CN115511212A - 一种基于深度学习的航班保障流程剩余执行时间预测方法 - Google Patents

一种基于深度学习的航班保障流程剩余执行时间预测方法 Download PDF

Info

Publication number
CN115511212A
CN115511212A CN202211293381.8A CN202211293381A CN115511212A CN 115511212 A CN115511212 A CN 115511212A CN 202211293381 A CN202211293381 A CN 202211293381A CN 115511212 A CN115511212 A CN 115511212A
Authority
CN
China
Prior art keywords
time
layer
prediction
flow
execution
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
CN202211293381.8A
Other languages
English (en)
Inventor
叶宁
季翔宇
徐康
王汝传
王娟
王甦
汪莹
王波
吴涔
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 Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202211293381.8A priority Critical patent/CN115511212A/zh
Publication of CN115511212A publication Critical patent/CN115511212A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/0633—Workflow 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于深度学习的航班保障流程剩余执行时间预测方法，预测模型由输入层，双向LSTM层，Attention层，融合层，预测层组成，模型输入包含非时序的全局特征和时序的各时间步流程的执行状态。Attention‑BiLSTM模型提取流程执行状态时序信息，生成中间状态编码，与非时序的全局特征相融合，经过多层感知机得到流程剩余执行时间。在流程开始时，计算生成非序列的全局特征向量，每隔固定时间采集一次流程执行状态，并采用滑动窗口的方式生成序列特征数据，特征数据经过模型计算得到航班保障流程剩余时间的动态预测值。

Description

一种基于深度学习的航班保障流程剩余执行时间预测方法
技术领域
本发明属于过程挖掘和深度学习领域，具体是涉及一种基于深度学习的航班保障流程剩余执行时间预测方法。
背景技术
预测业务过程实例剩余时间是如下的一个问题:给定一个事件日志，其中包含多个该业务过程实例执行的历史记录，对于一个正在进行的流程实例，预测目前到整个流程结束还有多少剩余时间。业务流程的剩余时间预测是业务流程监控中的一个重要问题，可以作为业务流程优化的一种重要手段。
随着航空运输需求持续增长，机场航班高密度运行已成为常态，机场、航空公司面临巨大的运行压力。地面保障过程作为过站航班运行的核心部分，对其延误情况的动态预测成为实现航班精细化管理的关键问题。排除天气情况等不可抗的原因，保障流程是否按时完成对航班延误与否有着直接影响，对保障流程剩余执行时间的预测，可以让运行管理人员对航班保障流程动态进行掌握，提前做好相关应急措施，减少不利影响。
传统的剩余执行时间预测方法，诸如变迁系统、随机Petri网、贝叶斯网络等模型，通常以业务流程中的活动为单位，通过从保障流程的事件日志中挖掘出的活动执行信息，来预测保障流程的延误风险，对于执行中的保障流程实例，只能依赖于每个活动结束生成的轨迹前缀进行预测，实时性较差。
与一般流程预测问题不同，每个航班保障流程实例一般都有相同的轨迹，但流程执行过程中串行和并行的活动共存，各个活动的耦合依赖关系相对复杂，现有研究通常使用顺序编码或随机初始化的方法来处理模型的输入，无法有效利用活动之间的相互关系。另一方面，现有的流程预测方法，通常只关注活动的上下文和活动本身的信息，而不可避免地忽视了整个流程的全局特征，比如流程的执行者，被执行者，时段，缓急要求等。对于航班地面保障流程，这样的特征选用具有片面性。
发明内容
本发明的目的是提供一种基于深度学习的航班保障流程剩余执行时间预测方法，解决现有的预测方法无法有效利用流程本身的特征，以及预测精度低、及时性差的问题。
本发明提出的技术方案包含数据处理、模型构建和训练和剩余时间预测。
数据处理阶段：
航班保障流程的一个执行实例对应航班保障流程事件日志中的一条记录，事件日志中记录着所有活动的名称、开始时间和结束时间。此外，每个执行实例还包含一些相对于流程中所有活动的全局信息，这些特征信息分为数值型特征和类别型特征。流程的非序列全局特征向量xg由对类别特征进行one-hot编码后和数值特征归一化后的向量拼接得到。
设每个航班保障流程包含的全部活动数为L，以α分钟为单位对流程中各个活动的执行情况的进行特征提取，则第t个时间步(第t个时间步对应流程第αt分，流程开始记为第0个时间步)，各个活动执行状态信息为xt＝[s1,s2,...,sL],sx≥0，sx代表流程中的第x个活动的已经执行的时间。
上述特征xg和xt的归一化公式为：
Figure BDA0003902241150000031
其中，
Figure BDA0003902241150000032
表示xg或xt的第j个特征的归一化后的值，xmax,j和xmin,j表示数据集中的xg或xt第j个特征的最大值和最小值。
每条记录得到由各个活动执行状态信息xt组成的流程执行状态序列数据Xs＝[x0,x1,...,xn],xt∈RL，其中RL表示实数域上L维的向量，L为全部活动数。其中
Figure BDA0003902241150000033
yfinish表示该条记录所表示的航班保障流程实例的执行时间，即所有活动全部结束时刻和第一个活动开始时刻的时间差，α表示特征提取的时间间隔。
为了解决特征数据冗余和时间步长度不一致的问题，采用滑动窗口的方式对每条记录得到流程执行状态序列数据Xs进行处理。设选取的窗口的大小为K，对于每条记录的第t(t≥K)个时间步，当前时间步和前K-1个时间步一共K个执行状态向量作为一个窗口，即Xst＝[xt-K+1,xt-K+2,...,xt],xt∈RL。窗口填满后的每一个时间步，删除窗口内的第1个状态向量xt-K+1，并将当前状态向量xt放入末尾。每个状态序列Xst对应的目标值为相应时间步的流程剩余执行时间，第t个时间步的流程剩余执行时间计算方法为：
yactual,t＝yfinish-αt,t＝0,1,...,n
模型构建和训练阶段：
本发明构建的Attention-BiLSTM神经网络模型的神经网络模型，包含输入层、双向LSTM层、Attention层、融合层、预测层。
由于LSTM中的每一个神经元依赖于前一个神经元，信息在其中单向传递，因此这种单向的LSTM的每个神经元只能学到它之前的信息，无法学到后面的信息。因此釆用双向LSTM对流程执行状态进行建模，通过同时前向传播来获得输出状态
Figure BDA0003902241150000041
和后向传播获得输出状态
Figure BDA0003902241150000042
来更新当前的状态ht，即：
Figure BDA0003902241150000043
Figure BDA0003902241150000044
Figure BDA0003902241150000045
其中
Figure BDA0003902241150000046
和
Figure BDA0003902241150000047
分别表示正向LSTM与反向LSTM输出，ht表示第t个时间步的双向LSTM层的输出。
输入层的数据为流程执行状态序列Xst＝[xt-K+1,xt-K+2,...,xt],xt∈RL，双向LSTM层输出中间编码，作为Attention层的输入。模型引入注意力机制来捕获执行状态表示序列中长距离的相互依赖的特征。具体计算方法如下：
Figure BDA0003902241150000048
其中attt表示第t个时间步的权重系数，l表示Attention层的输出，K为选取的窗口大小。
将Attention层的输出作为融合层输入，结合非序列的流程全局特征xg，用concat函数拼接成一个一维向量以满足预测层中的预测层的输入要求，即：
h*＝concat(l,xg)＝[l,xg]
预测层为多层感知机，以ReLU函数作为激活函数。由预测层对剩余执行时间进行预测，预测层的输出为：
predictTime＝MLP(h*)
将航班保障流程事件日志中的每条记录依照上文所述方法处理得到数据集，并且划分为训练集、验证集和测试集。
通过时序反向传播算法对神经网络模型的参数进行训练，使用均方误差函数作为模型的损失函数：
Figure BDA0003902241150000051
其中，m为样本总数，ypredict,i为第i个样本的流程剩余执行时间的预测值，yactual,i为第i个样本的流程剩余执行时间的真实值。
不断迭代更新网络模型中各个神经元节点的权重与偏差，使损失函数收敛。为了防止训练的神经网络模型过拟合，根据验证集数据上的预测结果对预测模型的学习率，迭代次数等超参数进行调整后再进行训练，直到获得预测效果最优的模型。
剩余时间预测阶段：
为了对航班流程的执行情况进行动态地监测，保证流程预测的及时性，每次流程开始时生成全局特征xg，每K分钟采集保障流程中各个活动的执行情况，计算得到该时间步的执行状态特征向量xt。在第K个时间步窗口填满时，开始对流程的剩余执行时间进行预测，取窗口内全部的流程执行状态向量，生成序列特征Xst。将Xst和xg分别输入Attention-BiLSTM神经网络模型的输入层和融合层，通过前向传播算法得到当前得到时间点的流程剩余时间预测值。
与现有发明相比，本发明的有益效果是：
(1)对于航班保障这样活动耦合关系复杂的流程，仅仅对单个活动进行表示无法有效利用各个活动之间的相互关系。本发明采用固定间隔时间采集各个步骤执行状态的方法，并用滑动窗口的方式生成样本数据，简单有效地提取了序列特征。
(2)本发明除了使用了航班保障流程执行状态这样的序列特征，还结合流程本身非序列的全局特征，从而更全面地提取特征，全面且高质量的特征可提高剩余执行时间预测的准确度。
(3)本发明采用了基于注意力机制和双向长短期记忆网络的神经网络模型，该模型有较高的序列特征提取能力，可以有效捕获序列中反向的和长距离的相互依赖。
附图说明
图1是本发明实施例中的Attention-BiLSTM神经网络模型结构图。
图2是本发明实施例中的流程示意图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
参阅图1，图2，本发明提供了一种基于深度学习的航班保障流程剩余执行时间预测方法，详细步骤如下：
步骤一，对航班保障流程日志进行处理，生成数据集。
对于航班保障流程的一个执行实例，取该流程保障的机型大类、航班类型、机位类型、正在进行保障流程的航班数量和航空公司6类数据作为保障流程的全局特征。对类别特征的机型大类、航班类型、机位类型、天气情况和航空公司进行one-hot编码，对数值特征的正在进行保障流程的航班数量归一化，拼接得到流程的非序列全局特征向量xg。
时间步间隔α取1分钟，对流程事件日志中每条记录的包括上轮挡，廊桥对靠、下客、加油、清洁、清水加注、配餐、登机、卸货邮、装货邮、廊桥撤离和撤轮挡13个活动的执行状态信息进行提取，计算每个活动已执行的时间。如果活动已经结束，已执行时间为活动完成时间和开始时间的差；如果活动尚未开始，则已执行时间为0。得到的每个时间步的执行状态信息为xt＝[s1,s2,...,s13]，对每个时间步的xt都进行计算，并归一化。按照上述方法，对每条记录生成执行状态序列数据Xs＝[x0,x1,...,xn]。
时间窗口K取为15，为了保证有足够的数据进行预测，从第14个时间步起(流程第14分时，流程开始为第0个时间步)，对每条记录的执行状态序列Xs提取每个时间步对应的窗口中的执行状态序列Xst＝[xt-14,xt-13,...,xt]，并且计算该时间步对应的剩余执行时间yactual,t＝yfinish-t。如果流程执行时间为60分钟，则第14个时间步，对应的剩余执行时间为46分钟。将执行状态特征序列Xst、对应流程实例的全局特征xg和目标值剩余执行时间yactual,t组装成一条样本数据。
将所有航班保障流程的执行实例按照上述方法进行处理，得到全部数据集，供后续模型训练使用。
步骤二，构建如图1所示的包含输入层、双向LSTM层，Attention层、融合层，预测层的Attention-LSTM神经网络。以流程执行状态的序列数据Xst作为输入层的输入，经由双向LSTM层和Attention层提取序列数据的高层特征，非序列特征向量xg在融合层和Attention层输出的高层特征结合，由预测层的多层感知机对剩余执行时间进行预测。
步骤三，训练预测模型。将按照步骤一处理完成的全部数据以8:1:1的比例随机划分成训练集、验证集和测试集。用训练集数据对构建好Attention-BiLSTM神经网络模型进行迭代训练，使用Adam优化器，使损失函数收敛。当模型在训练集数据上的损失和在验证集数据上的损失趋于不变时停止训练。对预测模型的超参数和结构进行调整，直到得到最佳的预测模型。最后，用测试集的真实值和模型预测值的标准均方误差(Normalized MeanSquare Error,NMSE)评估模型的最终预测效果。
步骤四，航班保障流程开始时，对训练好预测模型进行初始化，并且按照步骤一中的方法对当前需要进行预测流程的全局特征向量xg进行计算。
步骤五，从流程开始时，即流程第0分钟时，每隔1分钟采集1次保障流程中各个活动的执行情况，计算得到该时间步的执行状态的特征向量xt。从第14个时间步(已经提取到15个序列数据时)开始对流程的剩余执行时间进行预测，按照与步骤一相同的方法生成的Xst，将Xst和步骤四得到的全局特征xg分别输入Attention-BiLSTM神经网络模型的输入层和融合层，由预测层得到当前时刻的流程剩余时间预测值。重复步骤五直到需要预测的航班保障流程结束。
对上述方法进行仿真实验，选择数据集为国内某大型机场从2021年1月至11月的真实的航班保障流程数据。经过异常数据清洗和步骤一的方法处理，得到201103条数据。使用测试集的真实值和预测值的NMSE作为评价模型预测性能的指标，NMSE越小，预测性能越好。仿真实验使用的Python版本为3.6.5，Tensorflow版本为2.4.0，Keras版本为2.4.3。
为了验证Attention-BiLSTM神经网络模型的有效性，将Attention-BiLSTM模型与LSTM、Attention-LSTM、Attention-BiRNN的预测效果进行比较。表1统计了上述4个模型在数据集上进行10次实验的NMSE的平均值，上述四个模型没有融合全局特征。
Figure BDA0003902241150000091
表1
LSTM、Attention-LSTM和Attention-BiLSTM模型在数据集上都有较好的预测效果，其中Attention-BiLSTM模型在测试集上的预测值和真实值的误差最低。
为了验证Attention-BiLSTM神经网络模型模型融合全局特征的有效性，表2统计对比了Attention-BiLSTM模型在融合全局特征和不融合全局特征两种情况下在数据集上进行10次实验的NMSE平均值。
模型 融合全局特征 不融合全局特征
NMSE 0.00087033 0.00125833
表2
实验结果表明，融合全局特征能够显著减少Attention-BiLSTM模型在数据集上的对流程剩余执行时间的预测误差。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (6)

1.一种基于深度学习的航班保障流程剩余执行时间预测方法，其特征在于：包括以下步骤：
步骤一，对航班保障流程事件日志进行处理，分别提取的每一条记录的序列特征和非序列特征，用滑动窗口的方法生成数据集；
步骤二，构建Attention-BiLSTM神经网络模型；
步骤三，对构建好的神经网络模型进行训练；
步骤四，在需要预测的航班保障流程开始时，初始化预测模型，并计算该流程的全局特征向量；
步骤五，每α分钟采集保障流程中各个活动的执行情况，计算该时刻每个活动的已执行时间，并用Attention-BiLSTM神经网络模型预测一次剩余执行时间，直到整个保障流程结束。
2.根据权利要求1所述的一种基于深度学习的航班保障流程剩余执行时间预测方法，其特征在于：步骤一中，对保障流程事件日志的处理，具体为，对于每一个执行实例，取该流程保障的机型大类、机位类型、正在进行保障流程的航班数量、天气情况和航空公司作为保障流程的全局特征；对类别特征进行one-hot编码，数值特征进行归一化，二者拼接得到流程的非序列全局特征向量xg；以α分钟为单位对流程事件日志中每条记录的每个活动的已执行时间都进行计算和归一化，得到每个时间步的执行状态xt＝[s1,s2,...,sL]；以窗口值为K提取执行状态序列Xst＝[xt-K+1,xt-K+2,...,xt],xt∈RL；计算流程的每个时间步对应的剩余执行时间yactual,t＝yfinish-t；将状态序列Xst、流程实例的全局特征xg和目标值剩余执行时间yactual,t作为一条样本数据。
3.根据权利要求2所述的一种基于深度学习的航班保障流程剩余执行时间预测方法，其特征在于：流程事件日志中每条记录的包括上轮挡，廊桥对靠、下客、加油、清洁、清水加注、配餐、登机、卸货邮、装货邮、廊桥撤离和撤轮挡13个活动。
4.根据权利要求1所述的一种基于深度学习的航班保障流程剩余执行时间预测方法，其特征在于：步骤二中，Attention-BiLSTM神经网络模型，包含输入层、双向LSTM层、Attention层、融合层，预测层；以流程执行状态序列Xst作为输入层的输入，经由双向LSTM层和Attention层提取序列数据的高层特征，和全局特征xg由融合层用concat函数连接成一个一维向量，再由预测层的多层感知机对剩余执行时间yactual,t进行预测。
5.根据权利要求1所述的一种基于深度学习的航班保障流程剩余执行时间预测方法，其特征在于：步骤三中，将按照步骤一处理完成的全部数据以8:1:1的比例随机划分成训练集、验证集和测试集；用训练集数据对构建好Attention-BiLSTM神经网络模型进行迭代训练，使用Adam优化器，使损失函数收敛；用验证集数据对预测模型的学习率，迭代次数等超参数进行调整，得到预测模型；用测试集评估模型的最终效果。
6.根据权利要求1所述的一种基于深度学习的航班保障流程剩余执行时间预测方法，其特征在于：步骤五中，基于Attention-BiLSTM的流程剩余时间的动态预测方法，具体为，在对一个执行中的流程的剩余执行时间动态预测时，每α分钟采集流程中各个活动的执行情况，以滑动窗口的方式生成执行状态序列Xst，将其和全局特征xg输入Attention-BiLSTM神经网络模型，得到当前时刻的流程剩余时间预测值。
CN202211293381.8A 2022-10-21 2022-10-21 一种基于深度学习的航班保障流程剩余执行时间预测方法 Pending CN115511212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211293381.8A CN115511212A (zh) 2022-10-21 2022-10-21 一种基于深度学习的航班保障流程剩余执行时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211293381.8A CN115511212A (zh) 2022-10-21 2022-10-21 一种基于深度学习的航班保障流程剩余执行时间预测方法

Publications (1)

Publication Number Publication Date
CN115511212A true CN115511212A (zh) 2022-12-23

Family

ID=84511171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211293381.8A Pending CN115511212A (zh) 2022-10-21 2022-10-21 一种基于深度学习的航班保障流程剩余执行时间预测方法

Country Status (1)

Country Link
CN (1) CN115511212A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115808944A (zh) * 2023-02-09 2023-03-17 国能大渡河枕头坝发电有限公司 一种定子温升试验控制方法
CN118095574A (zh) * 2024-04-23 2024-05-28 中国民航大学 一种基于航班链的航班过站时间预测方法、介质及设备
CN118195361A (zh) * 2024-05-17 2024-06-14 国网吉林省电力有限公司经济技术研究院 基于大数据的能源管理方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115808944A (zh) * 2023-02-09 2023-03-17 国能大渡河枕头坝发电有限公司 一种定子温升试验控制方法
CN115808944B (zh) * 2023-02-09 2023-06-02 国能大渡河枕头坝发电有限公司 一种定子温升试验控制方法
CN118095574A (zh) * 2024-04-23 2024-05-28 中国民航大学 一种基于航班链的航班过站时间预测方法、介质及设备
CN118095574B (zh) * 2024-04-23 2024-07-12 中国民航大学 一种基于航班链的航班过站时间预测方法、介质及设备
CN118195361A (zh) * 2024-05-17 2024-06-14 国网吉林省电力有限公司经济技术研究院 基于大数据的能源管理方法及系统

Similar Documents

Publication Publication Date Title
CN115511212A (zh) 一种基于深度学习的航班保障流程剩余执行时间预测方法
CN109919358B (zh) 一种基于神经网络时空注意力机制的实时站点流量预测方法
US8880962B2 (en) Maintenance planning and failure prediction from data observed within a time window
Ballakur et al. Empirical evaluation of gated recurrent neural network architectures in aviation delay prediction
CN109471698B (zh) 云环境下虚拟机异常行为检测系统和方法
CN110210169B (zh) 一种基于lstm的盾构机故障预测方法
CN110334208B (zh) 基于贝叶斯信念网络的lkj故障预测诊断方法和系统
CN113342597B (zh) 一种基于高斯混合隐马尔可夫模型的系统故障预测方法
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
CN114757432A (zh) 基于流程日志和多任务学习的未来执行活动及时间预测方法及系统
CN111985680B (zh) 基于胶囊网络与时序的刑事多罪名预测方法
Fu et al. Evaluation of the aeroengine performance reliability based on generative adversarial networks and Weibull distribution
CN116957331A (zh) 风险旅客流量范围预测方法和装置
CN109583782B (zh) 支持多数据源的汽车金融风控方法
McMillan et al. Flow forecasting for leakage burst prediction in water distribution systems using long short-term memory neural networks and Kalman filtering
CN110659773A (zh) 一种基于深度学习的航班延误预测方法
CN107330638B (zh) 一种面向决策支持的航天项目风险综合评价方法
CN111861801A (zh) 酒店满房预测方法、系统、设备及存储介质
CN117610696A (zh) 一种利用不同属性跨数据集的径流预测方法
Zheng et al. A flexible optimization algorithm for GO-FLOW methodology to deal with shared signals
CN115578205A (zh) 一种基于glm及机器学习算法的车险纯风险保费预测方法及装置
CN114723323A (zh) 一种融合物理知识的数据驱动风险分析方法及装置
CN115438835A (zh) 航班的配餐量预测方法、装置、计算机设备和存储介质
Prasad et al. Estimating and improving the probability of success of a software project by analysing the factors involved using data mining
CN113139344A (zh) 一种面向多重失效模式的民用飞机运行风险评估方法

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