CN115456270B - 一种基于机场噪音预测的检测布点方法及系统 - Google Patents
一种基于机场噪音预测的检测布点方法及系统 Download PDFInfo
- Publication number
- CN115456270B CN115456270B CN202211080082.6A CN202211080082A CN115456270B CN 115456270 B CN115456270 B CN 115456270B CN 202211080082 A CN202211080082 A CN 202211080082A CN 115456270 B CN115456270 B CN 115456270B
- Authority
- CN
- China
- Prior art keywords
- noise
- distribution
- time node
- mapping
- record data
- 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 35
- 238000001514 detection method Methods 0.000 title abstract description 27
- 238000013507 mapping Methods 0.000 claims description 105
- 238000012544 monitoring process Methods 0.000 claims description 35
- 235000013399 edible fruits Nutrition 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于机场噪音预测的检测布点方法及系统,涉及人工智能领域,包括:通过待检测机场上传预设时区的航班计划信息包括航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息,提取第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合;根据预设时区,获取气象预测信息包括风速参数、风向参数和气压参数;构建噪音预测通道,生成噪音预测结果包括噪音分布位置和噪音划分级别;判断噪音划分级别是否满足第一噪音级别阈值;若满足将噪音分布位置添加进待布点位置。解决了现有技术中由于检测点的布设采用均匀部署方式,导致面对较大的机场时存在适用性较差的技术问题。
Description
技术领域
本发明涉及人工智能相关技术领域,具体涉及一种基于机场噪音预测的检测布点方法及系统。
背景技术
机场噪音是机场产生的噪音的汇总,通用和飞机的种类、起降频率、起降方式以及机场位置等要素具备密切的联系,机场噪音会对机场及周边的居民造成严重的影响,因此机场噪音的隔离与降噪一直为重点关注的研究方向。
在机场噪音隔离与降噪中,布设合理的检测点有助于较高效率的检测到噪音较为严重的位置,进而根据不同区域噪音级的差异,进行针对性降噪操作,传统的检测点的布设通常采取的为均匀的布设,此种方式尽管可以实现噪音的全面监测,但是在面对较大的机场时,此种方式适用性较弱,导致检测效率较低。
现有技术中由于检测点的布设采用均匀部署方式,导致面对较大的机场时存在适用性较差的技术问题。
发明内容
本申请通过提供了一种基于机场噪音预测的检测布点方法及系统,解决了现有技术中由于检测点的布设采用均匀部署方式,导致面对较大的机场时存在适用性较差的技术问题。
鉴于上述问题,本申请实施例提供了一种基于机场噪音预测的检测布点方法及系统。
第一方面,本申请提供了一种基于机场噪音预测的检测布点方法,其中,所述方法应用于一基于机场噪音预测的检测布点系统,所述方法包括:通过待检测机场上传预设时区的航班计划信息,其中,所述航班计划信息包括航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息;根据所述航机类型时序信息、所述起降跑道编号时序信息和所述飞行路径时序信息,提取第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合;根据所述预设时区,获取气象预测信息,其中,所述气象预测信息包括风速参数、风向参数和气压参数;根据所述风速参数、所述风向参数和所述气压参数,构建噪音预测通道;将所述第k时间节点航机类型集合、所述第k时间节点跑道编号集合和所述第k时间节点飞行路径集合输入所述噪音预测通道,生成噪音预测结果,其中,所述噪音预测结果包括噪音分布位置和噪音划分级别;判断所述噪音划分级别是否满足第一噪音级别阈值;若满足,将所述噪音分布位置添加进待布点位置。
另一方面,本申请提供了一种基于机场噪音预测的检测布点系统,其中,所述系统包括:信息上传模块,用于通过待检测机场上传预设时区的航班计划信息,其中,所述航班计划信息包括航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息;数据提取模块,用于根据所述航机类型时序信息、所述起降跑道编号时序信息和所述飞行路径时序信息,提取第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合;气象参数获取模块,用于根据所述预设时区,获取气象预测信息,其中,所述气象预测信息包括风速参数、风向参数和气压参数;预测通道构建模块,用于根据所述风速参数、所述风向参数和所述气压参数,构建噪音预测通道;噪音预测模块,用于将所述第k时间节点航机类型集合、所述第k时间节点跑道编号集合和所述第k时间节点飞行路径集合输入所述噪音预测通道,生成噪音预测结果,其中,所述噪音预测结果包括噪音分布位置和噪音划分级别;信息决策模块,用于判断所述噪音划分级别是否满足第一噪音级别阈值;任务执行模块,用于当满足时,将所述噪音分布位置添加进待布点位置。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了上传未来预设时间段内的航班计划,提取航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息,获取未来预设时间段内第k时间节点的第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合;再提取气象预测参数,包括风速参数、风向参数和气压参数;根据风速参数、风向参数和气压参数构建噪音预测通道;将未来预设时间段内第k时间节点的第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入噪音预测通道,得到噪音预测结果,包括噪音分布位置和噪音级别划分结果;将噪音级别满足设定噪音级别的噪音分布位置添加进待布点位置技术方案,通过依据气象信息、航机类型、跑道信息和飞行路径信息,预测会产生的噪音级别及分布位置,进而依据预测结果进行噪音检测布点,相比于均匀部署检测点的方式针对性较强,噪音检出效率较高,达到了提高噪音检测在大型机场的适应性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于机场噪音预测的检测布点方法流程示意图;
图2为本申请实施例提供了一种基于机场噪音预测的检测布点方法的待布点位置筛除流程示意图;
图3为本申请实施例提供了一种基于机场噪音预测的检测布点系统结构示意图。
附图标记说明:信息上传模块11,数据提取模块12,气象参数获取模块13,预测通道构建模块14,噪音预测模块15,信息决策模块16,任务执行模块17。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于机场噪音预测的检测布点方法及系统。由于采用了上传未来预设时间段内的航班计划,提取航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息,获取未来预设时间段内第k时间节点的第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合;再提取气象预测参数,包括风速参数、风向参数和气压参数;根据风速参数、风向参数和气压参数构建噪音预测通道;将未来预设时间段内第k时间节点的第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入噪音预测通道,得到噪音预测结果,包括噪音分布位置和噪音级别划分结果;将噪音级别满足设定噪音级别的噪音分布位置添加进待布点位置技术方案,通过依据气象信息、航机类型、跑道信息和飞行路径信息,预测会产生的噪音级别及分布位置,进而依据预测结果进行噪音检测布点,相比于均匀部署检测点的方式针对性较强,噪音检出效率较高,达到了提高噪音检测在大型机场的适应性的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于机场噪音预测的检测布点方法,其中,所述方法应用于一基于机场噪音预测的检测布点系统,所述方法包括步骤:
S100:通过待检测机场上传预设时区的航班计划信息,其中,所述航班计划信息包括航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息;
具体而言,待检测机场为需要进行噪音检测的机场;预设时区指的是从当前时间节点开始计时至未来设定时间节点的时间段;航班计划信息指的是飞机在预设时区内的起降计划信息,示例性地如:起降的飞机类型、起降的机场内跑道的编号、起飞或降落时低于预设飞行高度的低空飞行路径等数据。
将起降的飞机类型、起降的机场内跑道的编号、起飞或降落时低于预设飞行高度的低空飞行路径等数据依据预设时区的时序依次一一对应存储,得到航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息。通常而言,机场噪音主要由飞机类型;起降跑道的位置、方向;低空飞行时涉及的路径影响,因此提取航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息存储,便于后步进行噪音预测分析,置为待响应状态,等待后步调用。
S200:根据所述航机类型时序信息、所述起降跑道编号时序信息和所述飞行路径时序信息,提取第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合;
具体而言,噪音检测为检测预设时区内的待检测机场的产生噪音,而预设时区内的飞行信息在大型机场中较为复杂难以分析,因此采用化整为零的方式调取处于待响应状态的航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息,依据时间节点划分为多个时间节点的数据集,记为第一时间节点航机类型集合、第二时间节点航班类型集合直到第k时间节点航机类型集合;第一时间节点跑道编号集合、第二时间节点跑道编号集合直到第k时间节点跑道编号集合;第一时间节点飞行路径集合、第二时间节点飞行路径集合直到第k时间节点飞行路径集合。分割后的相同时间节点中的航机类型、跑道编号和飞行路径为一一关联的数据集,便于统一调用。通过对航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息进行拆分,降低噪音分析的复杂度,有助于提高噪音预测分析的处理效率。
S300:根据所述预设时区,获取气象预测信息,其中,所述气象预测信息包括风速参数、风向参数和气压参数;
具体而言,气象预测信息指的是机场所在地区中预测时区内的气象数据预测参数,示例性地:降雨预测参数、风速参数、风向参数和气压参数等气象参数类型。机场噪音的另一外部因素主要为气象参数,而影响较大的参数优选为:风速参数、风向参数和气压参数,通过确定气象参数,为后步的噪音分析提供了较为全面的前置数据。将风速参数、风向参数和气压参数置为同样依据航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息的划分方式,划分为第一时间节点风速参数、风向参数和气压参数;第二时间节点风速参数、风向参数和气压参数直到第k时间节点风速参数、风向参数和气压参数。置为待响应状态,等待后步调用。
S400:根据所述风速参数、所述风向参数和所述气压参数,构建噪音预测通道;
进一步的,基于所述根据所述风速参数、风向参数和气压参数,构建噪音预测通道,步骤S400包括步骤:
S410:根据所述风速参数、所述风向参数和所述气压参数,采集机场噪音监测记录数据集,其中,所述机场噪音监测记录数据集包括航机类型记录数据集、跑道布局记录数据集、飞行路径记录数据集和噪音监测结果记录数据集;
S420:根据所述航机类型记录数据集、所述跑道布局记录数据集、所述飞行路径记录数据集和所述噪音监测结果记录数据集,构建噪音分布映射关系;
进一步的,基于所述根据所述航机类型记录数据集、所述跑道布局记录数据集、所述飞行路径记录数据集和所述噪音监测结果记录数据集,构建噪音分布映射关系,步骤S420包括步骤:
S421:根据所述航机类型记录数据集、所述跑道布局记录数据集和所述噪音监测结果记录数据集,构建第一噪音分布映射关系;
S422:根据所述飞行路径记录数据集和所述噪音监测结果记录数据集,构建第二噪音分布映射关系;
S423:将所述第一噪音分布映射关系和所述第二噪音分布映射关系,添加进所述噪音分布映射关系。
S430:根据所述噪音分布映射关系,构建噪音预测通道。
具体而言,噪音预测通道为用于进行噪音预测的功能模块,构建过程如下:
航机类型记录数据集指的是限定风速参数、风向参数和气压参数从多家机场中采集的相同气象参数下的历史飞行信息的航机类型记录数据;跑道布局记录数据集指的是限定风速参数、风向参数和气压参数从多家机场中采集的相同气象参数下的历史飞行信息的和航机类型记录数据集一一对应的跑道布局信息,包括但不限于:跑道长度、跑道经纬度、跑道方向等参数;飞行路径记录数据集指的是限定风速参数、风向参数和气压参数从多家机场中采集的相同气象参数下的历史飞行信息的低于预设飞行高度的起飞降落的和跑道布局记录数据集一一对应的飞行路径;噪音监测结果记录数据集指的是限定风速参数、风向参数和气压参数从多家机场中采集的相同气象参数下的历史飞行信息的记录的噪音检测检测结果,包括噪音分布位置和噪音划分级别等参数。从多家机场采集飞行历史数据,可保证数据的样本充足性,通过充足的数据样本为后步进行准确的噪音预测提供了信息反馈及参考基础。
噪音分布映射关系指的是反映不同的航机类型记录数据集、跑道布局记录数据集、飞行路径记录数据集下,噪音监测结果记录数据集的不同输出的映射关系,即在相同的航机类型记录数据集、跑道布局记录数据集、飞行路径记录数据集,噪音监测结果记录数据集的噪音分布位置、噪音级别趋于规律性,即可视为噪音分布映射关系。
进一步的,机场噪音主要产生于两个维度:
其一为航机在机场内的跑道上飞行时产生的噪音,即包括一一对应的航机类型记录数据集、跑道布局记录数据集和噪音监测结果记录数据集,所得映射关系记为第一噪音分布映射关系,确定方式如下:将航机类型记录数据集和跑道布局记录数据集作为映射因空间的存储数据;和其一一对应的噪音监测结果记录数据,作为映射果空间的存储数据,映射果空间的数据需要做如下处理,统计预设组别数据量的相同航机类型记录数据集、跑道布局记录数据集下噪音监测结果记录数据的分布位置和噪音划分级别,分别分布位置和噪音划分级别进行聚类,将差值在预设差值之内的多个分布位置设为一类数据,将差值在预设差值之内的多个噪音划分级别设为一类数据,再将分布位置和噪音划分级别的各自分类结果一一关联存储,进而对多个类别内的分布位置和噪音划分级别求取均值,记为该类别的分布位置和噪音划分级别,类别内的数据量即为该分布位置和噪音划分级别的分布频率。
其二为低于预设飞行高度的降落和起飞的飞行路径上产生的噪音,所得映射关系记为第二噪音分布映射关系,确定过程优选的如下:将飞行路径记录数据集作为映射因空间的存储数据;和其一一对应的噪音监测结果记录数据,作为映射果空间的存储数据,映射果空间的数据需要做如下处理,统计预设组别数据量的相同飞行路径记录数据集下噪音监测结果记录数据的分布位置和噪音划分级别,分别分布位置和噪音划分级别进行聚类,将差值在预设差值之内的多个分布位置设为一类数据,将差值在预设差值之内的多个噪音划分级别设为一类数据,再将分布位置和噪音划分级别的各自分类结果一一关联存储,进而对多个类别内的分布位置和噪音划分级别求取均值,记为该类别的分布位置和噪音划分级别,而其类别内的数据量即为该分布位置和噪音划分级别的分布频率。
通过上述的映射关系,即可通过输入不同的映射因数据时,即可得到对应的分布位置和噪音划分级别、及其分布频率的输出结果,进而完成噪音预测通道的构建,将噪音预测通道置为激活状态,便于后步快速调用。
S500:将所述第k时间节点航机类型集合、所述第k时间节点跑道编号集合和所述第k时间节点飞行路径集合输入所述噪音预测通道,生成噪音预测结果,其中,所述噪音预测结果包括噪音分布位置和噪音划分级别;
进一步的,所述将所述第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入所述噪音预测通道,生成噪音预测结果,步骤S500包括步骤:
S510:根据所述噪音分布映射关系对所述噪音预测通道分割,生成映射因空间和映射果空间;
S520:将所述第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入所述映射因空间,生成映射果空间分布数据,其中,所述映射果空间分布数据包括噪音分布位置集合和噪音划分级别集合;
进一步的,所述将所述第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入所述映射因空间,生成映射果空间分布数据,步骤S520包括步骤:
S521:将所述第k时间节点航机类型集合和所述第k时间节点跑道编号集合,输入所述映射因空间,生成第一映射果空间分布数据;
S522:将所述第k时间节点飞行路径集合输入所述映射因空间,生成第二映射果空间分布数据;
S523:将所述第一映射果空间分布数据和所述第二映射果空间分布数据,添加进所述映射果空间分布数据。
S530:根据所述噪音分布位置集合,获得第一分布频率特征;根据所述噪音划分级别集合,获得第二分布频率特征;
S540:根据所述第一分布频率特征和所述第二分布频率特征,对所述噪音分布位置集合和所述噪音划分级别集合进行筛选,生成所述噪音预测结果。
进一步的,所述根据所述第一分布频率特征和所述第二分布频率特征,对所述噪音分布位置集合和所述噪音划分级别集合进行筛选,生成所述噪音预测结果,步骤S540包括步骤:
S541:遍历所述第一分布频率特征判断是否满足第一分布频率阈值;
S542:若满足,生成所述噪音分布位置;
S543:遍历所述第二分布频率特征判断是否满足第二分布频率阈值;
S544:若满足,生成所述噪音划分级别;
S545:将所述噪音分布位置和所述噪音划分级别,添加进所述噪音预测结果。
具体而言,噪音预测结果指的是将第一时间节点航机类型集合、第一时间节点跑道编号集合和所述第一时间节点飞行路径集合;第二时间节点航机类型集合、第二时间节点跑道编号集合和所述第二时间节点飞行路径集合;直到第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合依次输入噪音预测通道,得到表征噪音分布位置和噪音划分级别输出结果的信息。确定过程优选的如下:
映射因空间指的是输入第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合的,并匹配历史数据中和第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合差值在预设差值之内的记录数据集的输入空间;映射果空间指的是用于输出和匹配到的记录数据一一对应的监测结果的输出空间。
由于噪音预测通道构建时依据两个映射分布关系构建,进而处理数据时,同样分为两步:
其一为将第k时间节点航机类型集合和第k时间节点跑道编号集合输入映射因空间,匹配和第k时间节点航机类型集合和第k时间节点跑道编号集合一一对应的航机类型记录数据和跑道编号对应的跑道布局记录数据,并根据第一映射分布关系,匹配到映射果空间的记录数据集,记为第一映射果空间分布数据,包括噪音分布位置、噪音划分级别、分布频率等参数,其中,噪音划分级别指的是根据人而对噪音得耐受程度划分的级别,优选使用传统的七级划分,0-20分贝为一级、20-40分贝为二级、40-60分贝为三级、60-70分贝四级、70-90分贝为五级、90-100分贝为六级、100+分贝为七级,级别越高则噪音危害越大。
其二为将第k时间节点飞行路径集合输入映射因空间,匹配和第k时间节点飞行路径集合一一对应的飞行路径记录数据,并根据第一映射分布关系,匹配到映射果空间的噪音监测结果记录数据集,记为第一映射果空间分布数据,包括噪音分布位置、噪音划分级别、分布频率等参数。将第一映射果空间分布数据和第二映射果空间分布数据添加进所述映射果空间分布数据,置为待响应状态,等待后步调用。
最后对检测点位置进行筛选,过程如下:第一分布频率特征指的是根据映射果空间分布数据的噪音分布位置集合,获取一一对应的多个分布频率特征;第二分布频率特征指的是映射果空间分布数据的噪音划分级别集合,确定的分布频率特征。首先判断第一分布频率特征是否大于或等于可自定义设定的第一分布频率阈值,若大于或等于,将对应分布位置设为初步筛选结果;进而判断初步筛选结果的第二分布频率特征判断是否大于或等于自定义的第二分布频率阈值,若大于或等于,将对应分布位置设为输出筛选结果,将对应的噪音分布位置和噪音划分级别,添加进所述噪音预测结果,等待输出。通过上述算法流程实现噪音分布位置和噪音划分级别的匹配输出,基于大数据可做出较为准确的输出结果,基于映射分布关系,可较为高效的处理数据。为部署噪音检测点提供了重要的参考依据。
S600:判断所述噪音划分级别是否满足第一噪音级别阈值;
S700:若满足,将所述噪音分布位置添加进待布点位置。
具体而言,第一噪音级别阈值为预设的需要进行噪音检测的最低噪音级别;判断噪音划分级别是否满足第一噪音级别阈值,即判断噪音划分级别是否大于或等于第一噪音级别阈值;若是噪音划分级别大于或等于第一噪音级别阈值,则将对应的噪音分布位置添加进待布点位置;待布点位置即为发送至工作人员部署检测点的参考数据。通过噪音预测结果对待布点位置的差异化设定,有利于提高噪音的检测效率。
进一步的,如图2所示,还包括步骤S800,步骤S800还包括:
S810:遍历所述待布点位置,获取居民分布参数,其中,所述居民分布参数包括分布距离参数和分布密度参数;
S820:当所述分布距离参数满足预设距离参数,且所述分布密度参数满足预设分布密度参数时,筛除所述待布点位置。
具体而言,居民分布参数指的是表征机场周边预设范围内布点位置的居民分布数据和飞行路径周边预设范围面积内的布点位置的居民分布数据,包括表征居民区和布点位置分布距离的分布距离参数,以及居民分布数量的分布密度参数等数据;当分布距离参数大于或等于预设距离参数,且分布密度参数小于或等于预设分布密度参数时,其中,预设分布密度参数优选为0,预设距离参数指的是由专家设定的不会对居民造成噪音影响的距离;若满足,则对应的布点位置的噪音不会对居民造成影响,则将对应的待布点位置筛除,其余的待布点位置不变。通过分析居民分布参数,筛除影响度较低的待布点位置,提高检测效率,筛除无关监测点。
综上所述,本申请实施例所提供的一种基于机场噪音预测的检测布点方法及系统具有如下技术效果:
1.由于采用了上传未来预设时间段内的航班计划,提取航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息,获取未来预设时间段内第k时间节点的第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合;再提取气象预测参数,包括风速参数、风向参数和气压参数;根据风速参数、风向参数和气压参数构建噪音预测通道;将未来预设时间段内第k时间节点的第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入噪音预测通道,得到噪音预测结果,包括噪音分布位置和噪音级别划分结果;将噪音级别满足设定噪音级别的噪音分布位置添加进待布点位置技术方案,通过依据气象信息、航机类型、跑道信息和飞行路径信息,预测会产生的噪音级别及分布位置,进而依据预测结果进行噪音检测布点,相比于均匀部署检测点的方式针对性较强,噪音检出效率较高,达到了提高噪音检测在大型机场的适应性的技术效果。
实施例二
基于与前述实施例中一种基于机场噪音预测的检测布点方法相同的发明构思,如图3所示,本申请实施例提供了一种基于机场噪音预测的检测布点系统,其中,所述系统包括:
信息上传模块11,用于通过待检测机场上传预设时区的航班计划信息,其中,所述航班计划信息包括航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息;
数据提取模块12,用于根据所述航机类型时序信息、所述起降跑道编号时序信息和所述飞行路径时序信息,提取第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合;
气象参数获取模块13,用于根据所述预设时区,获取气象预测信息,其中,所述气象预测信息包括风速参数、风向参数和气压参数;
预测通道构建模块14,用于根据所述风速参数、所述风向参数和所述气压参数,构建噪音预测通道;
噪音预测模块15,用于将所述第k时间节点航机类型集合、所述第k时间节点跑道编号集合和所述第k时间节点飞行路径集合输入所述噪音预测通道,生成噪音预测结果,其中,所述噪音预测结果包括噪音分布位置和噪音划分级别;
信息决策模块16,用于判断所述噪音划分级别是否满足第一噪音级别阈值;
任务执行模块17,用于当满足时,将所述噪音分布位置添加进待布点位置。
进一步的,所述预测通道构建模块14执行步骤包括:
根据所述风速参数、所述风向参数和所述气压参数,采集机场噪音监测记录数据集,其中,所述机场噪音监测记录数据集包括航机类型记录数据集、跑道布局记录数据集、飞行路径记录数据集和噪音监测结果记录数据集;
根据所述航机类型记录数据集、所述跑道布局记录数据集、所述飞行路径记录数据集和所述噪音监测结果记录数据集,构建噪音分布映射关系;
根据所述噪音分布映射关系,构建噪音预测通道。
进一步的,所述噪音预测模块15执行步骤包括:
根据所述噪音分布映射关系对所述噪音预测通道分割,生成映射因空间和映射果空间;
将所述第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入所述映射因空间,生成映射果空间分布数据,其中,所述映射果空间分布数据包括噪音分布位置集合和噪音划分级别集合;
根据所述噪音分布位置集合,获得第一分布频率特征;根据所述噪音划分级别集合,获得第二分布频率特征;
根据所述第一分布频率特征和所述第二分布频率特征,对所述噪音分布位置集合和所述噪音划分级别集合进行筛选,生成所述噪音预测结果。
进一步的,所述噪音预测模块15执行步骤包括:
遍历所述第一分布频率特征判断是否满足第一分布频率阈值;
若满足,生成所述噪音分布位置;
遍历所述第二分布频率特征判断是否满足第二分布频率阈值;
若满足,生成所述噪音划分级别;
将所述噪音分布位置和所述噪音划分级别,添加进所述噪音预测结果。
进一步的,所述预测通道构建模块14执行步骤包括:
根据所述航机类型记录数据集、所述跑道布局记录数据集和所述噪音监测结果记录数据集,构建第一噪音分布映射关系;
根据所述飞行路径记录数据集和所述噪音监测结果记录数据集,构建第二噪音分布映射关系;
将所述第一噪音分布映射关系和所述第二噪音分布映射关系,添加进所述噪音分布映射关系。
进一步的,所述噪音预测模块15执行步骤包括:
将所述第k时间节点航机类型集合和所述第k时间节点跑道编号集合,输入所述映射因空间,生成第一映射果空间分布数据;
将所述第k时间节点飞行路径集合输入所述映射因空间,生成第二映射果空间分布数据;
将所述第一映射果空间分布数据和所述第二映射果空间分布数据,添加进所述映射果空间分布数据。
进一步的,任务执行模块17执行步骤包括:
遍历所述待布点位置,获取居民分布参数,其中,所述居民分布参数包括分布距离参数和分布密度参数;
当所述分布距离参数满足预设距离参数,且所述分布密度参数满足预设分布密度参数时,筛除所述待布点位置。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (4)
1.一种基于机场噪音预测的检测布点方法,其特征在于,所述方法应用于一基于机场噪音预测的检测布点系统,所述方法包括:
通过待检测机场上传预设时区的航班计划信息,其中,所述航班计划信息包括航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息;
根据所述航机类型时序信息、所述起降跑道编号时序信息和所述飞行路径时序信息,提取第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合;
根据所述预设时区,获取气象预测信息,其中,所述气象预测信息包括风速参数、风向参数和气压参数;
根据所述风速参数、所述风向参数和所述气压参数,构建噪音预测通道;
将所述第k时间节点航机类型集合、所述第k时间节点跑道编号集合和所述第k时间节点飞行路径集合输入所述噪音预测通道,生成噪音预测结果,其中,所述噪音预测结果包括噪音分布位置和噪音划分级别;
判断所述噪音划分级别是否满足第一噪音级别阈值;
若满足,将所述噪音分布位置添加进待布点位置;
其中,所述根据所述风速参数、风向参数和气压参数,构建噪音预测通道,包括:
根据所述风速参数、所述风向参数和所述气压参数,采集机场噪音监测记录数据集,其中,所述机场噪音监测记录数据集包括航机类型记录数据集、跑道布局记录数据集、飞行路径记录数据集和噪音监测结果记录数据集;
根据所述航机类型记录数据集、所述跑道布局记录数据集、所述飞行路径记录数据集和所述噪音监测结果记录数据集,构建噪音分布映射关系,包括:
根据所述航机类型记录数据集、所述跑道布局记录数据集和所述噪音监测结果记录数据集,构建第一噪音分布映射关系;
根据所述飞行路径记录数据集和所述噪音监测结果记录数据集,构建第二噪音分布映射关系;
将所述第一噪音分布映射关系和所述第二噪音分布映射关系,添加进所述噪音分布映射关系;
根据所述噪音分布映射关系,构建噪音预测通道;
所述将所述第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入所述噪音预测通道,生成噪音预测结果,包括:
根据所述噪音分布映射关系对所述噪音预测通道分割,生成映射因空间和映射果空间;
将所述第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入所述映射因空间,生成映射果空间分布数据,其中,所述映射果空间分布数据包括噪音分布位置集合和噪音划分级别集合;
根据所述噪音分布位置集合,获得第一分布频率特征;根据所述噪音划分级别集合,获得第二分布频率特征;
根据所述第一分布频率特征和所述第二分布频率特征,对所述噪音分布位置集合和所述噪音划分级别集合进行筛选,生成所述噪音预测结果;
所述将所述第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入所述映射因空间,生成映射果空间分布数据,包括:
将所述第k时间节点航机类型集合和所述第k时间节点跑道编号集合,输入所述映射因空间,生成第一映射果空间分布数据;
将所述第k时间节点飞行路径集合输入所述映射因空间,生成第二映射果空间分布数据;
将所述第一映射果空间分布数据和所述第二映射果空间分布数据,添加进所述映射果空间分布数据。
2.如权利要求1所述的方法,其特征在于,所述根据所述第一分布频率特征和所述第二分布频率特征,对所述噪音分布位置集合和所述噪音划分级别集合进行筛选,生成所述噪音预测结果,包括:
遍历所述第一分布频率特征判断是否满足第一分布频率阈值;
若满足,生成所述噪音分布位置;
遍历所述第二分布频率特征判断是否满足第二分布频率阈值;
若满足,生成所述噪音划分级别;
将所述噪音分布位置和所述噪音划分级别,添加进所述噪音预测结果。
3.如权利要求1所述的方法,其特征在于,还包括:
遍历所述待布点位置,获取居民分布参数,其中,所述居民分布参数包括分布距离参数和分布密度参数;
当所述分布距离参数满足预设距离参数,且所述分布密度参数满足预设分布密度参数时,筛除所述待布点位置。
4.一种基于机场噪音预测的检测布点系统,其特征在于,所述系统包括:
信息上传模块,用于通过待检测机场上传预设时区的航班计划信息,其中,所述航班计划信息包括航机类型时序信息、起降跑道编号时序信息和飞行路径时序信息;
数据提取模块,用于根据所述航机类型时序信息、所述起降跑道编号时序信息和所述飞行路径时序信息,提取第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合;
气象参数获取模块,用于根据所述预设时区,获取气象预测信息,其中,所述气象预测信息包括风速参数、风向参数和气压参数;
预测通道构建模块,用于根据所述风速参数、所述风向参数和所述气压参数,构建噪音预测通道;
噪音预测模块,用于将所述第k时间节点航机类型集合、所述第k时间节点跑道编号集合和所述第k时间节点飞行路径集合输入所述噪音预测通道,生成噪音预测结果,其中,所述噪音预测结果包括噪音分布位置和噪音划分级别;
信息决策模块,用于判断所述噪音划分级别是否满足第一噪音级别阈值;
任务执行模块,用于当满足时,将所述噪音分布位置添加进待布点位置;
所述预测通道构建模块,包括:
根据所述风速参数、所述风向参数和所述气压参数,采集机场噪音监测记录数据集,其中,所述机场噪音监测记录数据集包括航机类型记录数据集、跑道布局记录数据集、飞行路径记录数据集和噪音监测结果记录数据集;
根据所述航机类型记录数据集、所述跑道布局记录数据集、所述飞行路径记录数据集和所述噪音监测结果记录数据集,构建噪音分布映射关系,包括:
根据所述航机类型记录数据集、所述跑道布局记录数据集和所述噪音监测结果记录数据集,构建第一噪音分布映射关系;
根据所述飞行路径记录数据集和所述噪音监测结果记录数据集,构建第二噪音分布映射关系;
将所述第一噪音分布映射关系和所述第二噪音分布映射关系,添加进所述噪音分布映射关系;
根据所述噪音分布映射关系,构建噪音预测通道;
所述噪音预测模块,包括:
根据所述噪音分布映射关系对所述噪音预测通道分割,生成映射因空间和映射果空间;
将所述第k时间节点航机类型集合、第k时间节点跑道编号集合和第k时间节点飞行路径集合输入所述映射因空间,生成映射果空间分布数据,其中,所述映射果空间分布数据包括噪音分布位置集合和噪音划分级别集合;
根据所述噪音分布位置集合,获得第一分布频率特征;根据所述噪音划分级别集合,获得第二分布频率特征;
根据所述第一分布频率特征和所述第二分布频率特征,对所述噪音分布位置集合和所述噪音划分级别集合进行筛选,生成所述噪音预测结果;
将所述第k时间节点航机类型集合和所述第k时间节点跑道编号集合,输入所述映射因空间,生成第一映射果空间分布数据;
将所述第k时间节点飞行路径集合输入所述映射因空间,生成第二映射果空间分布数据;
将所述第一映射果空间分布数据和所述第二映射果空间分布数据,添加进所述映射果空间分布数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211080082.6A CN115456270B (zh) | 2022-09-05 | 2022-09-05 | 一种基于机场噪音预测的检测布点方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211080082.6A CN115456270B (zh) | 2022-09-05 | 2022-09-05 | 一种基于机场噪音预测的检测布点方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115456270A CN115456270A (zh) | 2022-12-09 |
CN115456270B true CN115456270B (zh) | 2023-12-01 |
Family
ID=84303491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211080082.6A Active CN115456270B (zh) | 2022-09-05 | 2022-09-05 | 一种基于机场噪音预测的检测布点方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456270B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999667A (zh) * | 2012-11-27 | 2013-03-27 | 南京航空航天大学 | 一种基于模糊回归的机场噪声预测方法及其系统 |
CN103020733A (zh) * | 2012-11-27 | 2013-04-03 | 南京航空航天大学 | 一种基于权重的机场单航班噪声预测方法及其系统 |
CN103218516A (zh) * | 2013-03-22 | 2013-07-24 | 南京航空航天大学 | 一种聚类再回归的机场噪声单步预测方法 |
CN106840373A (zh) * | 2016-12-26 | 2017-06-13 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 飞机噪声监测方法及其装置 |
CN112179487A (zh) * | 2020-11-17 | 2021-01-05 | 天津市生态环境监测中心 | 机场环境噪声自动检测系统及监测方法 |
CN113112150A (zh) * | 2021-04-12 | 2021-07-13 | 北京市环境保护科学研究院 | 基于空间叠图优化法的飞机噪声在线监测终端选址方法 |
CN114896823A (zh) * | 2022-07-04 | 2022-08-12 | 杭州爱华智能科技有限公司 | 基于多点噪声监测的机场噪声分布预测系统及预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10152894B2 (en) * | 2016-08-24 | 2018-12-11 | The Boeing Company | Community noise management with aircraft dynamic path variation |
-
2022
- 2022-09-05 CN CN202211080082.6A patent/CN115456270B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999667A (zh) * | 2012-11-27 | 2013-03-27 | 南京航空航天大学 | 一种基于模糊回归的机场噪声预测方法及其系统 |
CN103020733A (zh) * | 2012-11-27 | 2013-04-03 | 南京航空航天大学 | 一种基于权重的机场单航班噪声预测方法及其系统 |
CN103218516A (zh) * | 2013-03-22 | 2013-07-24 | 南京航空航天大学 | 一种聚类再回归的机场噪声单步预测方法 |
CN106840373A (zh) * | 2016-12-26 | 2017-06-13 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 飞机噪声监测方法及其装置 |
CN112179487A (zh) * | 2020-11-17 | 2021-01-05 | 天津市生态环境监测中心 | 机场环境噪声自动检测系统及监测方法 |
CN113112150A (zh) * | 2021-04-12 | 2021-07-13 | 北京市环境保护科学研究院 | 基于空间叠图优化法的飞机噪声在线监测终端选址方法 |
CN114896823A (zh) * | 2022-07-04 | 2022-08-12 | 杭州爱华智能科技有限公司 | 基于多点噪声监测的机场噪声分布预测系统及预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115456270A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thiagarajan et al. | A machine learning approach for prediction of on-time performance of flights | |
CN110033051B (zh) | 一种基于多步聚类的拖网渔船行为判别方法 | |
Lakshmanan et al. | Data mining storm attributes from spatial grids | |
Dhief et al. | Predicting aircraft landing time in extended-TMA using machine learning methods | |
Liu et al. | Predicting aircraft trajectory choice–a nominal route approach | |
CN107424441A (zh) | 基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN109543874A (zh) | 一种结合气象条件影响的机场空气质量预测方法 | |
CN115564114A (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 | |
Fernandes et al. | Factors influencing charter flight departure delay | |
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 | |
CN115064009A (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
CN115456270B (zh) | 一种基于机场噪音预测的检测布点方法及系统 | |
Shi et al. | An improved artificial neural network model for flights delay prediction | |
Lu et al. | Flight delay prediction using gradient boosting machine learning classifiers | |
Hrastovec et al. | Machine learning model for aircraft performances | |
Schösser et al. | On the Performance of Machine Learning Based Flight Delay Prediction–Investigating the Impact of Short-Term Features | |
CN113962283A (zh) | 一种基于局部自适应动态时间规整的航空器轨迹聚类方法 | |
CN113823327A (zh) | 飞机噪声的自动监测方法 | |
CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
Williams et al. | A machine learning approach to finding weather regimes and skillful predictor combinations for short-term storm forecasting | |
Yiu et al. | Flight delay predictions and the study of its causal factors using machine learning algorithms | |
Mangortey et al. | Prediction and Analysis of Ground Stops with Machine Learning | |
Balamurugan et al. | Error Calculation for Prediction of Flight Delays using Machine Learning Classifiers | |
Wang et al. | Airport delay prediction method based on improved weather impacted traffic index |
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 |