CN115130380A - 一种基于机器学习的战略航班时刻表延误分布预测方法 - Google Patents

一种基于机器学习的战略航班时刻表延误分布预测方法 Download PDF

Info

Publication number
CN115130380A
CN115130380A CN202210739628.8A CN202210739628A CN115130380A CN 115130380 A CN115130380 A CN 115130380A CN 202210739628 A CN202210739628 A CN 202210739628A CN 115130380 A CN115130380 A CN 115130380A
Authority
CN
China
Prior art keywords
flight
strategic
distribution
machine learning
schedule
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
CN202210739628.8A
Other languages
English (en)
Inventor
王艳军
王子明
赵希凡
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210739628.8A priority Critical patent/CN115130380A/zh
Publication of CN115130380A publication Critical patent/CN115130380A/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]
    • G06F30/20—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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于机器学习的战略航班时刻表延误分布预测方法，基于历史航班运行数据用正太分布拟合每个航班的延误分布，将得到的延误分布拼接到战略航班时刻表得到数据集合；选择用于战略航班时刻表中用于航班延误分布预测的特征，并对不同类型的特征进行编码；使用机器学习算法进行学习，预测战略性航班时刻表中航班延误分布信息，对于预测结果，提出评价指标对不同机器学习算法的预测结果进行评价；最后选择性能较优的机器学习算法预测战略航班时刻表的延误分布。该方法为航班时刻协调员提供战略时刻表潜在的延误分布信息，在发现机场准时性能瓶颈情况下，采取行动减少航班延误，支持战略航班时刻表性能评估和战略航班时刻表优化。

Description

一种基于机器学习的战略航班时刻表延误分布预测方法
技术领域
本发明涉及机器学习的方法，特别涉及一种基于机器学习的战略航班时刻表延误分布预测方法。
背景技术
近年来，航空运输需求持续增长，航空运输服务质量逐步提高。然而，由于机场和空域容量增长速度有限，航空运输系统逐渐暴露出容量饱和、运行效率低下等现象，航班延误问题愈发严峻。特别是在一些枢纽机场，航空运输需求远远超过机场容量，因此需要对需求和容量进行管理，以提高容量利用效率、保证航班服务质量。
目前获得的战略航班时刻表并未给出相关航班的潜在延误信息，战略航班时刻表对机场准时性性能的实际影响是未知的，而且战略航班会在未来的一个航季中多次执行，其延误状态充满不确定性。为了解决这一问题，需要一种方法来预测战略航班时刻表中潜在的航班延误分布信息。
发明内容
发明目的：本发明目的是提供一种基于机器学习的战略航班时刻表延误分布预测方法。
技术方案：所述基于机器学习的战略航班时刻表延误分布预测方法，包括如下步骤：
步骤1：获取战略航班时刻表和历史航班运行数据；
步骤2：正太分布拟合历史航班运行数据的航班延误分布；
步骤3：选择用于航班延误分布预测的特征并进行相应的编码；
步骤4：使用机器学习算法进行训练，预测战略航班时刻表中航班延误分布；
步骤5：提出评价指标对不同机器学习算法的预测结果进行评价；
步骤6：选择性能较优的机器学习算法预测战略航班时刻表的延误分布；
进一步地，所述步骤1中战略航班时刻表和历史航班运行数据包括航班号、飞机类型、起飞机场、目的机场、班次、预计/实际出发时间和预计/实际到达时间。
进一步地，所述步骤2中航班延误分布拟合使用正太分布拟合得到每个航班的均值μ和方差σ。
进一步地，所述步骤3中选择用于航班延误分布预测的特征包括机型、机场、年、周、航司、战略出发时间、战略到达时间、班次、基地航空、飞行时间和航班数量，对分类变量使用Beta目标编码，数值变量使用最小最大化编码，三角变换变量进行三角变换编码。
进一步地，所述步骤4中使用机器学习算法包括损失函数为平均绝对误差(MeanAbsolute Error，MAE)的多层感知机(Multilayer Perceptron，MLP)、损失函数为分位数(Quantile)的MLP、轻量化梯度提升机(Light Gradient Boosting Machine，LightGBM)和随机森林(Random Forest，RF)。
进一步地，所述步骤5中评价指标选择的是不同置信水平下预测正确率、不同间隔水平下区域面积和分布相似度，使用这三个指标对战略航班时刻表延误分布的预测结果进行评估。
有益效果：本发明可以为航班时刻协调员提供战略时刻表潜在的延误分布信息，在发现机场准时性能瓶颈的情况下，采取必要的行动来减少航班延误。能够对战略航班时刻表性能评估，支持战略航班时刻表的优化。
附图说明
图1为本发明的方法流程图；
图2航班延误分布直方图、核密度曲线和正太分布拟合曲线的一个示例；
图370％置信水平下的正确预测示例；
图420min间隔水平的预测示例；
图5两个分布间Wasserstein距离示例。
具体实施方式
如图1所示，本实施例的基于机器学习的战略航班时刻表延误分布预测方法，具体步骤如下：
步骤1：获取战略航班时刻表和历史航班运行数据；
获取以下数据：①战略航班时刻表数据(见表1)，包括航班号、飞机类型、起飞机场、目的机场、班次、预计出发时间和预计到达时间。②历史航班运行数据，包括实际出发时间和实际到达时间。
表1战略航班时刻表
Figure BDA0003717474830000021
步骤2：正太分布拟合历史航班运行数据的航班延误分布；
航班延误分布拟合使用正太分布拟合得到每个航班的均值μ和方差σ，拟合过程如图2。
步骤3：选择用于航班延误分布预测的特征并进行相应的编码；
所述步骤3中选择用于航班延误分布预测的特征包括机型、机场、年、周、航司、战略出发时间、战略到达时间、班次、基地航空、飞行时间和航班数量。对各个特征的描述见表2。对分类变量使用Beta目标编码，数值变量使用最小最大化编码，三角变换变量进行三角变换编码。
表2用于航班延误分布预测算法的特征描述
Figure BDA0003717474830000031
Figure BDA0003717474830000032
λ(j)＝τ/(N(j)+τ) (2)
Figure BDA0003717474830000033
Figure BDA0003717474830000034
Figure BDA0003717474830000035
上述约束条件中，表达式(1)-(3)表示Beta目标编码的过程，其中μprior表示先验分布均值，i表示第几个样本，N表示样本数量，yi表示样本值，j表示某个level的y值(这里的level值表示该特征中有多少个分类变量类别)，τ表示先验分布的有效样本量，λ(j)是一个超参数，用于控制估计中的平滑量，x(j)表示此level下的样本；
表达式(4)表示最小最大化处理，x表示该变量值，min表示变量中最小值，max表示变量中最大值；
表达式(5)表示三角变换编码处理，以一天时间t为例，使用sin和coS进行编码转换确保时间t的周期性；
步骤4：使用机器学习算法进行训练，预测战略航班时刻表中航班延误分布；
将数据划分为训练集和测试集，划分比例5：1，算法为回归预测算法，目标是预测战略航班时刻表中各个航班服从的正太分布的均值μ和方差σ。机器学习算法包括RF、LightGBM和MLP，训练学习过程使用随机搜索调优超参数。六倍交叉验证得到不同算法的回归预测结果。
Figure BDA0003717474830000041
Figure BDA0003717474830000042
表达式(6)表示损失函数为MAE，yi表示原始数据，
Figure BDA0003717474830000043
表示预测数据，m表示原始数据中样本数量。
表达式(7)表示损失函数为Quantile，yi表示原始数据，
Figure BDA0003717474830000044
表示预测数据，m表示原始数据中样本数量，r表示分位数设定值，取值为0-1。
步骤5：提出评价指标对不同机器学习算法的预测结果进行评价；
战略航班时刻表的延误分布预测结果评价指标包括以下指标：①不同置信水平下预测正确率。②不同间隔水平下区域面积。③分布相似度。不同置信水平下预测正确率定义如下，算法预测得到单个航班延误分布的均值和标准差，生成对应的正太分布曲线，在不同置信水平下如果真实延误分布的均值落在此置信区间内，此次预测为一次正确的预测。图3给出了一个航班在70％置信水平下的一次正确的预测。不同间隔水平下预测的区域面积定义如下，算法预测得到单个航班的延误分布均值和标准差，生成对应的正太分布曲线，真实延误分布的均值在不同间隔水平下对应x轴上两点，区域面积越大表示预测越准确，图4给出了一个真是延误分布均值为30min，延误间隔水平为20min的一个示例。用Wasserstein距离度量真实延误分布和预测延误分布的差异，值越小表示预测越精准，图5给出了两个分布间Wasserstein距离的示例。
W(P，Q)＝infγ∈Π(P，Q)E(x，y)～γ[||x-y||] (8)
表达式(8)表示Wasserstein距离的计算方式，式中：P，Q表示两个要计算Wasserstein距离的分布，x表示起始点，y表示要推到的目标点，r表示操作的代价，∏(P，Q)表示分布P，Q所有可能的联合分布，总代价使用期望最大(Expectation Maximum，EM)方法求得最小值。
基于对单个航班的预测结果评价指标，从整体角度提出对应的三个指标对预测结果进行分析。①不同置信水平下预测准确率。准确率定义如下，战略航班时刻表中在此置信水平下被正确预测的航班所占比例。②不同间隔水平下平均区域面积。区域面积定义如下，战略航班时刻表中在此间隔水平下区域面积的平均值。③分布相似度频率分布。Wasserstein距离的频率分布图，瘦高的频率分布图代表优良的预测性能。
步骤6：选择性能较优的机器学习算法预测战略航班时刻表的延误分布；
选择性能较优的机器学习算法预测战略航班时刻表的延误分布。

Claims (6)

1.一种基于机器学习的战略航班时刻表延误分布预测方法，其特征在于：包括如下步骤：
步骤1：获取战略航班时刻表和历史航班运行数据；
步骤2：正太分布拟合历史航班运行数据的航班延误分布；
步骤3：选择用于航班延误分布预测的特征并进行相应的编码；
步骤4：使用机器学习算法进行训练，预测战略航班时刻表中航班延误分布；
步骤5：提出评价指标对不同机器学习算法的预测结果进行评价；
步骤6：选择性能较优的机器学习算法预测战略航班时刻表的延误分布。
2.根据权利要求1所述的基于机器学习的战略航班时刻表延误分布预测方法，其特征在于：所述步骤1中战略航班时刻表和历史航班运行数据包括航班号、飞机类型、起飞机场、目的机场、班次、预计/实际出发时间和预计/实际到达时间。
3.根据权利要求1所述的基于机器学习的战略航班时刻表延误分布预测方法，其特征在于：所述步骤2中航班延误分布拟合使用正太分布拟合得到每个航班的均值μ和方差σ。
4.根据权利要求1所述的基于机器学习的战略航班时刻表延误分布预测方法，其特征在于：所述步骤3中选择用于航班延误分布预测的特征包括机型、机场、年、周、航司、战略出发时间、战略到达时间、班次、基地航空、飞行时间和航班数量，对分类变量使用Beta目标编码，数值变量使用最小最大化编码，三角变换变量进行三角变换编码。
5.根据权利要求1所述的基于机器学习的战略航班时刻表延误分布预测方法，其特征在于：所述步骤4中使用机器学习算法包括损失函数为平均绝对误差(Mean AbsoluteError，MAE)的多层感知机(Multilayer Perceptron，MLP)、损失函数为分位数(Quantile)的MLP、轻量化梯度提升机(Light Gradient Boosting Machine，LightGBM)和随机森林(Random Forest，RF)。
6.根据权利要求1所述的基于机器学习的战略航班时刻表延误分布预测方法，其特征在于：所述步骤5中评价指标选择的是不同置信水平下预测正确率、不同间隔水平下区域面积和分布相似度，使用这三个指标对战略航班时刻表延误分布的预测结果进行评估。
CN202210739628.8A 2022-06-28 2022-06-28 一种基于机器学习的战略航班时刻表延误分布预测方法 Pending CN115130380A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210739628.8A CN115130380A (zh) 2022-06-28 2022-06-28 一种基于机器学习的战略航班时刻表延误分布预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210739628.8A CN115130380A (zh) 2022-06-28 2022-06-28 一种基于机器学习的战略航班时刻表延误分布预测方法

Publications (1)

Publication Number Publication Date
CN115130380A true CN115130380A (zh) 2022-09-30

Family

ID=83380155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210739628.8A Pending CN115130380A (zh) 2022-06-28 2022-06-28 一种基于机器学习的战略航班时刻表延误分布预测方法

Country Status (1)

Country Link
CN (1) CN115130380A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681413A (zh) * 2023-08-03 2023-09-01 中航信移动科技有限公司 一种航班到达时间确定方法、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681413A (zh) * 2023-08-03 2023-09-01 中航信移动科技有限公司 一种航班到达时间确定方法、电子设备及存储介质
CN116681413B (zh) * 2023-08-03 2023-10-27 中航信移动科技有限公司 一种航班到达时间确定方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
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
US11501039B2 (en) Optimizing aircraft flows at airports using data driven predicted capabilities
Schultz et al. Predictive classification and understanding of weather impact on airport performance through machine learning
CN110503245B (zh) 一种机场航班大面积延误风险的预测方法
Khan et al. Prediction of aircraft trajectory and the associated fuel consumption using covariance bidirectional extreme learning machines
Zhang et al. Data‐driven flight time prediction for arrival aircraft within the terminal area
CN113284369B (zh) 一种基于ads-b实测航路数据的预测方法
CN113657671B (zh) 一种基于集成学习的航班延误预测方法
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
CN113341919A (zh) 一种基于时序数据长度优化的计算系统故障预测方法
CN115130380A (zh) 一种基于机器学习的战略航班时刻表延误分布预测方法
CN117764631A (zh) 基于源端静态数据建模的数据治理优化方法及系统
CN112926809B (zh) 一种基于聚类和改进的xgboost的航班流量预测方法及系统
US20240256995A1 (en) Controlling resource requirements
Antici et al. Augmenting ML-based Predictive Modelling with NLP to Forecast a Job's Power Consumption
CN115222150B (zh) 一种基于Stacking的航班延误预测方法及系统
CN116404637A (zh) 电力系统短期负荷预测方法和电力系统短期负荷预测装置
Sridhar et al. Lessons learned in the application of machine learning techniques to air traffic management
SAHADEVAN et al. Predictability improvement of scheduled flights departure time variation using supervised machine learning
Ying et al. Terminal Traffic Flow Prediction Method Under Convective Weather Using Deep Learning Approaches.
Brito et al. A Machine Learning-based Predictive Model of Airspace Sector Occupancy
Zhao et al. Research and comparison on identification and prediction methods of air traffic network congestion
CN108172027A (zh) 概率性航路扇区交通需求预测方法
CN108364091A (zh) 概率性航路扇区交通需求预测流量管理系统
Nivitha et al. An Ensemble Approach for Flight Delay Prediction Through Spatiotemporal Parameters

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