CN114118537A - 一种空域航班碳排放量组合预测方法 - Google Patents
一种空域航班碳排放量组合预测方法 Download PDFInfo
- Publication number
- CN114118537A CN114118537A CN202111317485.3A CN202111317485A CN114118537A CN 114118537 A CN114118537 A CN 114118537A CN 202111317485 A CN202111317485 A CN 202111317485A CN 114118537 A CN114118537 A CN 114118537A
- Authority
- CN
- China
- Prior art keywords
- flight
- prediction
- carbon emission
- airspace
- prediction model
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 119
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000000446 fuel Substances 0.000 claims abstract description 29
- 230000010006 flight Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001082 electron-ion coincidence spectroscopy Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种空域航班碳排放量组合预测方法,包括采集空域航班基础信息,以计算预设历史时间段所对应运行条件下空域航班的燃油消耗率;根据空域航班的燃油消耗率,计算得到空域航班碳排放历史时序数据集;将空域航班碳排放历史时序数据集分别输入至已训练好的LSTM预测模型及XGBoost预测模型,对应获取两模型的碳排放量预测结果;采用自适应时变赋权法将两模型的碳排放量预测结果进行融合,获取空域航班碳排放量的预测结果。本发明综合利用LSTM预测模型和XGBoost预测模型进行空域航班的碳排放量预测,并使用自适应时变赋权法融合两预测模型的预测结果,能够实现空域航班碳排放量的准确感知。
Description
技术领域
本发明属于航空技术领域,具体涉及一种空域航班碳排放量组合预测方法。
背景技术
随着航班飞行量的增加,碳排放量对环境的影响也随之增加,大量的碳排放不仅损害人类健康,而且威胁全球气候变化。
目前有关航空器碳排放的研究主要是估算航空器处于起飞着陆循环阶段的排放量。而高空空域航班巡航产生的高空碳排放物会加速改变大气层的化学及微观粒子物理学特性,对于气候变化具有放大效应;且航班运行的巡航阶段占据整个飞行任务时长的80%,整个飞行任务的绝大多数燃油消耗和碳排放均发生在该阶段。因此,目前已知的航空器碳排放量估算方法并不能实现航路空域航班碳排放量的准确感知。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种空域航班碳排放量组合预测方法,能够实现空域航班碳排放量的准确感知。
为达到上述目的,本发明是采用下述技术方案实现的:
一种空域航班碳排放量组合预测方法,包括:
从预建立的基础信息数据库采集空域航班基础信息,以计算预设历史时间段所对应运行条件下空域航班的燃油消耗率;
根据空域航班的燃油消耗率,计算得到空域航班碳排放历史时序数据集;
将空域航班碳排放历史时序数据集分别输入至训练好的LSTM预测模型和XGBoost预测模型,得到LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果;
采用自适应时变赋权法将LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果进行融合,获取空域航班碳排放量的预测结果。
进一步的,所述空域航班基础信息包括:空域边界数据、BADA机型性能数据、ADS-B飞行轨迹数据、航班飞行计划数据和空域气象数据。
进一步的,所述燃油消耗率的计算方法包括:
根据空域航班各飞行航迹点的垂直速度判断各航迹点所处的飞行阶段;
根据航迹点所处飞行高度对应的风速及风向,依据航行速度三角形将航班飞行地速转化成真空速;
根据空域航班对应机型性能数据、真空速计算空域航班在各飞行阶段下的燃油消耗率。
进一步的,所述飞行阶段包括爬升阶段、平飞阶段和下降阶段;
当航迹点的垂直速度vvertical,i满足:vvertical,i<-300ft/min时,对应航迹点的飞行阶段为下降阶段;
当航迹点的垂直速度vvertical,i满足:-300ft/min≤vvertical,i≤300ft/min时,对应航迹点的飞行阶段为平飞阶段;
当航迹点的垂直速度vvertical,i满足:vvertical,i>300ft/min时,对应航迹点的飞行阶段为爬升阶段。
进一步的,将航班飞行地速转化成真空速的方法包括:
确定航迹点的位置及航迹点所处高度对应的风速WSi和风向WDi;
结合航迹点地速VGS,i以及磁航向MHi采用下述计算公式将航迹点地速VGS,i转化成真空速VTAS,i:
式中:WAi为风角,WAi=TAi-DAi;DAi为偏流角,DAi=|GAi-MHi|;GAi为磁航迹角;TAi为真航迹角,TAi=|WDi-MHi|,如果TAi≥180°,则TAi=|WDi-MHi|-180°。
进一步的,所述燃油消耗率的计算公式如下:
fnom,i=ηi×Ti;
fCR,i=ηi×Ti×Cfcr;
式中:i表示航迹点序号;Factual,i为在当前运行条件下航班燃油消耗率;CD0,cr、CD2,cr是与机型相关的阻力参数;mi为航迹点的航空器重量;g为重力加速度;ρi为航迹点所处飞行高度的大气密度;S为航空器的机翼总面积;ηi为航空器单位推力燃油消耗量;Cf1、Cf2、Cf3、Cf4以及Cfcr为航空器机型对应的燃油流量系数;CL,i为升力系数;CD,i为阻力系数;Di为阻力;Ti为推力;θ为航空器爬升角;HP为航空器所在气压高度。
进一步的,所述LSTM预测模型的训练方法包括:
计算空域航班在指定历史时间段内的碳排放量,构建碳排放量历史时序数据集;
将历史时序数据集拆分成训练集和测试集;
在LSTM神经网络模型中建立遗忘门和输入门,利用遗忘门控制训练集被遗忘的程度,利用输入门控制预测时间,通过梯度下降的方法向后传播梯度值,经过多次迭代结合测试集测试结果,确定最优的LSTM参数,得到训练好的LSTM预测模型。
进一步的,所述XGBoost预测模型的训练方法包括:
计算空域航班在指定历史时间段内的碳排放量,构建碳排放量历史时序数据集;
将历史时序数据集拆分成训练集和测试集;
采用训练集对XGBoost预测模型进行训练,采用测试集对XGBoost预测模型进行验证,确定XGBoost预测模型最终的一般参数、弱评估器参数和任务参数;
使用Scikit-learn提供的网格搜索法确定XGBoost预测模型的最优超参数。
进一步的,采用所述碳排放量历史时序数据集训练LSTM预测模型和XGBoost预测模型之前,对碳排放量历史时序数据集中的碳排放量进行归一化处理;
将LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果进行融合之前,对LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果进行反归一化处理。
进一步的,将LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果进行融合的方法包括:
采用方差倒数法确定LSTM预测模型和XGBoost预测模型在各时刻的预测权重,计算公式如下:
式中,xt为t时刻对应的输入值;f(xt)为t时刻的预测值;n为模型的总个数;l为预测模型序号;wl(t)是t时刻第l个模型的权重;wl(t-1)是t-1时刻第l个模型的权重,yt表示空域碳排放量在第t时刻的实际值,elt为t时刻第l种方法的预测误差;
采用组合优化法,以预测误差最小为目标确定最佳m数和权系数,计算公式如下:
其中,Wlt表示第l个模型在t时刻的权系数;Wl,m+1为第l个模型在m+1时刻的权系数;Jt为以预测误差最小为目标的目标函数;et为变权组合预测方法在第t时刻的预测误差;为Wit权重系数对应的组合预测模型预测值与真实值的误差绝对值;m为目标函数最优的时刻个数;j=t-m;
对于t时刻,计算使用方差倒数法得到的权系数wl(t)对应的组合预测模型预测值与真实值的误差绝对值elt和采用组合优化法得到的权系数Wlt对应的组合预测模型预测值与真实值的误差绝对值比较二者大小进行自适应权重调整,若则使用权重Wlt取代原来的权重wl(t);
采用下述公式将LSTM预测模型预测结果和XGBoost预测模型预测结果进行融合:
y组合=wLSTM·yLSTM+wXGBoost·yXGBoost
其中,y组合表示空域航班碳排放量预测结果;wLSTM表示LSTM预测模型预测结果对应的权重向量,yLSTM表示LSTM预测模型对应的预测结果向量,wXGBoost表示XGBoost预测模型预测结果对应的权重向量,yXGBoost表示XGBoost预测模型对应的预测结果向量。
与现有技术相比,本发明所达到的有益效果是:
取代现有技术中的单机器学习预测模型,综合利用LSTM预测模型和XGBoost预测模型进行空域航班的碳排放量预测,并使用自适应时变赋权法融合LSTM预测模型预测结果和XGBoost预测模型预测结果,能够充分发挥预测性能较好的预测模型的优势,降低预测性能较差预测模型的影响,从而提高了预测精度,使得对未来某时段的空域航班碳排放量预测更为准确有效;
考虑了空域航班的飞行阶段,可以对扇区尺度和大范围空域尺度的航班碳排放量进行统计分析,为基于战术流量管理的节能减排政策制定,提升扇区结构优化、动态容流“绿色”调配能力提供技术依据和参考。
附图说明
图1是本发明实施例提供的空域航班碳排放量组合预测方法一种空域航班碳排放量组合预测方法的流程图;
图2是本发明实施例所提供的2019年5月1号-23号AR05扇区碳排放量小时时序图;
图3是本发明实施例所提供的LSTM神经网络模型的结构示意图;
图4是采用本发明实施例所述预测方法获取的碳排放量预测结果与测试结果的对比图。
具体实施方式
本发明实施例提供一种空域航班碳排放量组合预测方法,为使本发明的目的,技术方案更加清楚、完整的描述,参照附图并举例对发明方法进一步详细说明,显然,所描述的案例仅仅是一部分实施案例。基于本发明的实施案例,本领域内技术人员在没有做出创造性劳动前提下所获得的其他实施案例,都属于本发明的保护范围。
本发明实施例提供的空域碳排放量预测方法,包括以下步骤:
步骤1,提取相关数据,建立基础信息数据库;
步骤2,从预建立的基础信息数据库采集空域航班基础信息,以计算预设历史时间段所对应运行条件下空域航班的燃油消耗率;
步骤3,根据空域航班的燃油消耗率,计算得到空域航班碳排放历史时序数据集;
步骤4,利用空域航班碳排放历史时序数据集训练LSTM预测模型,并确定训练后的LSTM预测模型:所述训练后的LSTM预测模型以空域航班碳排放历史时序数据集为输入,以空域航班碳排放量预测值为输出;
利用空域航班碳排放历史时序数据集训练XGBoost预测模型,并确定训练后的XGBoost预测模型:所述训练后的XGBoost预测模型以空域航班碳排放历史时序数据集为输入,以空域航班碳排放量预测值为输出;
步骤5,采用自适应时变赋权法将LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果进行融合,获取空域航班碳排放量的预测结果。
所述步骤1包括:
步骤1.1:基础信息数据库存储的基础信息包括:
空域边界数据:包括空域经度、纬度坐标数据;
BADA机型性能数据:包括不同机型对应的性能参数数据、不同机型参考重量数据、不同机型对应的燃油流量系数;
ADS-B飞行轨迹数据:包括航班号、始发机场、目的地机场、计划离场时间、飞行高度(m)、飞行速度(kt)、爬升率(ft/min)、经度、纬度、航向角、监测时间;
航班飞行计划数据:包括航班号、计划离场时间、计划到达时间、实际离场时间、实际到达时间、始发机场、目的机场、机型、经过航路点;
空域气象数据:包括航空器飞行位置和飞行高度处的风速和温度数据。
所述步骤2包括:
步骤2.1:判断航班在空域内的飞行阶段:
依据航迹点的垂直速度vvertical,i将航班飞行阶段分为:爬升阶段、平飞阶段和下降阶段三种飞行阶段。对于每一个航迹点,可以通过判断航迹点的垂直速度,进而将各航迹点归属为爬升阶段、平飞阶段或下降阶段:
步骤2.2:将ADS-B飞行轨迹数据中的航班飞行地速VGS,i转化成真空速VTAS,i
确定航迹点的位置及航迹点所处高度对应的风速WSi和风向WDi(只考虑水平风的影响,忽略垂直风),结合ADS-B飞行轨迹数据提供的航迹点地速VGS,i以及磁航向MHi,将航空器飞行航迹点的地速VGS,i转化成真空速VTAS,i,具体过程为:
TAi=|WDi-MHi|,DAi=|GAi-MHi|
WAi=TAi-DAi
如果TAi≥180,则TAi=|WDi-MHi|-180。
式中:WAi为风角,WAi=TAi-DAi;DAi为偏流角,DAi=|GAi-MHi|;GAi为磁航迹角;TAi为真航迹角,TAi=|WDi-MHi|,如果TAi≥180°,则TAi=|WDi-MHi|-180°。
步骤2.3:依据BADA机型性能数据计算空域内航班的实际燃油消耗率:
依据待研究空域航班飞行航迹点的飞行阶段使用BADA模型计算航空器的飞行性能参数,主要有升力系数CL,i、阻力系数CD,i、阻力Di、推力Ti,然后计算当前航班在实际运行条件下的燃油消耗率Factual,i:
式中,CD0,cr,CD2,cr是与机型相关的阻力参数,mi为航迹点Pi的航空器重量,g为重力加速度,ρi为航迹点Pi所处飞行高度的大气密度,S为航空器的机翼总面积,ηi为航空器单位推力燃油消耗量,Cf1、Cf2、Cf3、Cf4以及Cfcr为航空器机型对应的燃油流量系数;θ为航空器爬升角;HP为航空器所在气压高度。
所述步骤3包括:
步骤3.1:依据各航空器的实际燃油消耗率,计算得到指定时间段的空域碳排放量历史时序数据集x,具体为:
式中,EICO2表示CO2的排放指数,具体为3155g/kg,Ftotal表示空域航班的燃油消耗量,Factual表示空域航班的燃油消耗率数据集,ttotal表示空域航班对应的飞行时间数据集。
步骤3.2:对空域碳排放量时序数据进行归一化处理,此处采用最大-最小标准化处理方法对数据进行处理,将空域碳排放量数据归一化到[0,1]区间内,具体为:
其中,x*为碳排放量归一化数据,xmin、xmax分别为碳排放样本数据集中的最大值与最小值,x为原始碳排放样本数据。
相应的,将LSTM预测模型的预测结果yLSTM和XGBoost预测模型的预测结果yXGBoost进行融合之前,应对预测结果yLSTM和yXGBoost进行反归一化处理。
所述步骤4包括:
步骤4.1:将空域航班碳排放量历史时序数据集拆分成训练集和测试集;
步骤4.2:利用选择的训练集训练LSTM神经网络模型并调整LSTM参数得到训练后的LSTM预测模型,然后以空域航班碳排放历史时序数据集为输入,得到空域航班碳排放量预测值,具体为:
在LSTM神经网络模型中建立遗忘门和输入门,利用遗忘门控制选择的数据集被遗忘的程度,利用输入门控制预测时间的信息,通过梯度下降的方法向后传播梯度值,经过多次迭代之后,得到最优LSTM参数进而得到最优LSTM神经网络模型,通过最优LSTM神经网络模型预测空域航班碳排放量结果。
如图3所示,是本发明实施例所提供的LSTM神经网络模型的结构示意图,针对空域航班碳排放量训练集样本建立LSTM预测模型,首先由遗忘门通过查看第p-1时刻的空域航班碳排放量输出值yp-1与第p时刻的空域航班碳排放量输入值xp来决定单元格状态Cp。
fp=σ(Wf·[yp-1,xp]+bf)
其次由输入门决定单元内部更新的数值与单元格状态。
qp=σ(Wq·[yp-1,xp]+bq)
最后由输出门决定当前第p时刻空域碳排放量的输出情况。
op=σ(Wo·[yp-1,xp]+bo)
式中:fp、qp、Cp、op、xp和yp分别表示遗忘门、输入门、前一刻单元格状态、当前单元格状态、输出门、p时刻的输入和输出;Wf、Wq、Wc和Wo分别表示遗忘门、输入门、单元格状态和输出门的矩阵权重;bf、bq、bC和bo分别表示遗忘门、输入门、单元格状态和输出门的偏置项;tanh为双曲正切激活函数,σ为激活函数,一般为Sigmoid函数。
设置LSTM预测模型的神经网络模块层数为2层,激活函数选择Sigmoid,网络训练选用Adam优化算法,学习率设置在0.001-0.01,迭代训练次数为200次,批量大小设置在10-100。使用Scikit-learn提供的网格搜索法确定LSTM预测模型的最优超参数并保存训练模型。
步骤4.3:利用选择的训练集训练XGBoost预测模型并获得期望的XGBoost预测模型参数,形成训练好的XGBoost预测模型,然后以空域航班碳排放历史时序数据集为输入,得到空域航班碳排放量预测值;
XGBoost预测模型在训练时需要确定一般参数、弱评估器参数、任务参数三种,其中弱评估器参数对算法性能影响最大,主要有学习率、树的最大深度、训练样本的采样率等,任务参数主要是学习目标、随机数种子等。学习率设置在0.01-0.1,树的最大深度在2-5,弱学习器的最大迭代次数在100-10000,训练样本的采样率设置在0-0.9,模型学习目标函数采用伽马回归(reg:gamma),随机数种子设置在100-1000,其余的参数按照初始化设置。使用Scikit-learn提供的网格搜索法确定XGBoost预测模型的最优超参数并保存训练模型。
所述步骤5包括:
步骤5.1:采用方差倒数法确定LSTM预测模型和XGBoost预测模型在各时刻的预测权重,具体为:
式中,xt为t时刻对应的输入值;f(xt)为t时刻的预测值;n为模型的总个数;l为预测模型序号;wl(t)是t时刻第l个模型的权重;wl(t-1)是t-1时刻第l个模型的权重,yt表示空域碳排放量在第t时刻的实际值,elt为t时刻第l种方法的预测误差;
步骤5.2:自适应时变赋权,首先使用LSTM预测模型和XGBoost预测模型在各时刻的预测权重,然后使用组合优化模型,以预测误差最小确定最佳m数和权系数,即:
其中,Wlt表示第l个模型在t时刻的权系数;Wl,m+1为第l个模型在m+1时刻的权系数;Jt为以预测误差最小为目标的目标函数;et为变权组合预测方法在第t时刻的预测误差;为Wit权重系数对应的组合预测模型预测值与真实值的误差绝对值;m为目标函数最优的时刻个数;j=t-m;
对于t时刻,计算使用方差倒数法得到的权系数wl(t)对应的组合预测模型预测值与真实值的误差绝对值elt和采用组合优化法得到的权系数Wlt对应的组合预测模型预测值与真实值的误差绝对值比较二者大小进行自适应权重调整,若则使用权重Wlt取代原来的权重wl(t);
步骤5.3:根据自适应时变赋权结果将LSTM预测模型预测结果和XGBoost预测模型预测结果进行融合,得到最终的碳排放短期预测值,具体为:
y组合=wLSTM·yLSTM+wXGBoost·yXGBoost
其中,y组合表示最后的组合模型预测结果,wLSTM表示LSTM预测模型预测结果对应的权重向量,yLSTM表示LSTM预测模型对应的预测结果向量,wXGBoost表示XGBoost预测模型预测结果对应的权重向量,yXGBoost表示XGBoost预测模型对应的预测结果向量。
综上,本发明提供的空域航班碳排放量组合预测方法:取代现有技术中的单机器学习预测模型,综合利用LSTM预测模型和XGBoost预测模型进行空域航班的碳排放量预测,并使用自适应时变赋权法融合LSTM预测模型预测结果和XGBoost预测模型预测结果,能够充分发挥预测性能较好的预测模型的优势,降低预测性能较差预测模型的影响,从而提高了预测精度,使得对未来某时段的空域航班碳排放量预测更为准确有效;考虑了空域航班的飞行阶段,可以对扇区尺度和大范围空域尺度的航班碳排放量进行统计分析,为基于战术流量管理的节能减排政策制定,提升扇区结构优化、动态容流“绿色”调配能力提供技术依据和参考。
为进一步验证本发明实施例提供的空域航班碳排放量组合预测方法的有效性,本发明实施例选取2019年5月广州区域管制AR05扇区航路空域为实施样例进行说明,空域内运行的ADS-B数据样例如表1所示。
表1 ADS-B数据样例格式
呼号 | 高度 | 速度 | 经度 | 纬度 | … | 时间 |
JT2743 | 11308.08 | 772.97 | 113.67 | 23.53 | … | 14:07:59 |
JT2743 | 11308.08 | 771.38 | 113.66 | 23.55 | … | 14:08:00 |
JT2743 | 11308.08 | 770.04 | 113.65 | 23.57 | … | 14:08:01 |
… | … | … | … | … | … | … |
JT2743 | 11308.08 | 767.26 | 113.64 | 23.61 | … | 14:08:23 |
JT2743 | 11308.08 | 764.61 | 113.64 | 23.61 | … | 14:08:24 |
JT2743 | 11308.08 | 762.59 | 113.63 | 23.64 | … | 14:08:25 |
模型经过训练,最终设置LSTM预测模型的神经网络模块层数为2层,激活函数选择Sigmoid,网络训练选用Adam优化算法,学习率设置在0.01,迭代训练次数为200次,批量大小设置在100,并保存训练模型;XGBoost预测模型经过训练,学习率设置在0.01,树的最大深度在5,弱学习器的最大迭代次数在1200,训练样本的采样率设置在0.2,模型学习目标函数采用伽马回归(reg:gamma),随机数种子设置在1000,其余的参数按照初始化设置并保存训练模型;如图4所示,是采用本发明实施例所述预测方法获取的碳排放量预测结果与测试结果的对比图,根据图4可知:预测模型在空域航班碳排放量预测性能上表现优异。
为了验证本发明实施例提供的预测方法的预测精度,可以使用均方根误差(RootMean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)及决定系数(Coefficient of Determination,R2)等指标量化预测精度,具体为:
为了更直观的体现本发明提供预测方法的预测性能,本发明实施例选用包含随机森林模型(RF)、岭回归模型(RR)、人工神经网络模型(ANN)、支持向量机模型(SVR)、最近邻模型(KNN)、LSTM预测模型和XGBoost在内的7种单机器学习预测模型进行对比分析,考虑到碳排放量数据集较大,此处用反归一化之前的数据进行描述,具体如表2所示。
表2不同预测模型的预测性能对比结果
通过表2可知:LSTM-XGBoost组合模型相较单机器学习模型预测性能最好,具体表现为RMSE和MAE最小,且R2最大。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种空域航班碳排放量组合预测方法,其特征在于,包括:
从预建立的基础信息数据库采集空域航班基础信息,以计算预设历史时间段所对应运行条件下空域航班的燃油消耗率;
根据空域航班的燃油消耗率,计算得到空域航班碳排放历史时序数据集;
将空域航班碳排放历史时序数据集分别输入至训练好的LSTM预测模型和XGBoost预测模型,得到LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果;
采用自适应时变赋权法将LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果进行融合,获取空域航班碳排放量的预测结果。
2.根据权利要求1所述的空域航班碳排放量组合预测方法,其特征在于,所述空域航班基础信息包括:空域边界数据、BADA机型性能数据、ADS-B飞行轨迹数据、航班飞行计划数据和空域气象数据。
3.根据权利要求1所述的空域航班碳排放量组合预测方法,其特征在于,所述燃油消耗率的计算方法包括:
根据空域航班各飞行航迹点的垂直速度判断各航迹点所处的飞行阶段;
根据航迹点所处飞行高度对应的风速及风向,依据航行速度三角形将航班飞行地速转化成真空速;
根据空域航班对应机型性能数据、真空速计算空域航班在各飞行阶段下的燃油消耗率。
4.根据权利要求3所述的空域航班碳排放量组合预测方法,其特征在于,所述飞行阶段包括爬升阶段、平飞阶段和下降阶段;
当航迹点的垂直速度vvertical,i满足:vvertical,i<-300ft/min时,对应航迹点的飞行阶段为下降阶段;
当航迹点的垂直速度vvertical,i满足:-300ft/min≤vvertical,i≤300ft/min时,对应航迹点的飞行阶段为平飞阶段;
当航迹点的垂直速度vvertical,i满足:vvertical,i>300ft/min时,对应航迹点的飞行阶段为爬升阶段。
6.根据权利要求5所述的空域航班碳排放量组合预测方法,其特征在于,所述燃油消耗率的计算公式如下:
fnom,i=ηi×Ti;
fCR,i=ηi×Ti×Cfcr;
式中:i表示航迹点序号;Factual,i为在当前运行条件下航班燃油消耗率;CD0,cr、CD2,cr是与机型相关的阻力参数;mi为航迹点的航空器重量;g为重力加速度;ρi为航迹点所处飞行高度的大气密度;S为航空器的机翼总面积;ηi为航空器单位推力燃油消耗量;Cf1、Cf2、Cf3、Cf4以及Cfcr为航空器机型对应的燃油流量系数;CL,i为升力系数;CD,i为阻力系数;Di为阻力;Ti为推力;θ为航空器爬升角;HP为航空器所在气压高度。
7.根据权利要求1所述的空域航班碳排放量组合预测方法,其特征在于,所述LSTM预测模型的训练方法包括:
计算空域航班在指定历史时间段内的碳排放量,构建碳排放量历史时序数据集;
将历史时序数据集拆分成训练集和测试集;
在LSTM神经网络模型中建立遗忘门和输入门,利用遗忘门控制训练集被遗忘的程度,利用输入门控制预测时间,通过梯度下降的方法向后传播梯度值,经过多次迭代结合测试集测试结果,确定最优的LSTM参数,得到训练好的LSTM预测模型。
8.根据权利要求1所述的空域航班碳排放量组合预测方法,其特征在于,所述XGBoost预测模型的训练方法包括:
计算空域航班在指定历史时间段内的碳排放量,构建碳排放量历史时序数据集;
将历史时序数据集拆分成训练集和测试集;
采用训练集对XGBoost预测模型进行训练,采用测试集对XGBoost预测模型进行验证,确定XGBoost预测模型最终的一般参数、弱评估器参数和任务参数;
使用Scikit-learn提供的网格搜索法确定XGBoost预测模型的最优超参数。
9.根据权利要求7或8所述的空域航班碳排放量组合预测方法,其特征在于,采用所述碳排放量历史时序数据集训练LSTM预测模型和XGBoost预测模型之前,对碳排放量历史时序数据集中的碳排放量进行归一化处理;
将LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果进行融合之前,对LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果进行反归一化处理。
10.根据权利要求1所述的空域航班碳排放量组合预测方法,其特征在于,将LSTM预测模型的碳排放量预测结果和XGBoost预测模型的碳排放量预测结果进行融合的方法包括:
采用方差倒数法确定LSTM预测模型和XGBoost预测模型在各时刻的预测权重,计算公式如下:
式中,xt为t时刻对应的输入值;f(xt)为t时刻的预测值;n为模型的总个数;l为预测模型序号;wl(t)是t时刻第l个模型的权重;wl(t-1)是t-1时刻第l个模型的权重,yt表示空域碳排放量在第t时刻的实际值,elt为t时刻第l种方法的预测误差;
采用组合优化法,以预测误差最小为目标确定最佳m数和权系数,计算公式如下:
其中,Wlt表示第l个模型在t时刻的权系数;Wl,m+1为第l个模型在m+1时刻的权系数;Jt为以预测误差最小为目标的目标函数;et为变权组合预测方法在第t时刻的预测误差;为Wit权重系数对应的组合预测模型预测值与真实值的误差绝对值;m为目标函数最优的时刻个数;j=t-m;
对于t时刻,计算使用方差倒数法得到的权系数wl(t)对应的组合预测模型预测值与真实值的误差绝对值elt和采用组合优化法得到的权系数Wlt对应的组合预测模型预测值与真实值的误差绝对值比较二者大小进行自适应权重调整,若则使用权重Wlt取代原来的权重wl(t);
采用下述公式将LSTM预测模型预测结果和XGBoost预测模型预测结果进行融合:
y组合=wLSTM·yLSTM+wXGBoost·yXGBoost
其中,y组合表示空域航班碳排放量预测结果;wLSTM表示LSTM预测模型预测结果对应的权重向量,yLSTM表示LSTM预测模型对应的预测结果向量,wXGBoost表示XGBoost预测模型预测结果对应的权重向量,yXGBoost表示XGBoost预测模型对应的预测结果向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111317485.3A CN114118537A (zh) | 2021-11-09 | 2021-11-09 | 一种空域航班碳排放量组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111317485.3A CN114118537A (zh) | 2021-11-09 | 2021-11-09 | 一种空域航班碳排放量组合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118537A true CN114118537A (zh) | 2022-03-01 |
Family
ID=80377613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111317485.3A Pending CN114118537A (zh) | 2021-11-09 | 2021-11-09 | 一种空域航班碳排放量组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118537A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564106A (zh) * | 2022-09-29 | 2023-01-03 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN115564114A (zh) * | 2022-10-10 | 2023-01-03 | 南京航空航天大学 | 一种基于图神经网络的空域碳排放短期预测方法及系统 |
CN116307298A (zh) * | 2023-05-23 | 2023-06-23 | 中国石油大学(华东) | 一种基于多源异构张量数据的组合碳排放预测模型 |
CN116739867A (zh) * | 2023-06-27 | 2023-09-12 | 南方电网能源发展研究院有限责任公司 | 电力系统碳排放量测算方法、装置及计算机设备 |
EP4382866A1 (en) * | 2022-12-05 | 2024-06-12 | The Boeing Company | Method, system, and computer-readable medium for monitoring and predicting greenhouse gas emissions for a flight of an aircraft |
-
2021
- 2021-11-09 CN CN202111317485.3A patent/CN114118537A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564106A (zh) * | 2022-09-29 | 2023-01-03 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN115564106B (zh) * | 2022-09-29 | 2023-10-17 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种基于电力数据的碳排放测算方法 |
CN115564114A (zh) * | 2022-10-10 | 2023-01-03 | 南京航空航天大学 | 一种基于图神经网络的空域碳排放短期预测方法及系统 |
EP4382866A1 (en) * | 2022-12-05 | 2024-06-12 | The Boeing Company | Method, system, and computer-readable medium for monitoring and predicting greenhouse gas emissions for a flight of an aircraft |
CN116307298A (zh) * | 2023-05-23 | 2023-06-23 | 中国石油大学(华东) | 一种基于多源异构张量数据的组合碳排放预测模型 |
CN116307298B (zh) * | 2023-05-23 | 2023-08-18 | 中国石油大学(华东) | 一种基于多源异构张量数据的组合碳排放预测方法 |
CN116739867A (zh) * | 2023-06-27 | 2023-09-12 | 南方电网能源发展研究院有限责任公司 | 电力系统碳排放量测算方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114118537A (zh) | 一种空域航班碳排放量组合预测方法 | |
CN112766549A (zh) | 一种空气污染物浓度预报方法、装置及存储介质 | |
CN106557837B (zh) | 飞机连续下降进近轨迹的获取方法及装置 | |
CN111291505B (zh) | 一种基于深度置信网络的翼型结冰冰形预测方法及装置 | |
CN108710623B (zh) | 基于时间序列相似性度量的机场离港延误时间预测方法 | |
CN109948716B (zh) | 一种基于区域残差和lstm网络的机场延误预测方法 | |
CN114048889A (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN111461292B (zh) | 一种无人机实时轨迹预测方法 | |
CN115564114B (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
Kong et al. | Bayesian deep learning for aircraft hard landing safety assessment | |
WO2022039675A1 (en) | Method and apparatus for forecasting weather, electronic device and storage medium thereof | |
CN114647985A (zh) | 锋面过境预测模型的训练方法及锋面过境的预测方法 | |
Yang et al. | LSTM-based deep learning model for civil aircraft position and attitude prediction approach | |
CN110941902A (zh) | 一种输电线路雷击故障预警方法和系统 | |
CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
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 | |
Kim et al. | Supervised machine learning-based wind prediction to enable real-time flight path planning | |
CN116304966A (zh) | 基于多源数据融合的航迹关联方法 | |
Shi et al. | Design of UAV Flight State Recognition System for Multi-sensor Data Fusion | |
CN112488146A (zh) | 基于深度学习的飞机危险识别与趋势预测方法 | |
CN113222229B (zh) | 一种基于机器学习的非合作无人机轨迹预测方法 | |
Asher et al. | Developing a probabilistic load spectrum for fatigue modeling | |
CN109242126A (zh) | 一种针对物理过程扰动的热带气旋集合预报初始成员筛选方法 | |
He et al. | Data-driven method for estimating aircraft mass from quick access recorder using aircraft dynamics and multilayer perceptron neural network | |
CN117894210A (zh) | 一种基于意图高度的航空器质量估计方法 |
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 |