CN113610282A - 航班滑行时间预测方法 - Google Patents

航班滑行时间预测方法 Download PDF

Info

Publication number
CN113610282A
CN113610282A CN202110839001.5A CN202110839001A CN113610282A CN 113610282 A CN113610282 A CN 113610282A CN 202110839001 A CN202110839001 A CN 202110839001A CN 113610282 A CN113610282 A CN 113610282A
Authority
CN
China
Prior art keywords
time
flight
taxi
sliding
time prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110839001.5A
Other languages
English (en)
Inventor
彭涛
童芳
侯娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Capital International Airport Co ltd
Original Assignee
Beijing Capital International Airport Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Capital International Airport Co ltd filed Critical Beijing Capital International Airport Co ltd
Priority to CN202110839001.5A priority Critical patent/CN113610282A/zh
Publication of CN113610282A publication Critical patent/CN113610282A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • 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)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种航班滑行时间预测方法。该方法可以包括：根据航班实际运行情况和相关性分析，确定多个影响滑行时间的因子作为特征变量；建立滑行时间预测模型；以特征变量为输入，根据滑行时间预测模型预测滑行时间。本发明通过对离港航班滑行时间影响因素的综合考虑，能够提高进离港高峰时段航班的预测准确率。

Description

航班滑行时间预测方法
技术领域
本发明涉及机场运行领域，更具体地，涉及一种航班滑行时间预测方法。
背景技术
离港航班滑行时间是指航班从机坪管制下达推出指令后撤轮挡至实际起飞所需要的时间，是反映机场运行效率的重要指标之一。在航班推出前准确预测航班可能的滑行时间，有助于通过优化航班推出序列等来改善机场场面交通，缓解滑行延误，提升滑行道及跑道等的利用率。航班延误预警则是基于滑行时间的预测结果，对未来航班延误状况做出预测与预警。将滑行时间预测与航班延误预警二者有机结合，既有助于进一步提高航班准点率，为机场提供有效的参考依据，又可以为旅客的出行以及时间安排提供很大的帮助。
目前，针对滑行时间预测方面的技术，在应用领域，国内大多数机场均采用统一的默认预计滑行时间来预估离港航班的预计起飞时间，具体做法是：每条跑道对应一个固定的滑行时间，这些滑行时间一般根据历史运行数据粗略计算得到。对于起降架次较少的机场，这种做法基本可行。但大型繁忙机场由于受到机场布局、机位分配及航班流量等多种因素的影响，其航班滑行时间差别很大，使用统一的默认滑行时间会产生较大误差，进而影响机场整体运行效率。在学术领域，离港航班滑行时间预测的研究主要分为数据挖掘、排队论理论、滑行路径优化三个方面，涉及的研究方法有线性回归方法、模糊方法、机器学习方法、深度学习方法等。这些理论和方法由于未能综合考虑跑道、机位、进离港航班流量以及实际运行中不确定条件等多种因素对滑行时间的影响，存在以下缺陷：
(1)基于数据挖掘方面的研究，先进的机器学习方法在滑行时间预测中显示了优良的性能，针对航班平均滑行时间的预测效果较好，但对于单个航班的滑行时间预测，无论是方法的实际应用性还是结果的准确性都有待提高。
(2)基于排队论理论建立的预测模型，对于进离港航班量显著增多的高峰时段，预测结果与实际情况相差很大。
(3)基于滑行路径优化方面的研究，采用运筹的方法来优化各个航班的推出顺序和滑行路线，可间接得到各个航班的滑行时间。由于进离港航班状态不断在发生变化，航班的数量、滑行道网络的复杂性会极大影响解空间的规模，在实际使用时尚未找到较好的求解方法。
针对延误预警方面的研究，以建立延误指标体系为主体，依据指标体系的评分，在航班延误影响因素难以预知的前提下，不利于广泛应用。在机器学习、深度学习等领域的创新，虽然通过直接利用可观测的航班信息、气象信息等大数据拟合函数或是训练模型，可以实现航班延误的预测，且效果较好。但延误相关因素太多，很难拟合出函数或训练出预警准确率高的模型。
因此，构建科学合理的滑行时间预测模型，更加准确的预测每个离港航班的滑行时间，并对航班延误状况及时预警，是本领域亟待解决的问题。
因此，有必要开发一种航班滑行时间预测方法。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种航班滑行时间预测方法，其能够通过对离港航班滑行时间影响因素的综合考虑，能够提高进离港高峰时段航班的预测准确率。
一种航班滑行时间预测方法，包括：
根据航班实际运行情况和相关性分析，确定多个影响滑行时间的因子作为特征变量；
建立滑行时间预测模型；
以所述特征变量为输入，根据所述滑行时间预测模型预测滑行时间。
优选地，所述特征变量包括：滑行期间起降航班量、前15分钟起飞航班的平均滑行时长、前15分钟推出航班量、未来15分钟预计降落航班量、时间段和滑行距离。
优选地，根据支持向量回归法，建立滑行时间预测模型。
优选地，根据支持向量回归法，建立滑行时间预测模型包括：
确定训练样本集并进行归一化；
根据十折交叉验证的网格搜索法确定所述滑行时间预测模型的设计参数；
确定所述滑行时间预测模型的核函数，构建初始回归函数；
通过测试数据集测试所述初始回归函数，若达到设定的预测精度，则以所述初始回归函数为滑行时间预测模型，否则则修改和调整设计参数和核函数。
优选地，所述初始回归函数为：
Figure BDA0003178172530000031
其中，f(x)为预测的滑行时间，
Figure BDA0003178172530000032
αi为拉格朗日乘子，l为特征变量个数，K(xi,x)为核函数，x为核函数中心，xi为特征变量，b为截距。
优选地，所述核函数为高斯核函数：
Figure BDA0003178172530000041
其中，σ为宽度参数。
优选地，根据预测的滑行时间进行航班延误预警。
优选地，根据预测的滑行时间进行航班延误预警包括：
设定时段时长，计算该时段内每一条跑道每一次的预测滑行时间与实际滑行时间的时间差；
计算该时段内该跑道上的时间差的绝对值的平均值，标记为对比值；
计算时间差与对比值的差值，若所述差值小于第一阈值，则将该次滑行标记为正常滑行，若所述差值大于第一阈值且小于第二阈值，则发布黄色预警，若所述差值大于第二阈值，则发布红色预警。
优选地，针对所述滑行时间预测模型进行自动训练，优化所述滑行时间预测模型。
优选地，针对所述滑行时间预测模型进行自动训练包括：
设定第一时间周期；
采集所述第一周期内正常滑行的次数，计算正常滑行的次数与总次数的差值，若差值大于设定阈值，则根据所述第一时间周期内的特征变量重新训练所述滑行时间预测模型，若否，则采用原来的滑行时间预测模型；
若所述滑行时间预测模型未更新的时间大于设定阈值，则重新训练所述滑行时间预测模型。
其有益效果在于：
(1)通过对离港航班滑行时间影响因素的综合考虑，能够提高进离港高峰时段航班的预测准确率；
(2)每隔一个周期，将新的数据加入训练集进行学习，自动更新预测模型，使得预测系统能够跟踪与捕捉机场运行的动态变化，提升系统的敏捷性和适应性，实现更加精准的预测；
(3)从历史数据出发，完全以数据为导向可以减少人为主观因素对预警结果的影响，且对噪音不敏感，比较直观，更易操作。
本发明的方法具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的航班滑行时间预测方法的步骤的流程图。
图2a、图2b、图2c、图2d分别示出了根据本发明的一个实施例的停机区Ⅰ、Ⅱ、Ⅲ、Ⅳ至跑道36L、36R、01的平均滑行时间的示意图。
图3示出了根据本发明的一个实施例的相邻时段离港航班滑行时间的相关关系的示意图。
图4示出了根据本发明的一个实施例的离港航班滑行时间拟合的示意图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
本发明提供一种航班滑行时间预测方法，包括：
根据航班实际运行情况和相关性分析，确定多个影响滑行时间的因子作为特征变量；
建立滑行时间预测模型；
以特征变量为输入，根据滑行时间预测模型预测滑行时间。
在一个示例中，特征变量包括：滑行期间起降航班量、前15分钟起飞航班的平均滑行时长、前15分钟推出航班量、未来15分钟预计降落航班量、时间段和滑行距离。
在一个示例中，根据支持向量回归法，建立滑行时间预测模型。
在一个示例中，根据支持向量回归法，建立滑行时间预测模型包括：
确定训练样本集并进行归一化；
根据十折交叉验证的网格搜索法确定滑行时间预测模型的设计参数；
确定滑行时间预测模型的核函数，构建初始回归函数；
通过测试数据集测试初始回归函数，若达到设定的预测精度，则以初始回归函数为滑行时间预测模型，否则则修改和调整设计参数和核函数。
在一个示例中，初始回归函数为：
Figure BDA0003178172530000061
其中，f(x)为预测的滑行时间，
Figure BDA0003178172530000062
αi为拉格朗日乘子，l为特征变量个数，K(xi,x)为核函数，x为核函数中心，xi为特征变量，b为截距。
在一个示例中，核函数为高斯核函数：
Figure BDA0003178172530000063
其中，σ为宽度参数，控制了函数的径向作用范围。
在一个示例中，根据预测的滑行时间进行航班延误预警。
在一个示例中，根据预测的滑行时间进行航班延误预警包括：
设定时段时长，计算该时段内每一条跑道每一次的预测滑行时间与实际滑行时间的时间差；
计算该时段内该跑道上的时间差的绝对值的平均值，标记为对比值；
计算时间差与对比值的差值，若差值小于第一阈值，则将该次滑行标记为正常滑行，若差值大于第一阈值且小于第二阈值，则发布黄色预警，若差值大于第二阈值，则发布红色预警。
在一个示例中，针对滑行时间预测模型进行自动训练，优化滑行时间预测模型。
在一个示例中，针对滑行时间预测模型进行自动训练包括：
设定第一时间周期；
采集第一周期内正常滑行的次数，计算正常滑行的次数与总次数的差值，若差值大于设定阈值，则根据第一时间周期内的特征变量重新训练滑行时间预测模型，若否，则采用原来的滑行时间预测模型；
若滑行时间预测模型未更新的时间大于设定阈值，则重新训练滑行时间预测模型。
具体地，通过航班实际运行情况和相关性分析筛选出六个影响滑行时间的因子作为特征变量，分别为滑行期间起降航班量、前15分钟起飞航班的平均滑行时长、前15分钟推出航班量、未来15分钟预计降落航班量、时间段和滑行距离，其中滑行距离通过将数据按照跑道和机位分组体现。
采用支持向量回归方法建立预测模型：
确定SVR预测模型的输入和输出。最终选取的特征变量作为输入变量，滑行时间作为输出变量。
构建SVR预测模型：
1)确定训练样本集并进行归一化；
2)根据十折交叉验证的网格搜索法确定SVR的设计参数；
3)选择SVR的核函数；
4)SVR优化问题为：
Figure BDA0003178172530000081
Figure BDA0003178172530000082
求解SVR优化问题，得到最优的拉格朗日乘子，其中，ω为回归系数，C为惩罚参数，b为截距，ε为拟合精度，
Figure BDA0003178172530000083
δi均为松弛变量，yi为实际值。
5)构造初始回归函数为公式(1)，本发明使用高斯核函数，其表达式为公式(2)。
6)使用测试数据集测试初始回归函数。若达到预期的预测精度，则得到滑行时间预测模型，否则修改和调整设计参数和核函数。
输入特征变量，通过滑行时间预测模型预测滑行时间。
根据预测的滑行时间进行航班延误预警包括：设定时段时长，计算该时段内每一条跑道每一次的预测滑行时间与实际滑行时间的时间差；计算该时段内该跑道上的时间差的绝对值的平均值，标记为对比值；计算时间差与对比值的差值，若差值小于第一阈值，则将该次滑行标记为正常滑行，若差值大于第一阈值且小于第二阈值，则发布黄色预警，若差值大于第二阈值，则发布红色预警。
基于预测模型，采用Java编程开发了离港航班滑行时间滚动预测系统，同时考虑到机场的实际运行情况复杂多变，起降架次达到高峰时有1800架，受疫情影响降至900架以下，为了能够跟踪和捕捉这种动态变化，更加精准的预测滑行时间，实现了自动训练的能力。
自动训练的业务流程如下：
只建立一个样本集和基于跑道和停机位分组的多个预测模型。每日结束后若正常率(即正常滑行的次数占总次数的比值)达标，将当日数据处理后(包括清洗，处理，补缺失值等等)，计算特征变量，形成样本集，放入相应样本表中。
每周计算一次，计算本周符合正常率的日期的平均日起降架次Avg、正在运行的预测模型所针对的起降架次AD。如果|Avg-AD|>200说明正运行模型与本周实际场景不太符合，因此预测模型需要重新训练。否则使用原预测模型。此外，如果预测模型三个月未更新，则重新训练。
重新训练时，需要重新选取训练集。选取样本方法为，以Avg为中位数，向两边选取数据，直到选取到了200天的样本量。但要求所选样本日期的起降架次不能与Avg相差超过300架。例：Avg＝630，在±300的区间内，即起降架次在[330,930]内只找到了190天的数据，则不继续扩大范围，只使用这190天的数据作为训练集重新训练模型。
选取样本后需更新滑行平均值统计表，并重新训练模型。
实施例1
为便于理解本发明实施例的方案及其效果，以下给出一个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
图1示出了根据本发明的一个实施例的航班滑行时间预测方法的步骤的流程图。
如图1所示，该航班滑行时间预测方法包括：步骤101，根据航班实际运行情况和相关性分析，确定多个影响滑行时间的因子作为特征变量；步骤102，建立滑行时间预测模型；步骤103，以特征变量为输入，根据滑行时间预测模型预测滑行时间。
图2a、图2b、图2c、图2d分别示出了根据本发明的一个实施例的停机区Ⅰ、Ⅱ、Ⅲ、Ⅳ至跑道36L、36R、01的平均滑行时间的示意图。
通过对机场航班运行数据的分析，确定可能影响离港航班滑行时间的因素。根据图2a、图2b、图2c、图2d不难发现，从不同停机位滑行至不同跑道的时间差异明显，但并不是滑行距离越大，滑行时间越长。比如机位Ⅱ距离36L跑道最远，滑行时间却最短，原因可能是从该机位至36L跑道的航空器很少，且不在高峰时段，滑行路径通畅，而至36R跑道的航空器遇到的滑行冲突多，等待时间长。由此也验证了滑行时间的不确定性，其受多种因素影响。
图3示出了根据本发明的一个实施例的相邻时段离港航班滑行时间的相关关系的示意图。
确定所有可能影响离港航班滑行时间的因素后，再逐一分析其与滑行时间的相关关系，如图3绘制的相关性分析散点图，横坐标表示推出前15min使用同跑道起飞的其他航班的平均滑行时间，纵坐标表示该离港航班的滑行时间，结果显示相关系数为0.66，相关性较强。如此筛选出影响离港航班滑行时间的因子，可作为建立预测模型的特征变量。
离港数据的数据项包括航班号、停机区、停机位、跑道、ASAT、离港时间、预计放行时间、ATD等；进港数据的属性值包括航班号、停机区、停机位、跑道、ATA、到港时间等。
考虑机场实际运行情况，对原始数据进行以下预处理：
1)将跑道大修时间段的数据删除；
2)剔除ASAT、ATD、ATA字段取值为空的航班记录；
3)补全缺失的离港时间、到港时间和跑道代码数据；
4)考虑到恶劣天气及航空器故障等因素对离港过程的影响，部分离港航班的滑行时间超过3小时，而在无任何干扰的情况下，近机位离港航班的滑行时间在5min以内，为了避免异常数据的干扰或噪声，根据建立在正态分布等精度重复测量基础上的3σ准则，确定离港航班滑行时间的有效数据区间为
Figure BDA0003178172530000111
5)剔除航班放行正常率低于80％的日期，航班正常率P计算公式如下：
Figure BDA0003178172530000112
其中，Nsum表示一天内离港航班总数，Ndelay表示一天内放行延误航班的数量。当某个航班的实际起飞时间超过预计放行时间，则该航班放行延误；
数据预处理完毕后，计算特征变量的值，并按照OD点对分组，O表示停机区，将邻近的机位进行聚类看作一个O点，D表示跑道，形成模型训练样本集。将样本集的80％作为训练集，剩余20％作为测试集。然后采用训练集对SVR模型进行训练，并将训练好的模型用测试集进行测试。最后利用得到的SVR模型实现函数同构，外推SVR模型，预测离港航班滑行时长。
图4示出了根据本发明的一个实施例的离港航班滑行时间拟合的示意图。
采用Java编程开发了离港航班滑行时间滚动预测系统，并与机场ACDM系统集成，从0:00开始，每15min预测一次。预测时，实时采集场面航班数据，处理后得到各因子值，然后输入已训练好的SVR模型得到针对每个OD对的预测值。与此同时，每隔一个周期，将新的数据加入训练集进行学习，自动更新预测模型，使得预测系统能够跟踪与捕捉机场运行的动态变化，提升系统的敏捷性和适应性，实现更加精准的预测。某一天预测值和实际值的拟合结果如图4所示，由图可知，实际滑行时间波动性较大，无规律性可循，但是除个别离群点外，预计滑行时间与实际滑行时间基本保持相同的波动趋势，拟合性较好。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (10)

1.一种航班滑行时间预测方法，其特征在于，包括：
根据航班实际运行情况和相关性分析，确定多个影响滑行时间的因子作为特征变量；
建立滑行时间预测模型；
以所述特征变量为输入，根据所述滑行时间预测模型预测滑行时间。
2.根据权利要求1所述的航班滑行时间预测方法，其中，所述特征变量包括：滑行期间起降航班量、前15分钟起飞航班的平均滑行时长、前15分钟推出航班量、未来15分钟预计降落航班量、时间段和滑行距离。
3.根据权利要求1所述的航班滑行时间预测方法，其中，根据支持向量回归法，建立滑行时间预测模型。
4.根据权利要求3所述的航班滑行时间预测方法，其中，根据支持向量回归法，建立滑行时间预测模型包括：
确定训练样本集并进行归一化；
根据十折交叉验证的网格搜索法确定所述滑行时间预测模型的设计参数；
确定所述滑行时间预测模型的核函数，构建初始回归函数；
通过测试数据集测试所述初始回归函数，若达到设定的预测精度，则以所述初始回归函数为滑行时间预测模型，否则则修改和调整设计参数和核函数。
5.根据权利要求4所述的航班滑行时间预测方法，其中，所述初始回归函数为：
Figure FDA0003178172520000021
其中，f(x)为预测的滑行时间，
Figure FDA0003178172520000022
αi为拉格朗日乘子，l为特征变量个数，K(xi,x)为核函数，x为核函数中心，xi为特征变量，b为截距。
6.根据权利要求5所述的航班滑行时间预测方法，其中，所述核函数为高斯核函数：
Figure FDA0003178172520000023
其中，σ为宽度参数。
7.根据权利要求1所述的航班滑行时间预测方法，其中，根据预测的滑行时间进行航班延误预警。
8.根据权利要求7所述的航班滑行时间预测方法，其中，根据预测的滑行时间进行航班延误预警包括：
设定时段时长，计算该时段内每一条跑道每一次的预测滑行时间与实际滑行时间的时间差；
计算该时段内该跑道上的时间差的绝对值的平均值，标记为对比值；
计算时间差与对比值的差值，若所述差值小于第一阈值，则将该次滑行标记为正常滑行，若所述差值大于第一阈值且小于第二阈值，则发布黄色预警，若所述差值大于第二阈值，则发布红色预警。
9.根据权利要求8所述的航班滑行时间预测方法，其中，针对所述滑行时间预测模型进行自动训练，优化所述滑行时间预测模型。
10.根据权利要求9所述的航班滑行时间预测方法，其中，针对所述滑行时间预测模型进行自动训练包括：
设定第一时间周期；
采集所述第一周期内正常滑行的次数，计算正常滑行的次数与总次数的差值，若差值大于设定阈值，则根据所述第一时间周期内的特征变量重新训练所述滑行时间预测模型，若否，则采用原来的滑行时间预测模型；
若所述滑行时间预测模型未更新的时间大于设定阈值，则重新训练所述滑行时间预测模型。
CN202110839001.5A 2021-07-23 2021-07-23 航班滑行时间预测方法 Pending CN113610282A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110839001.5A CN113610282A (zh) 2021-07-23 2021-07-23 航班滑行时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110839001.5A CN113610282A (zh) 2021-07-23 2021-07-23 航班滑行时间预测方法

Publications (1)

Publication Number Publication Date
CN113610282A true CN113610282A (zh) 2021-11-05

Family

ID=78338224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110839001.5A Pending CN113610282A (zh) 2021-07-23 2021-07-23 航班滑行时间预测方法

Country Status (1)

Country Link
CN (1) CN113610282A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114566067A (zh) * 2022-03-01 2022-05-31 携程旅游网络技术（上海）有限公司 机场跑道监测方法、系统、电子设备和存储介质
CN114783212A (zh) * 2022-03-29 2022-07-22 南京航空航天大学 一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法
CN116956757A (zh) * 2023-09-21 2023-10-27 中国民航工程咨询有限公司 出港航班滑行时间预测方法、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339700A (zh) * 2008-08-14 2009-01-07 中国民航大学 一种基于免疫算法的机场航班延误预警系统
CN106529734A (zh) * 2016-11-18 2017-03-22 中国民航大学 一种基于knn和svr的航班滑出时间预测方法
CN109448445A (zh) * 2018-09-05 2019-03-08 南京航空航天大学 基于长短期记忆神经网络的航班延误分级预警方法
CN112132366A (zh) * 2020-11-30 2020-12-25 中航信移动科技有限公司 一种航班放行率的预测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339700A (zh) * 2008-08-14 2009-01-07 中国民航大学 一种基于免疫算法的机场航班延误预警系统
CN106529734A (zh) * 2016-11-18 2017-03-22 中国民航大学 一种基于knn和svr的航班滑出时间预测方法
CN109448445A (zh) * 2018-09-05 2019-03-08 南京航空航天大学 基于长短期记忆神经网络的航班延误分级预警方法
CN112132366A (zh) * 2020-11-30 2020-12-25 中航信移动科技有限公司 一种航班放行率的预测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯霞等: "基于KNN和SVR的航班滑出时间预测", 《西南交通大学学报》, vol. 52, no. 5, 31 October 2017 (2017-10-31), pages 1008 - 1013 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114566067A (zh) * 2022-03-01 2022-05-31 携程旅游网络技术（上海）有限公司 机场跑道监测方法、系统、电子设备和存储介质
CN114783212A (zh) * 2022-03-29 2022-07-22 南京航空航天大学 一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法
CN116956757A (zh) * 2023-09-21 2023-10-27 中国民航工程咨询有限公司 出港航班滑行时间预测方法、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN113610282A (zh) 航班滑行时间预测方法
Herrema et al. A machine learning model to predict runway exit at Vienna airport
WO2021082393A1 (zh) 基于大数据深度学习的机场场面可变滑出时间预测方法
CN110458336B (zh) 一种基于深度学习的网约车供需预测方法
CN110060513A (zh) 基于历史轨迹数据的空中交通管制员工作负荷评估方法
WO2021082394A1 (zh) 基于大数据深度学习的场面可变滑出时间预测系统
CN107767011B (zh) 一种轨道车站行人特性采集系统和服务水平动态评价方法
CN110796315B (zh) 基于时效信息和深度学习的离港航班延误预测方法
CN111581780A (zh) 复杂空域场景下机场群空域仿真建模与验证方法及装置
CN112270445B (zh) 基于统计分析和分类预测的航班延误波及综合评估方法
CN107316096A (zh) 一种轨道交通一票通乘客进站量预测方法
CN116757554A (zh) 一种机场飞行区效能评价方法及系统
CN110659773A (zh) 一种基于深度学习的航班延误预测方法
CN114037122A (zh) 基于大数据挖掘处理分析的航班延误预测方法
Hrastovec et al. Machine learning model for aircraft performances
CN112793797A (zh) 一种飞机着陆弹跳预警方法和系统
CN105118332A (zh) 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置
Mirmohammadsadeghi et al. Prediction of runway occupancy time and runway exit distance with feedforward neural networks
Khadilkar Analysis and modeling of airport surface operations
CN115482666B (zh) 基于数据融合的多图卷积神经网络交通预测方法
Mirmohammadsadeghi Improvements to airport systems capacity and efficiency using computer models and tools
Ding et al. The forecasting model of flight delay based on DMT-GMT model
Jarry et al. Toward novel environmental impact assessment for ANSPs using machine learning
CN110533241B (zh) 终端区起降容量预测系统
CN114783212A (zh) 一种繁忙机场航空器离港滑行时间预测模型特征集的构建方法

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