CN113902229B - 一种基于模糊Petri网的航班延误波及预测方法及系统 - Google Patents
一种基于模糊Petri网的航班延误波及预测方法及系统 Download PDFInfo
- Publication number
- CN113902229B CN113902229B CN202111501490.XA CN202111501490A CN113902229B CN 113902229 B CN113902229 B CN 113902229B CN 202111501490 A CN202111501490 A CN 202111501490A CN 113902229 B CN113902229 B CN 113902229B
- Authority
- CN
- China
- Prior art keywords
- flight
- network
- delay
- delayed
- airport
- 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 28
- 230000003111 delayed effect Effects 0.000 claims abstract description 79
- 230000010006 flight Effects 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于模糊Petri网的航班延误波及预测方法及系统,其方法包括:获取已延误的一个或多个目标航班的航班信息,所述航班信息包括航班号、航空公司、出发地机场和到达地机场;根据多个已延误航班的历史航班信息和模糊Petri网,构建每个延误航班波及的航班网络和机场网络;利用训练好的时空图卷积神经网络,确定每个目标航班的延误持续时间;根据每个目标航班的延误持续时间、延误持续时间内的未来天气信息和所述模糊Petri网,实时预测每个目标航班的所有波及航班。本发明结合了模糊Petri网和时空图卷积神经网络,提高了模糊Petri网预测航班延误的实时性和动态适应性。
Description
技术领域
本发明属于航班信息处理与深度学习技术领域,具体涉及一种基于模糊Petri网的航班延误波及预测方法及系统。
背景技术
近年来,随着我国经济的发展和综合国力的稳步增强,我国民航业得到稳定发展,民航业的国际地位也在逐步提升。随着我国航空运输量的持续増长,空域容量趋于饱和,空域容量与流量不平衡的状况日趋严重,如果有恶劣天气或者航空管制等突发事件发生时,会导致大面积的航班延误不仅严重影响了旅客的出行计划,也给航空公司和社会带来了巨大的经济损失。
根据民航总局的相关统计,影响航班延误(不正常航班)的主要因素包括天气因素、流量控制和公司管理;随着人工智能和空间物理技术的进步,长时广域的天气预测的准确性不断提高;天气对航班的影响逐渐降低,但短时局域的天气预测仍存在极大不确定性。
模糊Petri网(Fuzzy Petri Net,FN)是Petri网将模糊理论和Petri网理论相结合,通过Petri网的图形化描述能力,简单明了地表达了知识。知识规则库体现了规则间的结构特征。而每种规则则抽象地表达了现实中的各种事物之间的普遍联系。现有技术中有利用模糊Petri网预测航班延误涉及方法中涉及的变量多、关联因素多导致实际自适应性不强,无法实时满足天气因素、流量控制和公司管理的变化而导致航班延误的需要。
发明内容
为解决现有技术中利用模糊Petri网预测航班延误波的波及影响缺乏实时性和动态适应性的问题,在本发明的第一方面提供了一种基于模糊Petri网的航班延误波及预测方法,包括:获取已延误的一个或多个目标航班的航班信息,所述航班信息包括航班号、航空公司、出发地机场和到达地机场;根据多个已延误航班的历史航班信息和模糊Petri网,构建每个延误航班波及的航班网络和机场网络;利用训练好的时空图卷积神经网络,确定每个目标航班的延误持续时间;根据每个目标航班的延误持续时间、延误持续时间内的未来天气信息和所述模糊Petri网,实时预测每个目标航班的所有波及航班。
在本发明的一些实施例中,所述根据多个已延误航班的历史航班信息和模糊Petri网,构建每个延误航班波及的航班网络和机场网络包括:根据已延误航班的当日所在航空公司的航班时刻表和波及航班信息,通过第一模糊Petri网确定每个延误航班波及的航班网络;根据已延误航班的当日所在机场的航班时刻表和延误关联信息,通过第二模糊Petri网确定所述机场波及的机场网络。
进一步的,所述根据已延误航班的当日所在航空公司的航班时刻表和波及航班信息,通过第一模糊Petri网确定每个延误航班波及的航班网络包括:根据已延误航班的波及航班信息确定第一模糊Petri网的库所集合;根据所述航班时刻表中的时间关联信息和空间关联信息确定每个库所的变迁和映射关系,并根据所述每个库所的变迁和映射关系确定已延误航班的第一模糊Petri网;根据第一模糊Petri网确定每个延误航班波及的航班网络。
在本发明的一些实施例中,所述利用训练好的时空图卷积神经网络,确定每个目标航班的延误持续时间包括:利用训练好的时空图卷积神经网络确定每个目标航班的延误持续时间的类型;根据延误持续时间的类型,以及目标航班所在地的未来24小时内的天气信息确定每个目标航班的延误持续时间。
进一步的,所述空图卷积神经网络通过如下步骤训练:获取已延误航班的出发地天气、到达地天气、延误时间、航空公司、机场和航班延误持续时间的分类;将每个已延误航班作为顶点,每个顶点的出发地天气、到达地天气、延误时间、航空公司和机场作为属性,并将每个顶点及其属性映射为多维向量;利用聚类算法和传递熵损失对所述多维向量构成的数据集进行清洗,得到训练集;将训练集中的航班延误持续时间的分类作为标签,训练所述时空图卷积神经网络,直至所述时空图卷积神经网络的误差趋于稳定且低于阈值。
在上述的实施例中,所述延误持续时间小于等于24小时。
本发明的第二方面,提供了一种基于模糊Petri网的航班延误波及预测系统,包括:获取模块,用于获取已延误的一个或多个目标航班的航班信息,所述航班信息包括航班号、航空公司、出发地机场和到达地机场;构建模块,用于根据多个已延误航班的历史航班信息和模糊Petri网,构建每个延误航班波及的航班网络和机场网络;确定模块,用于利用训练好的时空图卷积神经网络,确定每个目标航班的延误持续时间;预测模块,用于根据每个目标航班的延误持续时间、延误持续时间内的未来天气信息和所述模糊Petri网,实时预测每个目标航班的所有波及航班。
进一步的,所述构建模块包括第一构建单元和第二构建单元,所述第一构建单元,用于根据已延误航班的当日所在航空公司的航班时刻表和波及航班信息,通过第一模糊Petri网确定每个延误航班波及的航班网络;所述第二构建单元,用于根据已延误航班的当日所在机场的航班时刻表和延误关联信息,通过第二模糊Petri网确定所述机场波及的机场网络。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明在第一方面提供的基于模糊Petri网的航班延误波及预测方法。
本发明的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明在第一方面提供的基于模糊Petri网的航班延误波及预测方法。
本发明的有益效果是:
1.时空图卷积神经网络对于处理具有时间和空间的序列数据具有一定的优势,从而弥补了Petri网在预测天气、流量等随机性带来的动态性和实时性不足的问题;
2.模糊Petri网用于描述机场的流量控制以及航空公司的管理,更好的抽象反应航空公司或机场对航班延误的处理能力,从而弥补了使用单一的时空图卷积神经网络预测航班延误波及的可解释性和鲁棒性。
附图说明
图1为本发明的一些实施例中的基于模糊Petri网的航班延误波及预测方法的基本流程示意图;
图2为本发明的一些实施例中的航班延误的示意图;
图3为本发明的一些实施例中的第一模糊Petri网的结构示意图;
图4为本发明的一些实施例中的时空图卷积神经网络的结构示意图;
图5为本发明的一些实施例中的基于模糊Petri网的航班延误波及预测系统的结构示意图;
图6为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
参考图1至图2,在本发明的第一方面,提供了一种基于模糊Petri网的航班延误波及预测方法,包括:S100.获取已延误的一个或多个目标航班的航班信息,所述航班信息包括航班号、航空公司、出发地机场和到达地机场;S200.根据多个已延误航班的历史航班信息和模糊Petri网,构建每个延误航班波及的航班网络和机场网络;S300.利用训练好的时空图卷积神经网络(Spatial Temporal Graph Convolutional Networks,ST-GCN),确定每个目标航班的延误持续时间;S400.根据每个目标航班的延误持续时间、延误持续时间内的未来天气信息和所述模糊Petri网,实时预测每个目标航班的所有波及航班。示意性地,图2示出了两组延误航班及其波及航班之间的时刻关系,即:某航班当日预计出发时间为8时0分,到达时间为11时25分;而实际出发时间为8时15分,到达时间为11时42分,即根据民航总局关于延误的规定,该航班出发延误15分钟,抵达延误17分钟,相应的波及该航班的下一航班导致了不同程度的延误。
在本发明的一些实施例的S200中,所述根据多个已延误航班的历史航班信息和模糊Petri网,构建每个延误航班波及的航班网络和机场网络包括:根据已延误航班的当日所在航空公司的航班时刻表和波及航班信息,通过第一模糊Petri网确定每个延误航班波及的航班网络;根据已延误航班的当日所在机场的航班时刻表和延误关联信息,通过第二模糊Petri网确定所述机场波及的机场网络。
示意性地,图3中的C1-C12代表同一航空公司的同一天不同航班的编号,其中C1-C12表示同一航空公司在同一机场的不同航班、B1-B5在同一机场的其他航空公司的航班,A为受波及的机场;P1-P17代表对应航班的库所(集合),P18表示机场的库所(集合);t1-t17表示每个航班库所或波及航班之间的变迁,即抽象了同一航空公司的不同航班对其他航班之间的不同波及关系:例如跑道占用、航线占用、班次的暂停、调换或停航等。从图中可以看出,航班之间的波及影响可由一个或多个航班作用导致。同理,可以依据该图中来未示出C1-C12之间的波及影响。
应理解,上述第一模糊Petri网或第二模糊Petri网中的库所和变迁均可因为航班延误的持续时间或最终解决而导致库所中的航班节点、变迁而发生动态变化。
进一步的,所述根据已延误航班的当日所在航空公司的航班时刻表和波及航班信息,通过第一模糊Petri网确定每个延误航班波及的航班网络包括:根据已延误航班的波及航班信息确定第一模糊Petri网的库所集合;根据所述航班时刻表中的时间关联信息和空间关联信息确定每个库所的变迁和映射关系,并根据所述每个库所的变迁和映射关系确定已延误航班的第一模糊Petri网;根据第一模糊Petri网确定每个延误航班波及的航班网络。
具体地,每个库所即包括延误航班及受其影响的波及航班,每个库所的变迁和映射关系反映了每个延误航班的波及航班受航班时刻表及波及航班信息的内在联系;同理根据上述方法,可以得到每个已延误航班所在机场所波及的机场的第二Petri网,即:每个发生延误的机场所波及的机场网络。
在本发明的一些实施例的步骤S300中,所述利用训练好的时空图卷积神经网络,确定每个目标航班的延误持续时间包括:利用训练好的时空图卷积神经网络确定每个目标航班的延误持续时间的类型;根据延误持续时间的类型,以及目标航班所在地的未来24小时内的天气信息确定每个目标航班的延误持续时间。
进一步的,所述时空图卷积神经网络通过如下步骤训练:获取已延误航班的出发地天气、到达地天气、延误时间、航空公司、航班的上座率、机场吞吐量、机场的负荷量和航班延误持续时间的分类;将每个已延误航班作为顶点,顶点之间的连接构成边,边长表示波及延误的概率或因延误航班波及而导致的延误持续时间,每个顶点的出发地天气、到达地天气、延误时间、航空公司和机场作为属性,并将每个顶点及其属性映射为多维向量;利用聚类算法和传递熵损失对所述多维向量构成的数据集进行清洗,得到多个航班信息的拓扑图,根据所述多个拓扑图构建训练集;将训练集中的航班延误持续时间的分类作为标签,训练所述时空图卷积神经网络,直至所述时空图卷积神经网络的误差趋于稳定且低于阈值。
具体地,图4示出了发明中时空图卷积神经网络的结构,每个ST-GCN网络中包括输入层(in)、批量输入层(BN),若干个处理单元(ATT、GCN和TCN),以及最后的池化层(Pool)、全连层(FC)和输出层(out)。其中ATT表示注意力(Attention)机制模型,GCN(GraphConvolutional Network)表示图卷积网络,TCN(Temporal convolutional networ)表示时间卷积网络。可选的,上述TCN可替换为提取时间序列特征的神经网络,诸如RNN中的LSTM或GRU,以及胶囊网络等。
训练时,输入的数据首先进行batch normalization(批量正则化),然后在经过9个ST-GCN单元,接着是一个global pooling得到每个序列的256维特征向量,最后用SoftMax函数进行分类,得到最后的标签。每一个ST-GCN采用Resnet的结构,前三层的输出有64个通道,中间三层有128个通道,最后三层有256个通道,在每次经过ST-CGN结构后,以0.5的概率随机将特征dropout,第4和第7个时域卷积层的strides(步长)设置为2。用SGD训练,学习率为0.01,每10个epochs(轮次)学习率下降0.1。
可以理解,民航总局规定航班延误时间超过4小时以上需要对乘客进行相关赔偿,航班延误时间最多不能超过24小时。因此,在上述的实施例中,所述延误持续时间小于等于24小时。延误持续时间的类型根据时间区间进行划定:4小时以下,为轻度延误;4-8小时之间,为中度延误;8小时-24小时,为严重延误。
实施例2
参考图5,本发明的第二方面,提供了一种基于模糊Petri网的航班延误波及预测系统1,包括:获取模块11,用于获取已延误的一个或多个目标航班的航班信息,所述航班信息包括航班号、航空公司、出发地机场和到达地机场;构建模块12,用于根据多个已延误航班的历史航班信息和模糊Petri网,构建每个延误航班波及的航班网络和机场网络;确定模块13,用于利用训练好的时空图卷积神经网络,确定每个目标航班的延误持续时间预测;模块14,用于根据每个目标航班的延误持续时间、延误持续时间内的未来天气信息和所述模糊Petri网,实时预测每个目标航班的所有波及航班。
进一步的,所述构建模块12包括第一构建单元和第二构建单元,所述第一构建单元,用于根据已延误航班的当日所在航空公司的航班时刻表和波及航班信息,通过第一模糊Petri网确定每个延误航班波及的航班网络;所述第二构建单元,用于根据已延误航班的当日所在机场的航班时刻表和延误关联信息,通过第二模糊Petri网确定所述机场波及的机场网络。
实施例3
参考图6,本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明在第一方面的方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于模糊Petri网的航班延误波及预测方法,其特征在于,包括:
获取已延误的一个或多个目标航班的航班信息,所述航班信息包括航班号、航空公司、出发地机场和到达地机场;
根据多个已延误航班的历史航班信息和模糊Petri网,构建每个延误航班波及的航班网络和机场网络;
利用训练好的时空图卷积神经网络,确定每个目标航班的延误持续时间;其具体包括:利用训练好的时空图卷积神经网络确定每个目标航班的延误持续时间的类型;根据延误持续时间的类型,以及目标航班所在地的未来24小时内的天气信息确定每个目标航班的延误持续时间;
所述时空图卷积神经网络通过如下步骤训练:获取已延误航班的出发地天气、到达地天气、延误时间、航空公司、航班的上座率、机场吞吐量、机场的负荷量和航班延误持续时间的分类;将每个已延误航班作为顶点,顶点之间的连接构成边,边长表示波及延误的概率或因延误航班波及而导致的延误持续时间,每个顶点的出发地天气、到达地天气、延误时间、航空公司和机场作为属性,并将每个顶点及其属性映射为多维向量;利用聚类算法和传递熵损失对所述多维向量构成的数据集进行清洗,得到多个航班信息的拓扑图,根据所述拓扑图构建训练集;将训练集中的航班延误持续时间的分类作为标签,训练所述时空图卷积神经网络,直至所述时空图卷积神经网络的误差趋于稳定且低于阈值;
根据每个目标航班的延误持续时间、延误持续时间内的未来天气信息和所述模糊Petri网,实时预测每个目标航班的所有波及航班。
2.根据权利要求1所述的基于模糊Petri网的航班延误波及预测方法,其特征在于,所述根据多个已延误航班的历史航班信息和模糊Petri网,构建每个延误航班波及的航班网络和机场网络包括:
根据已延误航班的当日所在航空公司的航班时刻表和波及航班信息,通过第一模糊Petri网确定每个延误航班波及的航班网络;
根据已延误航班的当日所在机场的航班时刻表和延误关联信息,通过第二模糊Petri网确定所述机场波及的机场网络。
3.根据权利要求2所述的基于模糊Petri网的航班延误波及预测方法,其特征在于,所述根据已延误航班的当日所在航空公司的航班时刻表和波及航班信息,通过第一模糊Petri网确定每个延误航班波及的航班网络包括:
根据已延误航班的波及航班信息确定第一模糊Petri网的库所集合;
根据所述航班时刻表中的时间关联信息和空间关联信息确定每个库所的变迁和映射关系,并根据所述每个库所的变迁和映射关系确定已延误航班的第一模糊Petri网;
根据第一模糊Petri网确定每个延误航班波及的航班网络。
4.根据权利要求1至3任一项所述的基于模糊Petri网的航班延误波及预测方法,其特征在于,所述延误持续时间小于等于24小时。
5.一种基于模糊Petri网的航班延误波及预测系统,其特征在于,包括:
获取模块,用于获取已延误的一个或多个目标航班的航班信息,所述航班信息包括航班号、航空公司、出发地机场和到达地机场;
构建模块,用于根据多个已延误航班的历史航班信息和模糊Petri网,构建每个延误航班波及的航班网络和机场网络;
确定模块,用于利用训练好的时空图卷积神经网络,确定每个目标航班的延误持续时间;其具体包括:利用训练好的时空图卷积神经网络确定每个目标航班的延误持续时间的类型;根据延误持续时间的类型,以及目标航班所在地的未来24小时内的天气信息确定每个目标航班的延误持续时间;所述时空图卷积神经网络通过如下步骤训练:获取已延误航班的出发地天气、到达地天气、延误时间、航空公司、航班的上座率、机场吞吐量、机场的负荷量和航班延误持续时间的分类;将每个已延误航班作为顶点,顶点之间的连接构成边,边长表示波及延误的概率或因延误航班波及而导致的延误持续时间,每个顶点的出发地天气、到达地天气、延误时间、航空公司和机场作为属性,并将每个顶点及其属性映射为多维向量;利用聚类算法和传递熵损失对所述多维向量构成的数据集进行清洗,得到多个航班信息的拓扑图,根据所述拓扑图构建训练集;将训练集中的航班延误持续时间的分类作为标签,训练所述时空图卷积神经网络,直至所述时空图卷积神经网络的误差趋于稳定且低于阈值;
预测模块,用于根据每个目标航班的延误持续时间、延误持续时间内的未来天气信息和所述模糊Petri网,实时预测每个目标航班的所有波及航班。
6.根据权利要求5所述的基于模糊Petri网的航班延误波及预测系统,其特征在于,
所述构建模块包括第一构建单元和第二构建单元,
所述第一构建单元,用于根据已延误航班的当日所在航空公司的航班时刻表和波及航班信息,通过第一模糊Petri网确定每个延误航班波及的航班网络;
所述第二构建单元,用于根据已延误航班的当日所在机场的航班时刻表和延误关联信息,通过第二模糊Petri网确定所述机场波及的机场网络。
7.一种电子设备,其特征在于,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的基于模糊Petri网的航班延误波及预测方法。
8.一种计算机可读介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于模糊Petri网的航班延误波及预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111501490.XA CN113902229B (zh) | 2021-12-09 | 2021-12-09 | 一种基于模糊Petri网的航班延误波及预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111501490.XA CN113902229B (zh) | 2021-12-09 | 2021-12-09 | 一种基于模糊Petri网的航班延误波及预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113902229A CN113902229A (zh) | 2022-01-07 |
CN113902229B true CN113902229B (zh) | 2022-04-15 |
Family
ID=79025655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111501490.XA Active CN113902229B (zh) | 2021-12-09 | 2021-12-09 | 一种基于模糊Petri网的航班延误波及预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902229B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268634A (zh) * | 2014-07-10 | 2015-01-07 | 西南交通大学 | 基于时间着色Petri网的列车冲突预测和化解方法 |
CN110033125A (zh) * | 2019-03-14 | 2019-07-19 | 山东科技大学 | 一种基于模糊逻辑Petri网的业务流程分析方法 |
CN113592242A (zh) * | 2021-07-01 | 2021-11-02 | 四川大学 | 一种基于卷积神经网络的航班延误差预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210021616A1 (en) * | 2018-03-14 | 2021-01-21 | Intelici - Cyber Defense System Ltd. | Method and system for classifying data objects based on their network footprint |
-
2021
- 2021-12-09 CN CN202111501490.XA patent/CN113902229B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268634A (zh) * | 2014-07-10 | 2015-01-07 | 西南交通大学 | 基于时间着色Petri网的列车冲突预测和化解方法 |
CN110033125A (zh) * | 2019-03-14 | 2019-07-19 | 山东科技大学 | 一种基于模糊逻辑Petri网的业务流程分析方法 |
CN113592242A (zh) * | 2021-07-01 | 2021-11-02 | 四川大学 | 一种基于卷积神经网络的航班延误差预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113902229A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Deepurbanmomentum: An online deep-learning system for short-term urban mobility prediction | |
Manna et al. | A statistical approach to predict flight delay using gradient boosted decision tree | |
Al-Sharif et al. | A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov chain and cellular automata models in GIS | |
US10636293B2 (en) | Uncertainty modeling in traffic demand prediction | |
CN114596553B (zh) | 模型训练方法、轨迹预测方法、装置及自动驾驶车辆 | |
Choi et al. | Artificial neural network models for airport capacity prediction | |
CN112863180A (zh) | 交通速度预测方法、装置、电子设备及计算机可读介质 | |
CN116301048A (zh) | 无人机路径规划方法、系统、电子设备以及存储介质 | |
Zeng et al. | A Deep Graph‐Embedded LSTM Neural Network Approach for Airport Delay Prediction | |
CN116468186A (zh) | 一种航班链延误时间预测方法、电子设备及存储介质 | |
Ai et al. | A deep learning approach to predict the spatial and temporal distribution of flight delay in network | |
CN113657467A (zh) | 模型预训练方法、装置、电子设备和存储介质 | |
Petrou et al. | ARGO: A big data framework for online trajectory prediction | |
CN113821330B (zh) | 任务调度方法、装置、计算机设备和存储介质 | |
Huang et al. | Aircraft trajectory prediction based on bayesian optimised temporal convolutional network–bidirectional gated recurrent unit hybrid neural network | |
CN113902229B (zh) | 一种基于模糊Petri网的航班延误波及预测方法及系统 | |
CN114240506A (zh) | 多任务模型的建模方法、推广内容处理方法及相关装置 | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
EP4303851A1 (en) | System and computer-implemented method for real-time aircraft flight delay prediction | |
CN115310732B (zh) | 航班延误预测方法及系统 | |
CN114565170A (zh) | 污染物溯源方法及装置、设备、介质和产品 | |
CN114943407A (zh) | 区域规划方法、装置、设备、可读存储介质及程序产品 | |
Wang et al. | A review of flight delay prediction methods | |
US11810029B2 (en) | Predictive forecasting of food allocation | |
KR20220109826A (ko) | 인공지능 추론모델을 경량화하는 방법 및 시스템 |
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 |