CN113592242B - 一种基于卷积神经网络的航班延误差预测方法 - Google Patents
一种基于卷积神经网络的航班延误差预测方法 Download PDFInfo
- Publication number
- CN113592242B CN113592242B CN202110751081.9A CN202110751081A CN113592242B CN 113592242 B CN113592242 B CN 113592242B CN 202110751081 A CN202110751081 A CN 202110751081A CN 113592242 B CN113592242 B CN 113592242B
- Authority
- CN
- China
- Prior art keywords
- layer
- flights
- flight
- delay
- dimension
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 24
- 230000010006 flight Effects 0.000 claims abstract description 67
- 238000012163 sequencing technique Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卷积神经网络的航班延误差预测方法，包括以下几步：1)航班历史数据预处理；2)卷积神经网络模型构建；3)延误差在排序过程中的应用；本发明旨在利用进港排序队列中每架航班在过去某段时间中每天的延误与当天排序队列中其他航班延误的差值解决当前进港排序过程中排序效率及延误问题中的应用难题，使得减少航班从进近区域进港至跑道口处的延误时间；相比现有技术虽然在进港排序时会考虑多种因素，但仍以管制员经验判断为主，不仅对管制员来说负荷较大，而且也很难将延误时间减少到理想目标下；通过预测进港排序队列中不同航班之间的延误差作为进港排序的关键依据，能够使排序后的航班延误尽可能减小。
Description
技术领域
本发明涉及航空进港排序管理领域，尤其涉及一种基于卷积神经网络的航班延误差预测方法。
背景技术
随着社会的迅速发展和科学技术的不断进步，我国航班进港排序管理领域面临的压力越来越大，进港航班流量不断增加，航班在进港时所面临的如恶劣环境等情况时有发生，如何有效的运用现有技术提高航班进港排序的效率并减少航班的进港延误成了急需解决的问题。
为了应对这种需求，就必须充分利用历史数据和数据挖掘技术，制定一种智能化排序方法，并在进港排序过程中充分考虑各方面因素，尤其是历史航班延误情况，从而实现空域资源利用最大化、航班进港排序效率最大化以及经济效益最大化。
目前，各机场在航班进港排序时，主要以管制员个人经验为主，未能从历史航班延误数据中深层次分析其延误原因，并将造成延误的影响因素考虑到当前航班的进港排序过程中，从而使航班的进港排序效率难以有较大的提高，航班准点率难以得到保证。
发明内容
为提高航班进港排序效率以及尽可能减少航班延误，本发明提供一种基于卷积神经网络的航班延误差预测方法，该方法可以提高航班进港排序效率，减少航班延误，从而减轻管制员负荷，提高机场运行效率。
本发明提供了一种基于卷积神经网络的航班延误差预测方法，其特征在于：
包括以下步骤：1)航班历史数据预处理；2)卷积神经网络模型构建；3)延误差在排序过程中的应用；
航班历史数据主要包括航班进港至跑道口处的计划到达时间和实际到达时间，以及航班的延误时间和不同航班之间的延误差；
卷积神经网络模型包括输入层、卷积层、池化层、全连接层以及输出层，将航班预处理后的历史数据作为输入数据传输给输入层训练该网络；
输入当前航班与其他航班的计划到达时间与预计到达时间差，输出当前航班与其他航班延误差的预测；
将卷积神经网络预测得到的不同航班延误差作为依据进行航班的进港排序。
航班历史数据预处理模块，其特征在于：
航班历史数据主要包括航班进港至跑道口处的计划到达时间S和实际到达时间E，以及航班的延误时间D和不同航班之间的延误差O，其预处理过程如下：
假设进港排序队列中有n+1个航班，获取过去连续m天的历史数据,则第i(i＝1,…,n+1)个航班第j(j＝1,…,m)天的历史数据，包括计划到达时间Sij和实际到达时间Eij；
通过计划到达时间和实际到达时间的差即可得到第i个航班第j天的延误时间Dij；
从n+1个航班中任取一个航班c为当前航班，计算航班c与队列中其他n个航班m天的航班延误差为Dcij，其中i＝1,…,n+1且不等于c，j＝1,…,m；
以n个航班m天为维度即可构成一个二维数组，且m大于n，通过向量变换将m×n维矩阵变换为r×r维方阵，其中r为卷积神经网络输入特征图的维数。
卷积神经网络模型构建模块，其特征在于：
该卷积神经网络结构为输入层、卷积层、池化层、全连接层和输出层，其具体结构如下：
n个航班m天为维度构成的二维数组通过向量变换后转换为方阵，作为卷积神经网络输入层的输入数据，其维度为r×r，其通道数为1，即为一个输入数据；
卷积核的维数、步长和填充因子，分别记为f1、s1和p1，卷积核的个数记为k，其中，卷积核的维数越大，提取的输入特征越复杂；
卷积层在通过卷积层参数的卷积操作后，其维度记为L1×L1，其中L1为
其通道数为k；
池化层主要用于特征选择和信息过滤，包括维数、步长和填充因子三个参数，分别记为f2、s2和p2；
池化层在通过池化层参数的池化操作后，其维度记为L2×L2，其中L2为
其通道数为k；
进行池化操作时，采用极大池化方式，即选择极大值作为池化后元素的值；池化操作得到所有的元素值之后，通过激励函数计算得到池化层的输出结果，激励函数为Sigmoid函数；
全连接层是连接池化层与输出层，数组和向量中的元素记为神经网络中的神经元，全连接层中的每一个神经元都与前一层的所有神经元相连接，其维度为1×1；
全连接层共有两层，第一层全连接层的通道数记为b1，其前一层为池化层；
第二层全连接层的通道数记为b2，其后一层为输出层，且b2的值等于航班的个数n，第二层全连接层通过激励函数计算后得到输出层的值；
输出层维度为n×1，其值代表航班c与其他n个航班延误差的预测。
延误差在排序过程中的应用模块，其特征在于：
得到当前航班与待排序队列中其他航班的延误差之后，通过延误差绝对值的大小判断两个航班在排序队列中的位置；
将待排序队列中的所有航班进行延误差绝对值大小的比较后，将序列中位置相同的航班放在一起再进行排序。
相比现有技术，本发明具有以下有益效果：
1、应用历史数据和数据挖掘技术，通过在排序过程中充分考虑各方面因素，尤其是历史航班延误情况，实现空域资源利用最大化。
2、在航班进港排序过程中突破以管制员个人经验为主的调控方法，能从历史航班延误数据中深层次分析其延误原因，从而使航班的准点率得到保证。
附图说明
下面结合附图对本发明进一步说明；
图1是本发明提供的一种卷积神经网络模型。
具体实施方式
航班历史数据主要包括航班进港至跑道口处的计划到达时间S和实际到达时间E，以及航班的延误时间D和不同航班之间的延误差O，其预处理过程如下：
假设进港排序队列中有n+1个航班，获取过去连续m天的历史数据,则第i(i＝1,…,n+1)个航班第j(j＝1,…,m)天的历史数据，包括计划到达时间Sij和实际到达时间Eij；
通过计划到达时间和实际到达时间的差即可得到第i个航班第j天的延误时间Dij；
从n+1个航班中任取一个航班c为当前航班，计算航班c与队列中其他n个航班m天的航班延误差为Dcij，其中i＝1,…,n+1且不等于c，j＝1,…,m；
以n个航班m天为维度即可构成一个二维数组，且m大于n，通过向量变换将m×n维矩阵变换为r×r维方阵，其中r为卷积神经网络输入特征图的维数。
n个航班m天为维度构成的二维数组通过向量变换后转换为方阵，作为卷积神经网络输入层的输入数据，其维度为r×r，其通道数为1，即为一个输入数据；
卷积核的维数、步长和填充因子，分别记为f1、s1和p1，卷积核的个数记为k，其中，卷积核的维数越大，提取的输入特征越复杂；
卷积层在通过卷积层参数的卷积操作后，其维度记为L1×L1，其中L1为
其通道数为k；
池化层主要用于特征选择和信息过滤，包括维数、步长和填充因子三个参数，分别记为f2、s2和p2；
池化层在通过池化层参数的池化操作后，其维度记为L2×L2，其中L2为
其通道数为k；
进行池化操作时，采用极大池化方式，即选择极大值作为池化后元素的值；池化操作得到所有的元素值之后，通过激励函数计算得到池化层的输出结果，激励函数为Sigmoid函数；
全连接层共有两层，第一层全连接层的通道数记为b1，其前一层为池化层；第二层全连接层的通道数记为b2，其后一层为输出层，且b2的值等于航班的个数n，第二层全连接层通过激励函数计算后得到输出层的值；
输出层维度为n×1，其值代表航班c与其他n个航班延误差的预测；
得到当前航班与待排序队列中其他航班的延误差之后，通过延误差绝对值的大小判断两个航班在排序队列中的位置；
将待排序队列中的所有航班进行延误差绝对值大小的比较后，将序列中位置相同的航班放在一起再进行排序。
Claims (2)
1.一种基于卷积神经网络的航班延误差预测方法，其特征在于，包括以下步骤：1)航班历史数据预处理；2)卷积神经网络模型构建；3)延误差在排序过程中的应用；
所述航班历史数据主要包括航班进港至跑道口处的计划到达时间和实际到达时间，以及航班的延误时间和不同航班之间的延误差；所述航班历史数据主要包括航班进港至跑道口处的计划到达时间S和实际到达时间E，以及航班的延误时间D和不同航班之间的延误差O，其预处理过程如下：
假设进港排序队列中有n+1个航班，获取过去连续m天的历史数据,则第i(i＝1,…,n+1)个航班第j(j＝1,…,m)天的历史数据，包括计划到达时间Sij和实际到达时间Eij，通过计划到达时间和实际到达时间的差即可得到第i个航班第j天的延误时间Dij；
从n+1个航班中任取一个航班c为当前航班，计算航班c与队列中其他n个航班m天的航班延误差为Dcij，其中i＝1,…,n+1且不等于c，j＝1,…,m；
以n个航班m天为维度即可构成一个二维数组，且m大于n，通过向量变换将m×n维矩阵变换为r×r维方阵，其中r为卷积神经网络输入特征图的维数；所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层以及输出层，将航班预处理后的历史数据作为输入数据传输给输入层训练该网络，输入当前航班与其他航班的计划到达时间与预计到达时间差，输出当前航班与其他航班延误差的预测；该卷积神经网络结构为输入层、卷积层、池化层、全连接层和输出层，其具体结构如下：
根据上述的r×r维方阵，作为卷积神经网络输入层的输入数据，其通道数为1，即为一个输入数据；
所述卷积层主要用于对输入数据进行特征提取，即通过一个维数比特征图维数小1的方阵按照4秒的间隔从左到右、从上到下依次扫描该特征图，该方阵记为卷积核，该间隔记为步长，每次扫描时对卷积核与卷积核在特征图中所覆盖的元素进行对应相乘再相加的计算得到一次扫描的输出值；为防止特征图在经过卷积操作后维数小于m，在卷积操作之前对特征图进行填充，即在特征图的四周增加相同数量的行和列，并使得填充后的数组仍为方阵，填充后的方阵与填充前的方阵维数差记为填充因子；
卷积核的维数、步长和填充因子，分别记为f1、s1和p1，卷积核的个数记为k1，其中，卷积核的维数越大，提取的输入特征越复杂；
所述卷积层在通过卷积层参数的卷积操作后，其维度记为L1×L1，其中L1为
其通道数为k2；
所述池化层主要用于特征选择和信息过滤，其维数、步长和填充因子三个参数分别记为f2、s2和p2；
所述池化层在通过池化层参数的池化操作后，其维度记为L2×L2，其中L2为
其通道数为k3；
进行池化操作时，采用极大池化方式，即选择极大值作为池化后元素的值；池化操作得到所有的元素值之后，通过激励函数计算得到池化层的输出结果，激励函数设定为Sigmoid函数；
所述全连接层是连接池化层与输出层，数组和向量中的元素记为神经网络中的神经元，全连接层中的每一个神经元都与前一层的所有神经元相连接，其维度为1×1；
所述全连接层共有两层，第一层全连接层的通道数记为b1，其前一层为池化层；第二层全连接层的通道数记为b2，其后一层为输出层，且b2的值等于航班的个数n，第二层全连接层通过激励函数计算后得到输出层的值；
所述输出层维度为n×1，其值代表航班c与其他n个航班延误差的预测；
通过卷积神经网络预测得到的不同航班延误差作为关键依据进行航班的进港排序，所述不同航班延误差对进港排序的影响为延误差较小的两个航班其在排序过程中所处进港序列中的位置离得较近。
2.根据权利要求1所述的方法，其特征在于：得到当前航班与待排序队列中其他航班的延误差之后，通过延误差绝对值的大小判断两个航班在排序队列中的位置；
将待排序队列中的所有航班进行延误差绝对值大小的比较后，将序列中位置相同的航班放在一起再进行排序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110751081.9A CN113592242B (zh) | 2021-07-01 | 2021-07-01 | 一种基于卷积神经网络的航班延误差预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110751081.9A CN113592242B (zh) | 2021-07-01 | 2021-07-01 | 一种基于卷积神经网络的航班延误差预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592242A CN113592242A (zh) | 2021-11-02 |
| CN113592242B true CN113592242B (zh) | 2023-06-16 |
Family
ID=78245733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110751081.9A Active CN113592242B (zh) | 2021-07-01 | 2021-07-01 | 一种基于卷积神经网络的航班延误差预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592242B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902229B (zh) * | 2021-12-09 | 2022-04-15 | 武汉市胜意科技发展有限公司 | 一种基于模糊Petri网的航班延误波及预测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6134500A (en) * | 1999-06-03 | 2000-10-17 | United Air Lines, Inc. | System and method for generating optimal flight plans for airline operations control |
| CN107591034A (zh) * | 2017-08-09 | 2018-01-16 | 南京莱斯信息技术股份有限公司 | 一种进港航班排序的实现方法 |
| CN109948716A (zh) * | 2019-03-25 | 2019-06-28 | 中国民航大学 | 一种基于区域残差和lstm网络的机场延误预测方法 |
| CN110956342A (zh) * | 2020-01-02 | 2020-04-03 | 中国民航大学 | 基于注意力机制的CliqueNet航班延误预测方法 |
| CN112614384A (zh) * | 2020-12-09 | 2021-04-06 | 南京莱斯信息技术股份有限公司 | 基于多目标动态分配跑道的进场多约束排序计算方法 |
| GB202105672D0 (en) * | 2021-04-21 | 2021-06-02 | Zeta Specialist Lighting Ltd | Traffic control at an intersection |
-
2021
- 2021-07-01 CN CN202110751081.9A patent/CN113592242B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6134500A (en) * | 1999-06-03 | 2000-10-17 | United Air Lines, Inc. | System and method for generating optimal flight plans for airline operations control |
| CN107591034A (zh) * | 2017-08-09 | 2018-01-16 | 南京莱斯信息技术股份有限公司 | 一种进港航班排序的实现方法 |
| CN109948716A (zh) * | 2019-03-25 | 2019-06-28 | 中国民航大学 | 一种基于区域残差和lstm网络的机场延误预测方法 |
| CN110956342A (zh) * | 2020-01-02 | 2020-04-03 | 中国民航大学 | 基于注意力机制的CliqueNet航班延误预测方法 |
| CN112614384A (zh) * | 2020-12-09 | 2021-04-06 | 南京莱斯信息技术股份有限公司 | 基于多目标动态分配跑道的进场多约束排序计算方法 |
| GB202105672D0 (en) * | 2021-04-21 | 2021-06-02 | Zeta Specialist Lighting Ltd | Traffic control at an intersection |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592242A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110222760B (zh) | 一种基于winograd算法的快速图像处理方法 | |
| CN111401601B (zh) | 一种面向延误传播的航班起降时间预测方法 | |
| CN107704949B (zh) | 基于历史数据驱动的航班进离场调度优化方法及系统 | |
| CN116468186B (zh) | 一种航班链延误时间预测方法、电子设备及存储介质 | |
| CN114912705A (zh) | 一种联邦学习中异质模型融合的优化方法 | |
| CN112053560B (zh) | 基于神经网络的短时交通流量预测方法、系统和存储介质 | |
| CN113592242B (zh) | 一种基于卷积神经网络的航班延误差预测方法 | |
| CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
| CN112100155A (zh) | 一种云边协同的数字孪生模型组装与融合方法 | |
| CN111754025A (zh) | 基于cnn+gru的公交短时客流预测方法 | |
| CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
| CN113743675B (zh) | 一种云服务QoS深度学习预测模型的构建方法和系统 | |
| CN110958625B (zh) | 一种基于移动边缘智能的实时多模态语言分析系统和方法 | |
| CN111191843B (zh) | 一种基于时序网络传播动力学方程的机场延误预测方法 | |
| CN113159452B (zh) | 基于时空相关性的风电集群功率预测方法 | |
| CN111723516B (zh) | 一种基于自适应深度神经网络替代模型的海水入侵模拟-优化方法 | |
| CN115223402B (zh) | 一种基于时空图卷积网络的空域扇区复杂度预测方法 | |
| CN115049152A (zh) | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 | |
| CN110782083A (zh) | 基于深度Croston方法的航空发动机备用需求预测方法 | |
| CN111858565A (zh) | 一种基于线段聚类的多维度高精度航迹智能预测方法 | |
| CN110659773A (zh) | 一种基于深度学习的航班延误预测方法 | |
| CN114205251A (zh) | 基于时空特征的交换机链路资源预测方法 | |
| Kou et al. | Communication resources constrained hierarchical federated learning for end-to-end autonomous driving | |
| CN112200391A (zh) | 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法 | |
| CN112260738B (zh) | 基于yolo目标检测的fd-mimo下行多用户分簇方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |