飞行计划;(2)在未来时段期间与所关注区段相关联的天气信息;或者(3)包括在先前时段、历史时段、所述未来时段之前的时段等期间,与所述区段相关联的第二飞行计划和第二天气信息中的至少一者的历史信息。
在框1804处,ART预测控制器210通过查询数据库来确定第一飞行器交通计数。例如,交通计数确定器430(图4)可以通过查询第二数据库208(图2),来确定图9的第一区段906、第二区段908等的第一交通计数。在这样的示例中,第一交通计数可以是第一区段906、第二区段908等的观测到的交通计数或先前确定的交通计数。
在框1806处,ART预测控制器210通过执行机器学习(ML)模型来预测第二飞行器交通计数。例如,ML控制器420可以执行ML模型470(图4)中的一个或更多个ML模型,以针对未来时段预测第一区段906、第二区段908等的第二飞行器交通计数。
在框1808处,ART预测控制器210基于第一或第二飞行器交通计数中的至少一个飞行器交通计数来计算空域交通计数参数。例如,区段参数确定器450可以基于第一飞行器交通计数和第二飞行器交通计数中的至少一者,来计算和/或以其它方式确定一个或多个空域交通计数参数。在这样的示例中,区段参数确定器450可以执行图10的源代码1000中所描绘的服务中的一个或更多个服务,以计算所述一个或多个空域交通计数参数。响应于在框1808处计算空域交通计数参数,使图18的机器可读指令1800结束。
图19是被构造成执行图10至图18的指令以实现图1和/或图2的ART预测系统104的示例处理器平台1900的框图。处理器平台1900例如可以是服务器、个人计算机、工作站、自学习机(例如,神经网络)或者任何其它类型的计算装置。
所示示例的处理器平台1900包括处理器1912。所示示例的处理器1912是硬件。例如,可以通过来自任何期望系列或制造方的一个或更多个集成电路、逻辑电路、微处理器、GPU、DSP或控制器实现处理器1912。该硬件处理器可以是基于半导体(例如,硅基)的装置。在该示例中,处理器1912实现图3的示例数据提取器310、示例索引生成器320、示例数据映射器330、示例数据相关器340以及示例交通计数生成器350和/或更一般地图2和/或图3的示例数据库控制器204。在该示例中,处理器1912实现图4的示例ML控制器420、示例交通计数确定器430、示例交通计数预测器440以及示例区段参数确定器450和/或更一般地图2和/或图4的示例ART区段服务216。在该示例中,处理器1912实现图2的示例查询控制器214、示例ART区段服务216、示例区段数据生成器218以及示例图形资源呈现器220和/或更一般地图2的ART预测控制器210。
所示示例的处理器1912包括本地存储器1913(例如,高速缓冲存储器)。所示示例的处理器1912经由总线1918与包括易失性存储器1914和非易失性存储器1916的主存储器进行通信。易失性存储器1914可以通过SDRAM、DRAM、RDRAM和/或任何其它类型的随机存取存储器装置来实现。非易失性存储器1916可以通过闪速存储器和/或任何其它期望类型的存储器装置来实现。接入主存储器1914、1916是通过存储器控制器来控制的。
所示示例的处理器平台1900还包括接口电路1920。该接口电路1920可以通过任何类型的接口标准来实现,诸如以太网接口、通用串行总线(USB)、接口、近场通信(NFC)接口和/或PCI扩展接口。在该示例中,接口电路1920实现图2的第一示例网络接口202、图2的第二示例网络接口212以及图4的示例数据库接口410。
在所示示例中,将一个或更多个输入装置1922连接至接口电路1920。该输入装置1922准许用户将数据和/或命令输入到处理器1912中。该输入装置1922例如可以通过音频传感器、麦克风、摄像机(静态或视频)、键盘、按钮、鼠标器、触摸屏、触控板、轨迹球,isopoint装置和/或语音识别系统来实现。
还将一个或更多个输出装置1924连接至所示示例的接口电路1920。该输出装置1924例如可以通过显示装置(例如,发光二极管(LED)、有机发光二极管(OLED)、液晶显示器(LCD)、阴极射线管显示器(CRT)、面内切换(in-place switching(IPS))显示器、触摸屏等)、触控输出装置、打印机和/或扬声器来实现。所示示例的接口电路1920由此通常包括图形驱动器卡、图形驱动器芯片和/或图形驱动器处理器。
所示示例的接口电路1920还包括通信装置(诸如发送器、接收器、收发器、调制解调器、住宅网关、无线接入点和/或网络接口),以促进经由网络1926与外部机器(例如,任何种类的计算装置)的数据交换。该通信例如可以是经由以太网连接、数字用户线(DSL)连接、电话线连接、同轴电缆系统、卫星系统、现场线无线系统、蜂窝电话系统等的。
所示示例的处理器平台1900还包括用于存储软件和/或数据的一个或更多个大容量存储装置1928。这种大容量存储装置1928的示例包括:软盘驱动器、硬盘驱动器、光盘驱动器、Blu-ray盘驱动器、独立磁盘冗余阵列(RAID)系统以及数字通用盘(DVD)驱动器。在该示例中,所述一个或更多个大容量存储装置1928实现图2的第一示例数据库206、图2的第二示例数据库208以及图4的示例性ART区段服务数据库460(其包括图4的示例ML模型470)。
可以将图10至图18的机器可执行指令(INSTR)1932存储在大容量存储装置1928中、易失性存储器1914中、非易失性存储器1916中,和/或诸如CD或DVD的可去除非暂时性计算机可读存储介质上。
根据前述,应意识到,已经公开了改善飞行器交通管制的示例系统、方法、设备以及制品。上面公开的示例表示数据管理和分析系统,该数据管理和分析系统可以准确地预测和/或以其它方式确定NAS或其它空中交通管理环境内的空域区段的飞行器交通计数。上面公开的示例例示了ART预测系统,该ART预测系统可以被航空公司和ANSP用作基于地面的决定支持工具,或者被飞行机组人员用作基于空中的决定支持工具。ART预测系统可以预测和/或以其它方式确定所关注空中交通区段的飞行器交通计数,以使得航空公司能够调整飞行计划或将飞行器改道至交通不太密集或不太拥塞的空域。这样的调整可以提高NAS或其它空中交通管理环境的效率,这可以导致更高的自动化程度,从而减少当前由空中交通管制员管理的工作量。
ART预测系统可以持续用掉并且学习由TFM数据服务提供的平均每天数百万的FIXM消息。ART预测系统可以清除、使相关、索引并存储要由在云计算平台上部署的一组微服务使用的FIXM消息。有利地,通过在云计算平台上部署该组微服务,ART预测系统可以是分布式的,可扩展的以及高度可用的。所公开的系统、方法、设备以及制品通过对经净化和使相关的ART数据执行ML模型来提高使用计算装置的效率,这使得ART预测系统能够评估多种不同类型的ML模型,以标识所述ML模型中的哪个ML模型可以确定高准确度值。因此,所公开的方法、设备以及制品致力于计算机功能上的一项或更多项改进。
而且,本公开包括根据下列条款的示例:
条款1.一种设备(104),所述设备包括:网络接口(202),所述网络接口(202)用于获得(1102)与在空域区段(906、908、910、912)中飞行的多个飞行器(106A至106F)相关联的空中航线交通数据(222),所述空中航线交通数据与第一时段相关联;数据库控制器(204),所述数据库控制器(204)通过将所述空中航线交通数据的一个或更多个提取部分映射至第一数据库条目(500)中包括的第一数据库条目字段(502、504、506、508、510、512、514),来生成(1204)所述第一数据库条目,所述第一数据库条目字段与所述多个飞行器中的相应飞行器相关联;以及空中航线交通(ART)区段服务(216),所述ART区段(216)服务用于:使用数据库条目(500)执行(1402)多个机器学习模型(470),以生成在所述第一时段期间所述空域区段的第一飞行器交通计数(510),所述数据库条目包括所述第一数据库条目;响应于基于所述第一飞行器交通计数选择(1406)所述多个机器学习模型中的第一机器学习模型(470),执行(1108)所述第一机器学习模型,以生成在所述第一时段之后的第二时段期间所述空域区段的第二飞行器交通计数(510);以及将所述第二飞行器交通计数发送(1110)至计算装置(226、228、230),以引起对所述多个飞行器中的第一飞行器(106A)的飞行计划(902、904)的调整。
条款2.根据条款1所述的设备,其中,所述空中航线交通数据包括具有一个或更多个数据字段(225)的数据消息(223),所述数据消息包括具有第一数据字段(225)的第一数据消息(223),以及具有第二数据字段(225)和第三数据字段(225)的第二数据消息(223),并且所述数据库控制器用于:在所述第一数据字段违反规则时废弃(1710)所述第一数据消息;在所述第二数据字段违反所述规则时废弃(1714)所述第二数据字段;以及在所述第三数据字段未违反包括所述规则的多个规则时,存储(1716)所述第三数据字段。
条款3.根据条款1至2中的任一项所述的设备,其中,所述空中航线交通数据包括具有第一数据字段(225)的第一数据消息(223),并且所述数据库控制器用于:基于所述第一数据字段标识(1202)所述多个飞行器中的第二飞行器(106B),所述第一数据字段包括所述第二飞行器的航班号;通过将所述航班号存储在所述第一数据库条目字段中,来生成(1204)所述第一数据库条目字段;通过将所述第一数据库条目字段存储在所述第一数据库条目中,来生成(1206)所述第一数据库条目;以及响应于标识在所述空中航线交通数据中包括的一个或更多个第二数据消息(223)中的所述航班号,在所述第一数据库条目中存储(1210)所述一个或更多个第二数据消息的一个或更多个第二数据字段(225)。
条款4.根据条款1至3中的任一项所述的设备,其中,所述ART区段服务用于:确定(1406)所述第一飞行器交通计数与第三飞行器交通计数(510)之间的差异,所述第三飞行器交通计数表示所观察到的在所述第一时段期间与所述空域区段相关联的飞行器交通计数的量,所述第一机器学习模型具有所述差异中的第一差异;以及响应于所述第一差异小于其余差异,选择(1408)所述第一机器学习模型以用于执行。
条款5.根据条款1至4中的任一项所述的设备,其中,所述第二飞行器交通计数包括所述空域区段中的第一空域区段(908)的第三飞行器交通计数,所述飞行计划是第一飞行计划(902),并且所述ART区段服务用于:确定(1608)所述第三飞行器交通计数满足以下阈值:所述阈值表示在所述第二时段期间要在所述第一空域区段中飞行的飞行器的量;确定(1610)所述第一飞行计划在所述第二时段期间包括所述第一空域区段;以及向所述第一飞行器发送(1616)推荐,以从所述第一飞行计划调整成第二飞行计划(904),所述第二飞行计划在所述第二时段期间不包括所述第一空域区段。
条款6.根据条款1至5中的任一项所述的设备,其中,所述ART区段服务包括至少一个微服务(410、420、430、440、450、460),所述至少一个微服务(410、420、430、440、450、460)用于:基于在所述第二时段期间所述多个飞行器的第一飞行计划(902、904)、在所述第二时段期间与所述空域区段相关联的第一天气信息、以及包括了在所述第一时段期间与所述空域区段相关联的第二飞行计划(902、904)和第二天气信息中的至少一者的历史信息中的至少一项,来针对所述第二时段配置(1802)所述空域区段中的相应空域区段的阈值;通过查询数据库(208)来确定(1804)所述第一飞行器交通计数;通过执行所述第一机器学习模型来预测(1806)所述第二飞行器交通计数;以及基于所述第一飞行器交通计数和所述第二飞行器交通计数中的至少一者,来计算(1808)一个或更多个空域交通计数参数。
条款7.根据条款6所述的设备,其中,所述至少一个微服务是使用云计算平台的虚拟计算资源、虚拟网络资源和虚拟存储资源中的至少一者来执行的。
条款8.一种包括指令(1932)的非暂时性计算机可读存储介质(1913、1914、1916、1928),所述指令(1932)在被执行时使至少一个机器(1900)至少进行如下操作:获得(1102)与在空域区段(906、908、910、912)中飞行的多个飞行器(106A至106F)相关联的空中航线交通数据(222),所述空中航线交通数据与第一时段相关联;通过将所述空中航线交通数据的一个或更多个提取部分映射至第一数据库条目字段(502、504、506、508、510、512、514),来生成(1204)具有第一数据库条目字段的第一数据库条目(500),该第一数据库条目字段与所述多个飞行器中的相应飞行器相关联;使用数据库条目(500)执行(1402)多个机器学习模型(470),以生成在所述第一时段期间所述空域区段的第一飞行器交通计数(510),所述数据库条目包括所述第一数据库条目;响应于基于所述第一飞行器交通计数选择(1406)所述多个机器学习模型中的第一机器学习模型(470),执行(110)所述第一机器学习模型,以生成在所述第一时段之后的第二时段期间所述空域区段的第二飞行器交通计数(510);以及将所述第二飞行器交通计数发送(1110)至计算装置(226、228、230),以引起对所述多个飞行器中的第一飞行器(106A)的飞行计划(902、904)的调整。
条款9.根据条款8所述的非暂时性计算机可读存储介质,其中,所述空中航线交通数据包括具有一个或更多个数据字段(225)的数据消息(223),所述数据消息包括具有第一数据字段(225)的第一数据消息(223),以及具有第二数据字段(225)和第三数据字段(225)的第二数据消息(223),并且所述指令在被执行时使所述至少一个机器进行如下操作:在所述第一数据字段违反规则时,废弃(1710)所述第一数据消息;在所述第二数据字段违反所述规则时,废弃(1714)所述第二数据字段;以及在所述第三数据字段未违反包括所述规则的多个规则时,存储(1716)所述第三数据字段。
条款10.根据条款8至9中的任一项所述的非暂时性计算机可读存储介质,其中,所述空中航线交通数据包括具有第一数据字段(225)的第一数据消息(223),并且所述指令在被执行时使所述至少一个机器进行如下操作:基于所述第一数据字段来标识(1202)所述多个飞行器中的第二飞行器(106B);基于所述第一数据字段来生成(1204)所述第一数据库条目字段;生成(1204)包括所述第一数据库条目字段的所述第一数据库条目;以及响应于标识一个或更多个第二数据消息(223)中的所述第一数据字段,而在所述第一数据库条目中存储(1210)所述一个或更多个第二数据消息的一个或更多个第二数据字段(225),所述第二数据消息被包括在所述空中航线交通数据中。
条款11.根据条款8至10中的任一项所述的非暂时性计算机可读存储介质,其中,所述指令在被执行时使所述至少一个机器进行如下操作:确定(1406)所述第一飞行器交通计数与第三飞行器交通计数(510)之间的差异,所述第三飞行器交通计数表示所观察到的在所述第一时段期间与所述空域区段相关联的飞行器交通计数的量,所述第一机器学习模型具有所述差异中的第一差异;以及响应于所述第一差异小于其余差异,选择(1408)所述第一机器学习模型以用于执行。
条款12.根据条款8至11中的任一项所述的非暂时性计算机可读存储介质,其中,所述第二飞行器交通计数包括所述空域区段中的第一空域区段(908)的第三飞行器交通计数(510),所述飞行计划是第一飞行计划(902),并且所述指令在被执行时使所述至少一个机器进行如下操作:确定(1608)所述第三飞行器交通计数满足以下阈值,所述阈值表示在所述第二时段期间要在所述第一空域区段中飞行的飞行器的量;确定(1610)所述第一飞行计划在所述第二时段期间包括所述第一空域区段;以及向所述第一飞行器发送(1616)推荐,以从所述第一飞行计划调整成第二飞行计划(904),所述第二飞行计划在所述第二时段期间不包括所述第一空域区段。
条款13.根据条款8至12中的任一项所述的非暂时性计算机可读存储介质,其中,所述指令在被执行时使所述至少一个机器进行如下操作:通过利用至少一个微服务(410、420、430、440、450、460)执行指令,基于在所述第二时段期间所述多个飞行器的第一飞行计划(902、904)、在所述第二时段期间与所述空域区段相关联的第一天气信息、以及包括了在所述第一时段期间与所述空域区段相关联的第二飞行计划(902、904)和第二天气信息中的至少一者的历史信息中的至少一项,来针对所述第二时段配置(1802)所述空域区段中的相应空域区段的阈值;通过利用所述至少一个微服务执行指令,通过查询数据库(208)来确定(1804)所述第一飞行器交通计数;通过利用所述至少一个微服务执行指令,通过执行所述第一机器学习模型来预测(1806)所述第二飞行器交通计数;以及通过利用所述至少一个微服务执行指令,基于所述第一飞行器交通计数和所述第二飞行器交通计数中的至少一者,来计算(1808)一个或更多个空域交通计数参数。
条款14.根据条款13所述的非暂时性计算机可读存储介质,其中,(1)所述至少一个机器或(2)所述至少一个微服务中的至少一者对应于虚拟硬件资源。
条款15.一种方法,该方法包括以下步骤:获得(1102)与在空域区段(906、908、910、912)中飞行的多个飞行器(106A至106F)相关联的空中航线交通数据(222),所述空中航线交通数据与第一时段相关联;通过将所述空中航线交通数据的一个或更多个提取部分映射至第一数据库条目(500)中包括的第一数据库条目字段(502、504、506、508、510、512、514),来生成(1204)所述第一数据库条目,所述第一数据库条目字段与所述多个飞行器中的相应飞行器相关联;使用数据库条目(500)执行(1402)多个机器学习模型(470),以生成在所述第一时段期间所述空域区段的第一飞行器交通计数(510),所述数据库条目包括所述第一数据库条目;响应于基于所述第一飞行器交通计数选择(1406)所述多个机器学习模型中的第一机器学习模型(470),执行(1108)所述第一机器学习模型,以生成在所述第一时段之后的第二时段期间所述空域区段的第二飞行器交通计数(510);以及将所述第二飞行器交通计数发送(1110)至计算装置(226、228、230),以引起对所述多个飞行器中的第一飞行器(106A)的飞行计划(902、904)的调整。
条款16.根据条款15所述的方法,其中,所述空中航线交通数据包括具有一个或更多个数据字段(225)的数据消息(223),所述数据消息包括具有第一数据字段(225)的第一数据消息(223)、以及具有第二数据字段(225)和第三数据字段(225)的第二数据消息(223),并且所述方法还包括以下步骤:在所述第一数据字段违反规则时废弃(1710)所述第一数据消息;在所述第二数据字段违反所述规则时废弃(1714)所述第二数据字段;以及在所述第三数据字段未违反包括所述规则的多个规则时,存储(1716)所述第三数据字段。
条款17.根据条款15至16中的任一项所述的方法,其中,所述空中航线交通数据包括具有第一数据字段(225)的第一数据消息(223),并且所述方法还包括以下步骤:基于所述第一数据字段标识(1202)所述多个飞行器中的第二飞行器(106B),所述第一数据字段包括所述第二飞行器的航班号;通过将所述航班号存储在所述第一数据库条目字段中,来生成(1204)所述第一数据库条目字段;通过将所述第一数据库条目字段存储在所述第一数据库条目中,来生成(1206)所述第一数据库条目;以及响应于标识在所述空中航线交通数据中包括的一个或更多个第二数据消息(223)中的所述航班号,在所述第一数据库条目中存储(1210)所述一个或更多个第二数据消息的一个或更多个第二数据字段(225)。
条款18.根据条款15至17中的任一项所述的方法,所述方法还包括以下步骤:确定(1406)所述第一飞行器交通计数与第三飞行器交通计数(510)之间的差异,所述第三飞行器交通计数表示所观察到的在所述第一时段期间与所述空域区段相关联的飞行器交通计数的量,所述第一机器学习模型具有所述差异中的第一差异;以及响应于所述第一差异小于其余差异,选择(1408)所述第一机器学习模型以用于执行。
条款19.根据条款15至18中的任一项所述的方法,其中,所述第二飞行器交通计数包括所述空域区段中的第一空域区段(908)的第三飞行器交通计数(510),所述飞行计划是第一飞行计划(902),并且所述方法还包括以下步骤:确定(1608)所述第三飞行器交通计数满足以下阈值,所述阈值表示在所述第二时段期间要在所述第一空域区段中飞行的飞行器的量;确定(1610)所述第一飞行计划在所述第二时段期间包括所述第一空域区段;以及向所述第一飞行器发送(1616)推荐,以从所述第一飞行计划调整成第二飞行计划(904),所述第二飞行计划在所述第二时段期间不包括所述第一空域区段。
条款20.根据条款15至19中的任一项所述的方法,所述方法还包括以下步骤:通过利用至少一个微服务(410、420、430、440、450、460)执行指令,基于在所述第二时段期间所述多个飞行器的第一飞行计划(902、904)、在所述第二时段期间与所述空域区段相关联的第一天气信息、以及包括了在所述第一时段期间与所述空域区段相关联的第二飞行计划(902、904)和第二天气信息中的至少一者的历史信息中的至少一项,来针对所述第二时段配置(1802)所述空域区段中的相应空域区段的阈值;通过利用所述至少一个微服务执行指令,通过查询数据库(208)来确定(1804)所述第一飞行器交通计数;通过利用所述至少一个微服务执行指令,通过执行所述第一机器学习模型来预测(1806)所述第二飞行器交通计数;以及通过利用所述至少一个微服务执行指令,基于所述第一飞行器交通计数和所述第二飞行器交通计数中的至少一者,来计算(1808)一个或更多个空域交通计数参数。
尽管本文公开了某些示例系统、方法、设备以及制品,但是本专利的覆盖范围不限于此。与此相反,本专利覆盖完全落入本专利的权利要求的范围内的所有系统、方法、设备以及制品。
所附权利要求由此通过引用而并入该详细描述中,并且各项权利要求独立地作为本公开的单独实施方式。
Claims (13)
1.一种设备(104),所述设备(104)包括:
网络接口(202),所述网络接口(202)用于获得(1102)与在空域区段(906、908、910、912)中飞行的多个飞行器(106A至106F)相关联的空中航线交通数据(222),所述空中航线交通数据与第一时段相关联;
数据库控制器(204),所述数据库控制器(204)通过将所述空中航线交通数据的一个或更多个提取部分映射至第一数据库条目(500)中包括的第一数据库条目字段(502、504、506、508、510、512、514),来生成(1204)所述第一数据库条目,所述第一数据库条目字段与所述多个飞行器中的相应飞行器相关联;以及
空中航线交通区段服务(216),即ART区段服务(216),所述ART区段服务(216)用于:
使用数据库条目(500)来执行(1402)多个机器学习模型(470),以生成在所述第一时段期间所述空域区段的第一飞行器交通计数(510),所述数据库条目包括所述第一数据库条目;
响应于基于所述第一飞行器交通计数选择(1406)所述多个机器学习模型中的第一机器学习模型(470),来执行(1108)所述第一机器学习模型,以生成在所述第一时段之后的第二时段期间所述空域区段的第二飞行器交通计数(510);以及
将所述第二飞行器交通计数发送(1110)至计算装置(226、228、230),以引起对所述多个飞行器中的第一飞行器(106A)的飞行计划(902、904)的调整。
2.根据权利要求1所述的设备,其中,所述空中航线交通数据包括具有一个或更多个数据字段(225)的数据消息(223),所述数据消息包括具有第一数据字段(225)的第一数据消息(223),以及具有第二数据字段(225)和第三数据字段(225)的第二数据消息(223),并且所述数据库控制器用于:
在所述第一数据字段违反规则时,废弃(1710)所述第一数据消息;
在所述第二数据字段违反所述规则时,废弃(1714)所述第二数据字段;以及
在所述第三数据字段未违反包括所述规则的多个规则时,存储(1716)所述第三数据字段。
3.根据权利要求1至2中的任一项所述的设备,其中,所述空中航线交通数据包括具有第一数据字段(225)的第一数据消息(223),并且所述数据库控制器用于:
基于所述第一数据字段来标识(1202)所述多个飞行器中的第二飞行器(106B),所述第一数据字段包括所述第二飞行器的航班号;
通过将所述航班号存储在所述第一数据库条目字段中,来生成(1204)所述第一数据库条目字段;
通过将所述第一数据库条目字段存储在所述第一数据库条目中,来生成(1206)所述第一数据库条目;以及
响应于标识在所述空中航线交通数据中包括的一个或更多个第二数据消息(223)中的所述航班号,而在所述第一数据库条目中存储(1210)所述一个或更多个第二数据消息的一个或更多个第二数据字段(225)。
4.根据权利要求1至3中的任一项所述的设备,其中,所述ART区段服务用于:
确定(1406)所述第一飞行器交通计数与第三飞行器交通计数(510)之间的差异,所述第三飞行器交通计数表示所观察到的在所述第一时段期间与所述空域区段相关联的飞行器交通计数的量,所述第一机器学习模型具有所述差异中的第一差异;以及
响应于所述第一差异小于其余差异,选择(1408)所述第一机器学习模型以用于执行。
5.根据权利要求1至4中的任一项所述的设备,其中,所述第二飞行器交通计数包括所述空域区段中的第一空域区段(908)的第三飞行器交通计数,所述飞行计划是第一飞行计划(902),并且所述ART区段服务用于:
确定(1608)所述第三飞行器交通计数满足以下阈值:所述阈值表示在所述第二时段期间要在所述第一空域区段中飞行的飞行器的量;
确定(1610)所述第一飞行计划在所述第二时段期间包括所述第一空域区段;以及
向所述第一飞行器发送(1616)推荐,以从所述第一飞行计划调整成第二飞行计划(904),所述第二飞行计划在所述第二时段期间不包括所述第一空域区段。
6.根据权利要求1至5中的任一项所述的设备,其中,所述ART区段服务包括至少一个微服务(410、420、430、440、450、460),所述至少一个微服务(410、420、430、440、450、460)用于:
基于如下各项中的至少一项,来针对所述第二时段配置(1802)所述空域区段中的相应空域区段的阈值:在所述第二时段期间所述多个飞行器的第一飞行计划(902、904)、在所述第二时段期间与所述空域区段相关联的第一天气信息、以及包括了在所述第一时段期间与所述空域区段相关联的第二飞行计划(902、904)和第二天气信息中的至少一者的历史信息;
通过查询数据库(208)来确定(1804)所述第一飞行器交通计数;
通过执行所述第一机器学习模型来预测(1806)所述第二飞行器交通计数;以及
基于所述第一飞行器交通计数和所述第二飞行器交通计数中的至少一者,来计算(1808)一个或更多个空域交通计数参数。
7.根据权利要求6所述的设备,其中,所述至少一个微服务是使用云计算平台的虚拟计算资源、虚拟网络资源和虚拟存储资源中的至少一者来执行的。
8.一种方法,所述方法包括以下步骤:
获得(1102)与在空域区段(906、908、910、912)中飞行的多个飞行器(106A至106F)相关联的空中航线交通数据(222),所述空中航线交通数据与第一时段相关联;
通过将所述空中航线交通数据的一个或更多个提取部分映射至第一数据库条目(500)中包括的第一数据库条目字段(502、504、506、508、510、512、514),来生成(1204)所述第一数据库条目,所述第一数据库条目字段与所述多个飞行器中的相应飞行器相关联;
使用数据库条目(500)来执行(1402)多个机器学习模型(470),以生成在所述第一时段期间所述空域区段的第一飞行器交通计数(510),所述数据库条目包括所述第一数据库条目;
响应于基于所述第一飞行器交通计数选择(1406)所述多个机器学习模型中的第一机器学习模型(470),来执行(1108)所述第一机器学习模型,以生成在所述第一时段之后的第二时段期间所述空域区段的第二飞行器交通计数(510);以及
将所述第二飞行器交通计数发送(1110)至计算装置(226、228、230),以引起对所述多个飞行器中的第一飞行器(106A)的飞行计划(902、904)的调整。
9.根据权利要求8所述的方法,其中,所述空中航线交通数据包括具有一个或更多个数据字段(225)的数据消息(223),所述数据消息包括具有第一数据字段(225)的第一数据消息(223),以及具有第二数据字段(225)和第三数据字段(225)的第二数据消息(223),并且所述方法还包括以下步骤:
在所述第一数据字段违反规则时,废弃(1710)所述第一数据消息;
在所述第二数据字段违反所述规则时,废弃(1714)所述第二数据字段;以及
在所述第三数据字段未违反包括所述规则的多个规则时,存储(1716)所述第三数据字段。
10.根据权利要求8至9中的任一项所述的方法,其中,所述空中航线交通数据包括具有第一数据字段(225)的第一数据消息(223),并且所述方法还包括以下步骤:
基于所述第一数据字段来标识(1202)所述多个飞行器中的第二飞行器(106B),所述第一数据字段包括所述第二飞行器的航班号;
通过将所述航班号存储在所述第一数据库条目字段中,来生成(1204)所述第一数据库条目字段;
通过将所述第一数据库条目字段存储在所述第一数据库条目中,来生成(1206)所述第一数据库条目;以及
响应于标识在所述空中航线交通数据中包括的一个或更多个第二数据消息(223)中的所述航班号,在所述第一数据库条目中存储(1210)所述一个或更多个第二数据消息的一个或更多个第二数据字段(225)。
11.根据权利要求8至10中的任一项所述的方法,所述方法还包括以下步骤:
确定(1406)所述第一飞行器交通计数与第三飞行器交通计数(510)之间的差异,所述第三飞行器交通计数表示所观察到的在所述第一时段期间与所述空域区段相关联的飞行器交通计数的量,所述第一机器学习模型具有所述差异中的第一差异;以及
响应于所述第一差异小于其余差异,选择(1408)所述第一机器学习模型以用于执行。
12.根据权利要求8至11中的任一项所述的方法,其中,所述第二飞行器交通计数包括所述空域区段中的第一空域区段(908)的第三飞行器交通计数(510),所述飞行计划是第一飞行计划(902),并且所述方法还包括以下步骤:
确定(1608)所述第三飞行器交通计数满足以下阈值:所述阈值表示在所述第二时段期间要在所述第一空域区段中飞行的飞行器的量;
确定(1610)所述第一飞行计划在所述第二时段期间包括所述第一空域区段;以及
向所述第一飞行器发送(1616)推荐,以从所述第一飞行计划调整成第二飞行计划(904),所述第二飞行计划在所述第二时段期间不包括所述第一空域区段。
13.根据权利要求8至12中的任一项所述的方法,所述方法还包括以下步骤:
通过利用至少一个微服务(410、420、430、440、450、460)执行指令,基于如下各项中的至少一项,来针对所述第二时段配置(1802)所述空域区段中的相应空域区段的阈值:在所述第二时段期间所述多个飞行器的第一飞行计划(902、904)、在所述第二时段期间与所述空域区段相关联的第一天气信息、以及包括了在所述第一时段期间与所述空域区段相关联的第二飞行计划(902、904)和第二天气信息中的至少一者的历史信息;
通过利用所述至少一个微服务执行指令,通过查询数据库(208)来确定(1804)所述第一飞行器交通计数;
通过利用所述至少一个微服务执行指令,通过执行所述第一机器学习模型来预测(1806)所述第二飞行器交通计数;以及
通过利用所述至少一个微服务执行指令,基于所述第一飞行器交通计数和所述第二飞行器交通计数中的至少一者,来计算(1808)一个或更多个空域交通计数参数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20382282.0 | 2020-04-07 | ||
EP20382282.0A EP3893224A1 (en) | 2020-04-07 | 2020-04-07 | Systems, methods, and apparatus to improve aircraft traffic control |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113496629A true CN113496629A (zh) | 2021-10-12 |
Family
ID=70464970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110234050.6A Pending CN113496629A (zh) | 2020-04-07 | 2021-03-03 | 改善飞行器交通管制的系统、方法以及设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11651697B2 (zh) |
EP (1) | EP3893224A1 (zh) |
CN (1) | CN113496629A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550505A (zh) * | 2022-01-21 | 2022-05-27 | 北京大学 | 一种基于立体剖分网格的动态低空空域网格流量管理方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023064405A1 (en) * | 2021-10-15 | 2023-04-20 | Nexteon Technologies, Inc. | Systems and methods for providing rerouting prior to departure |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7212917B2 (en) | 2004-09-30 | 2007-05-01 | The Boeing Company | Tracking, relay, and control information flow analysis process for information-based systems |
US9691286B2 (en) | 2015-04-22 | 2017-06-27 | The Boeing Company | Data driven airplane intent inferencing |
CN111028529A (zh) * | 2015-05-27 | 2020-04-17 | 关晓芙 | 安装在车辆中的车载设备及相关设备与方法 |
US9870711B2 (en) * | 2015-06-08 | 2018-01-16 | The Boeing Company | System and method for determining an alternative flight route based on sector geometry |
EP3136371B1 (en) | 2015-08-31 | 2024-04-17 | The Boeing Company | Air vehicle navigation method via a common runtime aircraft intent data structure |
US10074283B1 (en) | 2017-03-09 | 2018-09-11 | The Boeing Company | Resilient enhancement of trajectory-based operations in aviation |
CN206991559U (zh) * | 2017-05-09 | 2018-02-09 | 傅子涛 | 用于终端管制区的预警系统 |
FR3067802B1 (fr) * | 2017-06-16 | 2019-12-13 | Thales | Gestion de routes alternatives pour un aeronef |
WO2019196094A1 (en) * | 2018-04-13 | 2019-10-17 | Robert Bosch Gmbh | An optimization system and an optimization method |
CN109448366B (zh) * | 2018-10-18 | 2021-09-17 | 南京航空航天大学 | 一种基于随机森林的空域扇区拥挤程度预测方法 |
CN109740818A (zh) * | 2019-01-10 | 2019-05-10 | 南京航空航天大学 | 一种应用于航路扇区交通的概率密度预测系统 |
CN109637196A (zh) * | 2019-01-10 | 2019-04-16 | 南京航空航天大学 | 航路扇区交通概率密度预测方法 |
CN110633875A (zh) * | 2019-11-20 | 2019-12-31 | 南京萨利智能科技有限公司 | 航路流量预测方法、装置及计算机存储介质 |
-
2020
- 2020-04-07 EP EP20382282.0A patent/EP3893224A1/en active Pending
-
2021
- 2021-03-03 CN CN202110234050.6A patent/CN113496629A/zh active Pending
- 2021-03-25 US US17/212,664 patent/US11651697B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550505A (zh) * | 2022-01-21 | 2022-05-27 | 北京大学 | 一种基于立体剖分网格的动态低空空域网格流量管理方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210312819A1 (en) | 2021-10-07 |
US11651697B2 (en) | 2023-05-16 |
EP3893224A1 (en) | 2021-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11237299B2 (en) | Self-learning nowcast system for modeling, recording, and predicting convective weather | |
EP3007153A2 (en) | Flight object communications system | |
US9208457B2 (en) | Optimized flight plan management system | |
US10678265B2 (en) | Revised speed advisory for an aircraft during flight based on holding time | |
US20200168108A1 (en) | Systems and methods for creating and using a contextual model applicable to predicting aircraft warning conditions and analyzing aircraft performance | |
US8744747B1 (en) | Environmental waypoint insertion | |
US11651697B2 (en) | Systems, methods, and apparatus to improve aircraft traffic control | |
US9406238B2 (en) | Aviation weather and performance optimization system and method | |
JP2013096988A (ja) | 航空機パラメータを推定するための方法およびシステム | |
US10388169B2 (en) | System and method for providing in-flight weather information to compute an optimized vertical flight profile | |
US20210358313A1 (en) | Airport capacity prediction system | |
US11620688B2 (en) | Methods and systems for dynamically determining and adapting to cost impact during a flight | |
Schultz et al. | Analysis of airport ground operations based on ADS-B data | |
US11455839B2 (en) | Network connection outage prediction due to antenna failure using machine learning | |
Ostroumov et al. | Airplane Trajectory Analysis for Round-Trip Flights with ADS-B Data | |
EP4303851A1 (en) | System and computer-implemented method for real-time aircraft flight delay prediction | |
JP6234141B2 (ja) | 移動計画管理システム及び移動計画管理方法及び移動計画管理プログラム | |
JP6456442B2 (ja) | 移動計画管理システム、プロファイル管理システム、プロファイル管理プログラム及び移動計画管理プログラム | |
EP4236395A1 (en) | Dynamic selection of an aeronautical data provider | |
US20230273906A1 (en) | Dynamic selection of an aeronautical data provider | |
Lui | Weather-Aware Aircraft Arrival Characterization at Terminal Maneuvering Area with Data-Driven Methodologies | |
Hernández et al. | Time in Advance Go-Around Predictions for Decision Support in Air Traffic Management | |
US20240135825A1 (en) | Systems and methods for context based optimal data exchange broker in a connected environment | |
US20230129613A1 (en) | Pilot flight path feedback tool | |
Silvestre et al. | A deep learning-based approach for predicting in-flight estimated time of arrival |
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 |