CN114943114A - 一种跑道运行方向的预测方法、设备、存储介质 - Google Patents

一种跑道运行方向的预测方法、设备、存储介质 Download PDF

Info

Publication number
CN114943114A
CN114943114A CN202111653306.3A CN202111653306A CN114943114A CN 114943114 A CN114943114 A CN 114943114A CN 202111653306 A CN202111653306 A CN 202111653306A CN 114943114 A CN114943114 A CN 114943114A
Authority
CN
China
Prior art keywords
runway
data
wind
running direction
predicting
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
CN202111653306.3A
Other languages
English (en)
Inventor
李萍
陈云峰
林�智
王刚
谢文锋
罗义
杨洁
陈瑶
利伟明
赖长青
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.)
CAAC CENTRAL AND SOUTHERN REGIONAL AIR TRAFFIC ADMINISTRATION
Original Assignee
CAAC CENTRAL AND SOUTHERN REGIONAL AIR TRAFFIC ADMINISTRATION
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 CAAC CENTRAL AND SOUTHERN REGIONAL AIR TRAFFIC ADMINISTRATION filed Critical CAAC CENTRAL AND SOUTHERN REGIONAL AIR TRAFFIC ADMINISTRATION
Priority to CN202111653306.3A priority Critical patent/CN114943114A/zh
Publication of CN114943114A publication Critical patent/CN114943114A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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"
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种跑道运行方向的预测方法、设备、存储介质，本方法包括以下步骤：步骤S1、获取历史气象数据与机场运行数据，对历史气象数据及机场运行数据进行预处理；步骤S2、将预处理后的数据进行特征处理，基于特征处理后的历史气象数据与机场数据，通过机器学习构建第一风场预报模型第二风场预报模型；步骤S3、获取实时气象数据与机场运行数据，进行风向预报；步骤S4、基于预报结果、预测跑道方向所需数据，构建跑道运行方向预测模型；通过所述跑道运行方向预测模型进行预测，以获得跑道运行方向切换建议。本发明结合多种数据，预测跑道运行方向可能需要发生变化的时间，给出跑道运行方向切换建议，提高安全保障能力和航班正常率。

Description

一种跑道运行方向的预测方法、设备、存储介质
技术领域
本发明涉及民用航空技术领域，尤其涉及一种跑道运行方向的预测方法、设备、存储介质。
背景技术
民用航空机场跑道区域风场，尤其是跑道起降端的风向风速是民航机场运行的关键核心，而跑道的运行方向则与跑道区域的风向风速密切相关，根据民航局《民用航空空中交通管理规则》(第二百八十四条)规定的要求：民航机场跑道运行需满足跑道起降端点处的顺风分量和侧风标准。塔台管制单位与进近管制单位，要分析航空器性能对顺风起降条件的适应性，研究顺风条件对管制运行的影响，征求机场和航空公司意见，制定本机场使用跑道转换工作程序,并发布相关航空情报系列资料。
目前，民航气象部门没有为管制部门、航空公司、机场等用户提供专门的跑道道面风场预测产品。在实际运行当中，由于没有相应的预测产品，变换跑道运行方向多由管制员根据自动观测数据，凭个人经验或者电话咨询进行临时决策。跑道运行方向的变化缺乏计划性和提前量，从而对民航运行安全正常和效率造成影响。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种跑道运行方向的预测方法，结合多种数据，预测跑道运行方向可能需要发生变化的时间，给出跑道运行方向切换建议，提高安全保障能力和航班正常率。
本发明的目的之二在于提供一种设备，执行上述一种跑道运行方向的预测方法，结合多种数据，预测跑道运行方向可能需要发生变化的时间，给出跑道运行方向切换建议，提高安全保障能力和航班正常率。
本发明的目的之三在于提供一种存储介质，执行上述一种跑道运行方向的预测方法，结合多种数据，预测跑道运行方向可能需要发生变化的时间，给出跑道运行方向切换建议，提高安全保障能力和航班正常率。
本发明的目的之一采用如下技术方案实现：
一种跑道运行方向的预测方法，本方法包括以下步骤：
步骤S1、获取历史气象数据与机场运行数据，对所述历史气象数据及机场运行数据进行预处理；
步骤S2、将预处理后的历史气象数据与机场运行数据进行特征处理，基于特征处理后的历史气象数据与机场数据，通过机器学习构建预测0-2小时的第一风场预报模型与2-24小时的第二风场预报模型；
步骤S3、获取实时气象数据与机场运行数据，通过所述第一风场预报模型与第二风场预报模型进行风向预报；
步骤S4、基于第一风场预报模型与第二风场预报模型的预报结果、预测跑道方向所需数据，构建跑道运行方向预测模型；通过所述跑道运行方向预测模型进行预测，以获得跑道运行方向切换建议。
进一步地，所述第一风场预报模型为将特征处理后的历史气象数据及机场运行数据构建预报因子数据集，基于所述预报因子数据集，通过XGBoost方法构建第一风场预报模型，对每个端点每10分钟进行一次风向预报。
进一步地，所述第二风场预报模型为使用Lasso回归对气象要素数据进行特征处理，建立特征向量，以所述特征向量为输入，使用Lasso回归方法建立第二风场预报模型，对每个端点每30分钟进行一次风向预报。
进一步地，所述步骤S4中预测跑道方向所需数据包括灯光数据、管制运行记录、跑道自动观测数据、跑道类型，根据预测跑道方向所需数据分析跑道运行方向与实际顺风分量的关系，确定实际顺风分量对跑道风向的影响以及跑道运行方向发生变化的顺风分量阈值。
进一步地，步骤S4中，通过所述跑道运行方向预测模型进行预测，以获得跑道运行方向切换建议，包括以下步骤：
步骤S41、获取灯光数据，根据所述灯光数据判断当前跑道运行方向及季节；
步骤S42、获取当前跑道类型，根据当前跑道类型判断是否符合运行条件，确定符合运行条件的跑道类型的顺风风量阈值；
步骤S43、接收机场的运行数据、机场管制情况，结合第一风场预报模型与第二风场预报模型的预报结果，给出是否切换跑道运行方向建议。
进一步地，所述当前跑道类型包括干跑道、湿跑道，所述当前跑道类型为干跑道且有风速仪时，顺风分量阈值为3.5米/秒，侧风风速阈值为10米/秒，所述当前跑道类型为干跑道且不存在风速仪时，顺风风量阈值为2.5米/秒，侧风风速阈值为10米/秒；当所述当前跑道类型为湿跑道时，不允许顺风着陆且侧风风量阈值为7.5米/秒。
进一步地，所述步骤S1的历史气象数据包括气象要素、周围环境数据，机场运行数据包括跑道灯光数据；所述步骤S1中对所述历史气象数据与机场运行数据进行预处理包括：质量控制、插值插补、结构化处理或数据接口。
进一步地，通过决策树算法构建跑道运行方向预测模型。
本发明的目的之二采用如下技术方案实现：
一种设备，其包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上任一所述一种跑道运行方向的预测方法。
本发明的目的之三采用如下技术方案实现：
一种存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上任一所述一种跑道运行方向的预测方法。
相比现有技术，本发明的有益效果在于：
本申请所提供的一种跑道运行方向的预测方法、设备、存储介质，基于历史气象数据与机场运行数据，使用机器学习方法构建第一风场预报模型与第二风场预报模型，预测跑道道面区域的风场变化，进而预测跑道运行方向可能需要发生变化的时间，给出跑道运行方向切换建议，达到有效提升协同运行效率，提高安全保障能力和航班正常率。
附图说明
图1为本发明所提供实施例一种跑道运行方向的预测方法的流程示意图；
图2为本发明所提供实施例一种跑道运行方向的预测方法各预报时效中不同气象要素权重分布图；
图3为本发明所提供实施例一种跑道运行方向的预测方法中第一风场预报模型的准确率对比图；
图4为本发明所提供实施例一种跑道运行方向的预测方法中第一风场预报模型的评分示意图；
图5为本发明所提供实施例一种跑道运行方向的预测方法的步骤S4的流程示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示，本申请提供了一种跑道运行方向的预测方法，获取机场历史气象数据与机场运行数据，构建第一风场预报模型与第二风场预报模型，基于跑道运行历史统计分析结果和风场预测结果，使用决策树方法进行跑道运行方向变换时间预测
本方法包括以下步骤：
步骤S1、获取历史气象数据与机场运行数据，对所述历史气象数据及机场运行数据进行预处理；在本实施例中，以白云国际机场进行解释说明。
历史气象数据包括了气象要素、周围环境数据，具体为：
(1)、白云国际机场自动观测数据，如下表1所示：
表1自动观测数据
Figure RE-GDA0003730200640000061
(2)、白云机场周边环境数据：机场周边范围定义为：22°24′N～24°24′ N，112°18′E～114°18′E，收集机场周边范围27个自动站(时间分辨率为 10分钟)气象要素，包括但不限于平均风速、平均风向、最大风速、最大风速的风向、最大风速出现的时间、瞬时风速、瞬时风向、气温、气压、降水量、相对湿度、最小相对湿度、最小相对湿度出现的时间、0cm地温等气象要素。
(3)白云机场周边范围探空站(08时、14时、20时)各高度风速、风向、气温、气压、相对湿度、辐射等气象要素；
(4)白云机场周边范围探空站(08时、14时、20时)各高度风速、风向、气温、气压、相对湿度、辐射等气象要素；
(5)机场周边风廓线雷达的风速风向产品，时间分辨率10分钟(或者为6 分钟)；
(6)欧洲中期天气预报中心模式(ECMWF)短中期预报产品：ECMWF 模式预报的格点气象要素空间范围取上述定义的机场周边范围，预报空间分辨率地面为0.125°×0.125°网格，高空为0.25°×0.25°网格。每天按照所使用的初值分为0时与12时给出2个时次的预报，选择预报时间分辨率为短临0-24 小时3小时间隔预报。其预报要素包括地面层预报场和气压层预报场100米东西风、100米南北风、10米东西风、10米南北风、过去3小时10米阵风、过去 6小时10米阵风、2米温度、平均海平面气压、相对湿度等几十个气象要素数据。
机场运行数据包括了跑道灯光数据，跑道灯光数据指跑道灯光系统的状态，即跑道灯光系统开启情况，跑道正在用于起降的一端会开启相应端的跑道灯光，而另一端就会保持关闭，借此可以判断在用跑道的情况，从而获得跑道运行方向。
根据气象行业数据处理技术规范，对收集的各类数据进行预处理，保证各类数据资料的准确和完整，对上述数据进行预处理，所述预处理包括：质量控制、插值插补、结构化处理或数据接口。质量控制为气候学界限值和极限值检查、时空均一性检查、缺省值检查等，依据气象数据质量控制算法对数据进行修订，以符合实际情况。插值和插补为对上一步处理得到的数据进行缺省值插值和插补。结构化处理则为对获取的各类数据使用统一的数据存储方式存储 (NetCDF、npy、png、csv等)，数据格式的选取同时考虑存储资源和运算处理速度的平衡。数据接口为根据统一的文件命名规范和路径规范对各类数据进行标准化封装，制作数据读取访问接口，以便于作为后续预报模型的输入。
步骤S2、将预处理后的历史气象数据与机场运行数据进行特征处理，基于特征处理后的历史气象数据与机场数据，通过机器学习算法构建预测0-2小时的第一风场预报模型与2-24小时的第二风场预报模型；
对上述历史气象数据与机场运行数据进行特征化处理，以降低数据特征维度，提高预报准确率，提高运算速度等。在本申请中，使用XGBooost算法。具体的，构建第一风场预报模型的过程如下：
将特征处理后的历史气象数据及机场运行数据构建预报因子数据集，基于所述预报因子数据集，使用随机森林对预报因子数据集进行特征工程，简化预报因子数据范围，通过XGBoost方法构建第一风场预报模型，每10分钟进行一次风向预报。
极端梯度提升(XGBoost)，该算法思想就是不断地添加树，不断地进行特征分裂来生长一棵树。每次添加一个树，其实是学习一个新函数，去拟合上次预测的残差。当训练完成得到k棵树，预测一个样本的分数，也就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数，最后只需要将每棵树对应的分数加起来就是该样本的预测值。例如，在对机场跑道区域风速进行预测时，就是以气象要素(风速、风向、气压、相对湿度等)建立特征向量作为输入，以该特征向量对应的风速大小作为预测结果，通过训练样本进行拟合得到预测模型的过程。随机森林/极端梯度提升 XGBoost建模过程如下(以风速预测为例)：
(1)定义风速预测训练集合Xi→Yi。其中，Yi为随机森林预测模型中的真实值，映射为资料中第i个样本的风速实值；Xi为资料中第i个样本的气象要素取值所建立的特征向量，以{Ii1,Ii2,...,Iin}→Xi表示第i个样本的n个影响因子。
(2)在确定了训练集的基础上，建立单棵回归决策树。通过训练样本中的特征向量X和其对应的真实值Y，对分裂变量和分裂值进行搜索，回归决策树将整个向量空间分为m个分区{R1,R2,...,Rm}。对于其中任意分区可以映射为模型Cm，通过某个特征的取值将向量空间分为2部分，表达式为
R1(j,s)＝{I|Ij≤s}
R2(j,s)＝{I|Ij>s}
其中，j代表一个影响因子，s代表进行分裂时的值。进行向量空间分裂变量和分裂值搜索的目标函数为
Figure RE-GDA0003730200640000091
式中：z为风速实值的最小方差；yi为第i个样本的风速实值；xi为第i 个样本的影响因子向量的对应值；c1为第1部分风速实值均值；c2为第2部分风速实值均值。
(3)在单棵决策树的构建基础上，构建整个随机森林。生成的随机森林是多元非线性回归分析模型，随机森林预测值是所有决策树预测值的平均值。
在随机森林bagging算法中可以发现booststrap放回抽样过程中，随着抽样次数不断增加，约有1/3的样本从未被抽到，这些数据被称为袋外数据(OOB)。在随机森林中某个特征X的重要性的计算方法如下：
(1)对于随机森林中的每一颗决策树，使用相应的OOB数据来计算它的袋外数据误差，记为errOOB1。
(2)随机地对袋外数据OOB所有样本的特征X加入噪声干扰(就可以随机的改变样本在特征X处的值)，再次计算它的袋外数据误差,记为errOOB2。
(3)假设随机森林中有Ntree棵树，那么对于特征X的重要性＝∑(errOOB2-errOOB1)/Ntree,之所以可以用这个表达式来作为相应特征的重要性的度量值，因为若给某个特征随机加入噪声之后，袋外的准确率大幅度降低，则说明这个特征对于样本的分类结果影响很大，也就是说它的重要程度比较高。
而第二风场预报模型使用Lasso回归对气象要素数据进行特征处理，建立特征向量，以所述特征特征向量为输入，使用Lasso回归方法建立第二风场预报模型。第二风场预报模式是基于Lasso回归的嵌入式选择法进行特征选择，Lasso 回归的学习方法是将特征选择过程与学习器训练过程融为一体，两者在同一个优化过程中完成，并且Lasso回归计算效率高。使用Lasso模型后，由于加入了正则化因子α||w||，不显著的变量被收缩为0(w＝0)。随着惩罚力度的加强(超参数α变大)，越来越多的变量会被收缩为0。如图2所示，为各预报时效中不同气象要素权重分布图。在使用ECMWF模式输出多个气象要素对风场进行释用预报时，不同的预报时效、各气象要素的权重大小不一。尤其是在关注的0-24 小时时效，只有10米纬向风分量、10米经向风分量以及二者合成的10米风速具有相对重要的权重，其他气象要素的权重几乎为零。因而在后续释用模型预报中，只是用10米纬向风分量、10米经向风分量以及二者合成的10米风速、 10米风向作为模式释用预报模型的输入特征进行第二风场预报模型的训练。
如图3所示，基于历史数据对第一风场预报模型进行评估，其中图3为风速均方根误差，风速预报的准确率随时间出现下降，但准确率均在95.5％以上。风向预报使用评分方法进行评估，当预报风向与真实风向之差小于等于20°时，风向预报记为准确，得1分；预报的风向与真实风向只差大于20°且小于40°时，风向预报记为部分准确，得0.5分；预报的风向与真实风向大于40°时，风向预报记为错误，得0分。如图4所示，其准确率高达72％～82％。
根据历史数据，对所述第二风场预报模型的准确率进行测试，其中第二风场预报模型预报的顺风均方根误差平均值月1.95米/秒左右，而EC预报的顺风均方根误差约为2.9米/秒；EC预报的顺风、风向平均准确率分别为75％、47％， 2-24小时预报模型预报的顺风、风向平均准确率分别为90％、50％。由此可见， 2-24小时预报模型预报结果大幅提高了准确率，尤其是对顺风预报的准确率提高了15％。
步骤S3、获取实时气象数据与机场运行数据，通过所述第一风场预报模型与第二风场预报模型进行风向预报。获取预定时间内的实时气象数据及机场运行数据，通过第一风场预报模型与第二风向预报模型进行0-24小时的风场预报。
步骤S4、基于第一风场预报模型与第二风场预报模型的预报结果、预测跑道方向所需数据，构建跑道运行方向预测模型；通过所述跑道运行方向预测模型进行预测，以获得跑道运行方向切换建议。
预测跑道方向所需数据包括灯光数据、管制运行记录、跑道自动观测数据，根据预测跑道方向所需数据分析跑道运行方向与实际顺风分量的关系，确定实际顺风分量对跑道风向的影响以及跑道运行方向发生变化的顺风分量阈值。再根据第一风场预报模型与第二风场预报模型的预报结果、顺风分量统计分析阈值及实时灯光数据，使用决策树算法构建跑道运行方向预测模型，给出跑道运行方向可能发生变化的时间，从而给出跑道运行方向切换建议。
具体的，如图5所示，步骤S4中，通过所述跑道运行方向预测模型进行预测，以获得跑道运行方向切换建议，包括以下步骤：
步骤S41、获取灯光数据，根据所述灯光数据判断当前跑道运行方向及季节；如上所述，机场会在飞机的起降点设置灯光。在本申请中，获取灯光数据，从而获取飞机在该时段内从某个起降点起飞或者降落。在根据灯光开启的时间，得到所处的季节。
步骤S42、获取当前跑道类型，根据当前跑道类型判断是否符合运行条件，确定符合运行条件的跑道类型的顺风风量阈值。一般的，航空器以逆风飞行为佳。根据相关规定，航空器不得在湿跑道上顺风起飞或者着陆。所述当前跑道类型包括干跑道、湿跑道，所述当前跑道类型为干跑道且有风速仪时，其顺风分量阈值为3.5米/秒，侧风风速阈值为10米/秒，所述当前跑道类型为干跑道且不存在风速仪时，顺风风量阈值为2.5米/秒，侧风风速阈值为10米/秒；当所述当前跑道类型为湿跑道时，不允许顺风着陆且侧风风量阈值为7.5米/秒。
步骤S43、接收机场的运行数据、机场管制情况，结合第一风场预报模型与第二风场预报模型的预报结果，给出是否切换跑道运行方向建议。当预测到的风量大于或等于顺风风量阈值时，结合机场运行数据或机场管制情况，给出未来0-24小时跑道是否发生切换的建议。
本申请所提供的一种跑道运行方向的预测方法，基于历史气象数据与机场运行数据，使用机器学习方法构建第一风场预报模型与第二风场预报模型，预测跑道道面区域的风场变化，进而预测跑道运行方向可能需要发生变化的时间，给出跑道运行方向切换建议，达到有效提升协同运行效率，提高安全保障能力和航班正常率。
本发明还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述一种跑道运行方向的预测方法的步骤。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
基于相同的发明思想，还提供了一种设备，包括存储器、处理器以及存储在存储器中的程序，所述程序被配置成由处理器执行，处理器执行所述程序时实现上述一种跑道运行方向的预测方法。
本实施例中的设备与前述实施例中的方法是基于同一发明构思下的两个方面，在前面已经对方法实施过程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施中的系统的结构及实施过程，为了说明书的简洁，在此就不再赘述。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种跑道运行方向的预测方法，其特征在于，本方法包括以下步骤：
步骤S1、获取历史气象数据与机场运行数据，对所述历史气象数据及机场运行数据进行预处理；
步骤S2、将预处理后的历史气象数据与机场运行数据进行特征处理，基于特征处理后的历史气象数据与机场数据，通过机器学习构建预测0-2小时的第一风场预报模型与2-24小时的第二风场预报模型；
步骤S3、获取实时气象数据与机场运行数据，通过所述第一风场预报模型与第二风场预报模型进行风向预报；
步骤S4、基于第一风场预报模型与第二风场预报模型的预报结果、预测跑道方向所需数据，构建跑道运行方向预测模型；通过所述跑道运行方向预测模型进行预测，以获得跑道运行方向切换建议。
2.如权利要求1所述的一种跑道运行方向的预测方法，其特征在于，所述第一风场预报模型为将特征处理后的历史气象数据及机场运行数据构建预报因子数据集，基于所述预报因子数据集，通过XGBoost方法构建第一风场预报模型，对每个端点每10分钟进行一次风向预报。
3.如权利要求1所述的一种跑道运行方向的预测方法，其特征在于，所述第二风场预报模型为使用Lasso回归对气象要素数据进行特征处理，建立特征向量，以所述特征向量为输入，使用Lasso回归方法建立第二风场预报模型，对每个端点每30分钟进行一次风向预报。
4.如权利要求1所述的一种跑道运行方向的预测方法，其特征在于，所述步骤S4中预测跑道方向所需数据包括灯光数据、管制运行记录、跑道自动观测数据、跑道类型，根据预测跑道方向所需数据分析跑道运行方向与实际顺风分量的关系，确定实际顺风分量对跑道风向的影响以及跑道运行方向发生变化的顺风分量阈值。
5.如权利要求4所述的一种跑道运行方向的预测方法，其特征在于，步骤S4中，通过所述跑道运行方向预测模型进行预测，以获得跑道运行方向切换建议，包括以下步骤：
步骤S41、获取灯光数据，根据所述灯光数据判断当前跑道运行方向及季节；
步骤S42、获取当前跑道类型，根据当前跑道类型判断是否符合运行条件，确定符合运行条件的跑道类型的顺风风量阈值；
步骤S43、接收机场的运行数据、机场管制情况，结合第一风场预报模型与第二风场预报模型的预报结果，给出是否切换跑道运行方向建议。
6.如权利要求5所述的一种跑道运行方向的预测方法，其特征在于，所述当前跑道类型包括干跑道、湿跑道，所述当前跑道类型为干跑道且有风速仪时，顺风分量阈值为3.5米/秒，侧风风速阈值为10米/秒，所述当前跑道类型为干跑道且不存在风速仪时，顺风风量阈值为2.5米/秒，侧风风速阈值为10米/秒；当所述当前跑道类型为湿跑道时，不允许顺风着陆且侧风风量阈值为7.5米/秒。
7.如权利要求1所述的一种跑道运行方向的预测方法，其特征在于，所述步骤S1的历史气象数据包括气象要素、周围环境数据，机场运行数据包括跑道灯光数据；所述步骤S1中对所述历史气象数据与机场运行数据进行预处理包括：质量控制、插值插补、结构化处理或数据接口。
8.如权利要求1所述的一种跑道运行方向的预测方法，其特征在于，通过决策树算法构建跑道运行方向预测模型。
9.一种设备，其特征在于，其包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1～8任一所述一种跑道运行方向的预测方法。
10.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现权利要求1～8任一所述一种跑道运行方向的预测方法。
CN202111653306.3A 2021-12-30 2021-12-30 一种跑道运行方向的预测方法、设备、存储介质 Pending CN114943114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111653306.3A CN114943114A (zh) 2021-12-30 2021-12-30 一种跑道运行方向的预测方法、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111653306.3A CN114943114A (zh) 2021-12-30 2021-12-30 一种跑道运行方向的预测方法、设备、存储介质

Publications (1)

Publication Number Publication Date
CN114943114A true CN114943114A (zh) 2022-08-26

Family

ID=82906019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111653306.3A Pending CN114943114A (zh) 2021-12-30 2021-12-30 一种跑道运行方向的预测方法、设备、存储介质

Country Status (1)

Country Link
CN (1) CN114943114A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115755220A (zh) * 2022-10-21 2023-03-07 中国民用航空飞行学院 基于数值模拟与深度学习结合的机场突风预报和订正方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115755220A (zh) * 2022-10-21 2023-03-07 中国民用航空飞行学院 基于数值模拟与深度学习结合的机场突风预报和订正方法
CN115755220B (zh) * 2022-10-21 2023-07-25 中国民用航空飞行学院 基于数值模拟与深度学习结合的机场突风预报和订正方法

Similar Documents

Publication Publication Date Title
US7069258B1 (en) Weather prediction method for forecasting selected events
US11215597B2 (en) Forestry management tool for assessing risk of catastrophic tree failure due to weather events
CN107818382B (zh) 航班到达时间预测方法
CN108107911A (zh) 一种太阳能飞机自主寻优航迹规划方法
Kalyankar et al. Data mining technique to analyse the metrological data
Awan et al. Predicting weather events using fuzzy rule based system
CN105403664A (zh) 一种基于wrf-chem的大型点污染源大气环境影响评价方法
CN108805337B (zh) 航空运行控制风险管控方法及系统
Moreira et al. Coupling between the JULES land-surface scheme and the CCATT-BRAMS atmospheric chemistry model (JULES-CCATT-BRAMS1. 0): applications to numerical weather forecasting and the CO 2 budget in South America
Grabbe et al. Clustering days with similar airport weather conditions
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
CN114548812A (zh) 一种森林草原火灾风险预报决策方法、装置及计算机设备
CN112215416A (zh) 智能规划巡检航线系统及方法
CN114943114A (zh) 一种跑道运行方向的预测方法、设备、存储介质
Sanabria et al. Severe wind hazard assessment using Monte Carlo simulation
CN113222237B (zh) 森林可燃物含水率动态预测方法、系统、设备及介质
CN114169502A (zh) 一种基于神经网络的降水预测方法、装置和计算机设备
CN111967661B (zh) 机场跑道运行方向的决策方法、系统、存储介质和设备
Williams et al. Combining observations and model data for short-term storm forecasting
CN115080629B (zh) 一种基于遥感技术的气象要素预报系统及方法
Allaire et al. Simulation-based high-resolution fire danger mapping using deep learning
Saikhu et al. Rainfall forecasting by using autoregressive integrated moving average, single input and multi input transfer function
Bucci et al. Understanding the response of tropical cyclone structure to the assimilation of synthetic wind profiles
Saha et al. Forecast analysis of visibility for airport operations with deep learning techniques
Shankar et al. Efficient prediction of runway visual range by using a hybrid CNN-LSTM network architecture for aviation services

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication