CN115759386B - 一种民航航班执飞结果预测方法、装置及电子设备 - Google Patents
一种民航航班执飞结果预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115759386B CN115759386B CN202211417349.6A CN202211417349A CN115759386B CN 115759386 B CN115759386 B CN 115759386B CN 202211417349 A CN202211417349 A CN 202211417349A CN 115759386 B CN115759386 B CN 115759386B
- Authority
- CN
- China
- Prior art keywords
- flight
- data
- path
- plan
- civil aviation
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种民航航班执飞结果预测方法、装置及电子设备,其方法包括:A、构建民航航班预测模型,民航航班预测模型包含大数据关系模型,采集民航航班计划数据及相对应的民航航班执飞数据输入大数据关系模型中;B、大数据关系模型中构建有关系矩阵数据库,关系矩阵数据库包括飞机号、航班号、路径计划数据、路径执飞数据;C、对大数据关系模型中进行训练得到路径计划执飞关系矩阵;D、在民航航班预测模型输入航班航线计划得到航班执飞结果预测。本发明通过大数据关系模型的模型训练得到路径计划执飞关系矩阵,向民航航班预测模型输入航班计划数据就能预测出执飞结果,也能科学制定新航班计划,具有预测精度高、应用面广等优点。
Description
技术领域
本发明涉及民航航班执飞预测领域,尤其涉及一种民航航班执飞结果预测方法、装置及电子设备。
背景技术
民航管理方在对航班总量宏观调控中提出了“精准控、精细调”、“控总量、调结构”、“容需匹配”、“容流匹配”等要求。落实这些要求,实现民航民航高质量、智慧发展,需要对民航计划、民航执飞结果进行精确预测,在传统技术解决中,主要依靠专家经验来制定新的民航计划,对民航执飞结果预测也不精确。现有的民航计划与民航实际执飞数据量较大,也为我们提供丰富的民航航班运行数据,基于航班运行数据的执飞结果的预测是未来民航航班运行管理的方向。
发明内容
本发明的目的在于克服民航计划及执飞预测主要依靠专家论证方式且没有更为有效地的客观技术实施方案的技术问题,提供一种民航航班执飞结果预测方法、装置及电子设备,通过大数据关系模型构建起航班计划与执飞的关系矩阵,关系矩阵按照路径以典型日影响因子分类关联存储,在大数据关系模型中输入相关联的民航航班计划数据、民航航班执飞数据进行训练得到关系矩阵数据库,进而得到路径计划执飞关系矩阵,实现根据航班计划预测航班执飞结果的目的,也能科学制定新航班计划。
本发明的目的通过下述技术方案实现:
一种民航航班执飞结果预测方法,本发明优选的第一种技术方案,其方法如下:
A、构建民航航班预测模型,民航航班预测模型包含大数据关系模型,采集民航航班计划数据及相对应的民航航班执飞数据输入大数据关系模型中,民航航班计划数据与民航航班执飞数据均包括由飞机号、航班号、路径集合构成的路径数据矩阵,飞机号包括飞机机型信息,路径集合按照起飞、空中飞行、降落按照航线划分成连续的路径,路径集合包括相互不重叠的起飞路径、空中路径A1、空中路径A2…空中路径Ai…空中路径An和降落路径;民航航班计划数据中路径集合按照航班计划构建计划数据库,计划数据库按照路径对应存储计划时间,民航航班执飞数据在路径集合中各路径对应赋值实际执飞的典型日影响因子数据及所对应的实际执飞时间,典型日影响因子数据的典型日影响因子包括天气、保障能力、资源能力;
B、大数据关系模型中构建有关系矩阵数据库,关系矩阵数据库包括飞机号、航班号、路径计划数据、路径执飞数据,路径计划数据与路径执飞数据的同一路径按照典型日影响因子分类存储为同一路径的关系矩阵;
C、构建训练数据集输入大数据关系模型中进行训练得到训练后关系矩阵数据库,从关系矩阵数据库中提取飞机机型信息、路径、路径计划数据、路径执飞数据构建路径计划执飞关系矩阵;
D、创建新航班航线计划或输入新航班航线计划并输入民航航班预测模型,新航班航线计划包括飞机号、路径集合,从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径计划数据并由此得到航班计划,从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径执飞数据并由此得到航班执飞结果预测。
为了更好地实现本发明,所述民航航班计划数据的起飞路径包含起飞机场、计划起飞时间、计划起飞路径结束时间,民航航班计划数据的降落路径包含计划降落路径开始时间、计划降落时间、降落机场,民航航班计划数据的空中路径Ai包含路径Ai计划开始时间、路径Ai计划结束时间、路径Ai计划耗时;所述民航航班执飞数据的起飞路径包含起飞机场、实际起飞时间、典型日影响因子数据、实际起飞路径结束时间,起飞路径的典型日影响因子数据为保障能力、资源能力,民航航班执飞数据的降落路径包含实际降落路径开始时间、实际降落时间、典型日影响因子数据、降落机场,降落路径的典型日影响因子数据为保障能力、资源能力,民航航班执飞数据的空中路径Ai包含路径Ai实际开始时间、路径Ai实际结束时间、典型日影响因子数据、路径Ai实际耗时,空中路径Ai的典型日影响因子数据包括天气。
本发明优选的第二种技术方案,本技术方案在第一种技术方案下还包括如下方法:
E、对当天航班航线计划的执飞结果预测,采集航班航线计划当天的典型日影响因子数据,典型日影响因子数据为起飞与降落机场的当天保障能力及当天资源能力、路径对应当天天气数据,从路径计划执飞关系矩阵中提取航班航线计划的路径集合所包含的所有关联典型日影响因子数据的路径执飞数据,输出该航班航线计划所对应的执飞结果预测数据。
本发明第二种技术方案优选的技术方案:方法E包括:
根据执飞结果预测数据与航班航线计划进行对比,计算得到航班预测到达时间、航班正点率。
本发明优选的第三种技术方案,本技术方案在第二种技术方案下还包括如下方法:
F、输入当天所有航班航线计划按照步骤E得到所有执飞结果预测数据,由此统计各个路径的分时段流量。
优选地,所述路径集合的路径包含导航点信息、航段信息,并统计得到导航点流量、航段流量。
优选地,所述训练数据集包括民航航班计划样本数据及相对应的民航航班执飞样本数据,所述民航航班执飞样本数据选取不含有民航事件或航路管制的民航航班执飞数据。
优选地,所述民航航班执飞数据为航班飞行数据、天气数据、机场保障资源数据聚合而成,典型日影响因子数据的天气典型日影响因子按照天气种类分层级划分,天气种类包括晴朗、雨雪、雾,典型日影响因子数据的保障能力、资源能力按照等级排序划分。
一种民航航班执飞结果预测装置,包括民航航班预测模型,所述民航航班预测模型包括大数据关系模型、计算模块和输出模块,大数据关系模型用于接收输入的民航航班计划数据及相对应的民航航班执飞数据,大数据关系模型包括关系矩阵数据库,关系矩阵数据库包括飞机号、航班号、路径计划数据、路径执飞数据,路径计划数据与路径执飞数据的同一路径按照典型日影响因子分类存储为同一路径的关系矩阵;大数据关系模型经过模型训练得到训练后关系矩阵数据库,民航航班预测模型内部具有路径计划执飞关系矩阵,路径计划执飞关系矩阵由关系矩阵数据库中提取飞机机型信息、路径、路径计划数据、路径执飞数据构建得到;所述计算模块根据新航班航线计划从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径计划数据并由此得到航班计划,计算模块根据新航班航线计划从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径执飞数据并由此得到航班执飞结果预测;所述输出模块用于输出新航班航线计划相关的航班计划、航班执飞结果预测。
一种电子设备,所述电子设备包括相互通信的数据存储层、数据处理层和数据输出层,数据存储层用于存储包括民航航班计划数据及相对应的民航航班执飞数据在内的数据;数据处理层包括,用于存储与执行计算机程序,实现民航航班执飞结果预测方法的步骤;终端接入层用于按照权限认证控制终端接入及权限通信。
本发明较现有技术相比,具有以下优点及有益效果:
(1)本发明通过大数据关系模型构建起航班计划与执飞的关系矩阵,关系矩阵按照路径以典型日影响因子分类关联存储,在大数据关系模型中输入相关联的民航航班计划数据、民航航班执飞数据进行训练得到关系矩阵数据库,进而得到路径计划执飞关系矩阵,实现根据航班计划预测航班执飞结果的目的,也能科学制定新航班计划。
(2)本发明能够对当天航班航线计划的执飞结果进行预测,并由此得到航班预测到达时间、航班正点率,在得到所有当天航班所预测的执飞结果后,可以得到各路径的分时段流量,进而得到导航点流量、航段流量,具有预测精度高、应用面广等优点。
附图说明
图1为本发明民航航班执飞结果预测方法的流程示意图;
图2为实施例中以一个民航航班航线为例说明路径集合的示意图;
图3为实施例中民航航班执飞结果预测装置的结构原理示意图;
图4为实施例中一种大数据关系模型的原理示意图;
图5为实施例中所举例民航航班预测模型内部架构的示意图一;
图6为实施例中所举例民航航班预测模型内部架构的示意图二;
图7为实施例中所举例民航航班预测模型内部架构的示意图三;
图8为实施例中所举例民航航班预测模型内部架构的示意图四;
图9为实施例中所举例民航航班预测模型内部架构的示意图五;
图10为实施例中所举例民航航班预测模型内部架构的示意图六。
具体实施方式
下面结合实施例对本发明作进一步地详细说明:
实施例一
如图1所示,一种民航航班执飞结果预测方法,其方法如下:
A、构建民航航班预测模型,民航航班预测模型包含大数据关系模型,采集民航航班计划数据及相对应的民航航班执飞数据输入大数据关系模型中,民航航班计划数据与民航航班执飞数据均包括由飞机号、航班号、路径集合构成的路径数据矩阵,飞机号包括飞机机型信息,路径集合按照起飞、空中飞行、降落按照航线划分成连续的路径(航线划分路径的原理如图2所示),路径集合包括相互不重叠的起飞路径、空中路径A1、空中路径A2…空中路径Ai…空中路径An和降落路径。民航航班计划数据中的航班计划与民航航班执飞数据中的执飞数据按照飞机号、航班号进行对应关联存储,同一个关联关系下的航班计划、执飞数据中的路径集合均是相同且对应关联一一映射,例如某个飞机的依次航班计划,其所对应的是该飞机执行该航班计划的执飞数据,执飞数据的航线路径是按照航班计划的航线路径进行执飞。大数据关系模型进行民航航班计划数据、民航航班执飞数据进行关系构建,相关联航班计划、执飞数据的相同路径会形成一个关系矩阵。
优选地,民航航班执飞数据为航班飞行数据(为与航班计划关联的飞机飞行数据)、天气数据(采集气象数据得到)、机场保障资源数据(对机场的保障能力、资源能力进行等级划分得到)聚合而成,典型日影响因子数据的天气典型日影响因子按照天气种类分层级划分,天气种类包括晴朗、雨雪、雾,典型日影响因子数据的保障能力、资源能力按照等级排序划分。
民航航班计划数据中路径集合按照航班计划构建计划数据库,计划数据库按照路径对应存储计划时间,民航航班执飞数据在路径集合中各路径对应赋值实际执飞的典型日影响因子数据及所对应的实际执飞时间,典型日影响因子数据的典型日影响因子包括天气、保障能力、资源能力(本实施例以天气、保障能力、资源能力为主,在一些实施例中,比如针对复杂情况下,还可以包括其他典型日影响因子)。
B、大数据关系模型中构建有关系矩阵数据库,关系矩阵数据库包括飞机号、航班号、路径计划数据、路径执飞数据。路径计划数据包括起飞路径、空中路径集合(包括空中路径A1、空中路径A2…空中路径Ai…空中路径An)、降落路径,路径执飞数据包括起飞路径、空中路径集合(包括空中路径A1、空中路径A2…空中路径Ai…空中路径An)、降落路径,民航航班计划数据的起飞路径(对应路径计划数据中的起飞路径)包含起飞机场、计划起飞时间、计划起飞路径结束时间,民航航班计划数据的降落路径(对应路径计划数据中的降落路径)包含计划降落路径开始时间、计划降落时间、降落机场,民航航班计划数据的空中路径Ai(对应路径计划数据中的空中路径Ai)包含路径Ai计划开始时间、路径Ai计划结束时间、路径Ai计划耗时;所述民航航班执飞数据的起飞路径(对应路径执飞数据中的起飞路径)包含起飞机场、实际起飞时间、典型日影响因子数据、实际起飞路径结束时间,起飞路径的典型日影响因子数据为保障能力、资源能力,民航航班执飞数据的降落路径(对应路径执飞数据中的降落路径)包含实际降落路径开始时间、实际降落时间、典型日影响因子数据、降落机场,降落路径的典型日影响因子数据为保障能力、资源能力,民航航班执飞数据的空中路径Ai(对应路径执飞数据中的空中路径Ai)包含路径Ai实际开始时间、路径Ai实际结束时间、典型日影响因子数据、路径Ai实际耗时,空中路径Ai的典型日影响因子数据包括天气。
路径计划数据与路径执飞数据的同一路径按照典型日影响因子分类存储为同一路径的关系矩阵,即同一路径对路径计划数据、路径执飞数据按照典型日影响因子分类存储构成关系矩阵,路径计划数据、路径执飞数据按照不同路径对应不同的关系矩阵,关系矩阵数据库存储所有路径下的关系矩阵。
C、构建训练数据集输入大数据关系模型中进行训练得到训练后关系矩阵数据库,从关系矩阵数据库中提取飞机机型信息、路径、路径计划数据、路径执飞数据构建路径计划执飞关系矩阵。路径计划执飞关系矩阵是从训练后关系矩阵数据库中提取得到的路径计划执飞关系矩阵,路径计划执飞关系矩阵包括所有路径计划与执飞所对应的关系矩阵。优选地,训练数据集包括民航航班计划样本数据及相对应的民航航班执飞样本数据,所述民航航班执飞样本数据选取不含有民航事件或航路管制的民航航班执飞数据。对训练数据集分为训练集、测试集,经过训练后的大数据关系模型在航班执飞结果预测的准确率能够达到92.5%~99.2%。
D、创建新航班航线计划或输入新航班航线计划并输入民航航班预测模型,新航班航线计划包括飞机号、路径集合,从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径计划数据并由此得到航班计划,对于新航班航线计划,新航班航线计划中包含路径(路径包括起飞路径、多个空中路径、降落路径),从路径计划执飞关系矩阵提取与新航班航线计划相关路径的路径计划数据并由此组合制定出航班计划。从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径执飞数据并由此得到航班执飞结果预测,对于新航班航线计划,新航班航线计划中包含路径,从路径计划执飞关系矩阵提取与新航班航线计划相关路径的路径执飞数据并由此组合得到航班执飞结果预测。
如图3所示,一种民航航班执飞结果预测装置,包括民航航班预测模型,所述民航航班预测模型包括大数据关系模型、计算模块和输出模块,大数据关系模型用于接收输入的民航航班计划数据及相对应的民航航班执飞数据,民航航班计划数据与民航航班执飞数据均包括由飞机号、航班号、路径集合构成的路径数据矩阵,飞机号包括飞机机型信息,路径集合按照起飞、空中飞行、降落按照航线划分成连续的路径,路径集合包括相互不重叠的起飞路径、空中路径A1、空中路径A2…空中路径Ai…空中路径An和降落路径。民航航班计划数据中路径集合按照航班计划构建计划数据库,计划数据库按照路径对应存储计划时间,民航航班执飞数据在路径集合中各路径对应赋值实际执飞的典型日影响因子数据及所对应的实际执飞时间,典型日影响因子数据的典型日影响因子包括天气、保障能力、资源能力。大数据关系模型包括关系矩阵数据库,关系矩阵数据库包括飞机号、航班号、路径计划数据、路径执飞数据,路径计划数据与路径执飞数据的同一路径按照典型日影响因子分类存储为同一路径的关系矩阵;大数据关系模型经过模型训练得到训练后关系矩阵数据库,民航航班预测模型内部具有路径计划执飞关系矩阵,路径计划执飞关系矩阵由关系矩阵数据库中提取飞机机型信息、路径、路径计划数据、路径执飞数据构建得到;所述计算模块根据新航班航线计划从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径计划数据并由此得到航班计划,计算模块根据新航班航线计划从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径执飞数据并由此得到航班执飞结果预测。计算模块从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径计划数据并由此得到航班计划,从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径执飞数据并由此得到航班执飞结果预测。输出模块用于输出新航班航线计划相关的航班计划、航班执飞结果预测。
一种电子设备,所述电子设备包括相互通信的数据存储层、数据处理层和数据输出层,数据存储层用于存储包括民航航班计划数据及相对应的民航航班执飞数据在内的数据。数据处理层包括用于存储与执行计算机程序并实现民航航班执飞结果预测方法的步骤。终端接入层用于按照权限认证控制终端接入及权限通信。
在一些实施例中,如图4所示,民航航班预测模型的大数据关系模型可以采用回归模型结构,一共分为三层:预处理层、模型层、输出层,其中预处理层是嵌入回归模型结构中的第一层,将输入的类别字符串、时间字符串等其他字符串转换为模型使用的数值型,主要具有对齐行,扩充特征,归一化特征等功能。模型层是神经网络建模的部分.此处采用残差神经网络(采用ResNet残差网络,图4中仅画出一层ResNet残差网络,残差神经网络包括若干层ResNet残差网络堆砌在一起).避免隐藏层过多而出现的网络退化问题。输出层(输出层的激活函数为softmax函数)主要用于将模型的预测值还原为真实值,在训练回归模型时,标签值为标准化后的值,这样收敛的会更快一些.在应用中需要还原为真实值.同时需要剔除为了对齐而补零的无意义的预测值。如图5~图10所示,本实施例举例一种民航航班预测模型内部架构的具体实施方式,其包括数据存储规则、关系模型处理规则、各用途下的执飞结果预测算法。
实施例二
与实施例一相比,本实施例还包括如下方法:
E、对当天航班航线计划的执飞结果预测,采集航班航线计划当天的典型日影响因子数据,典型日影响因子数据为起飞与降落机场的当天保障能力及当天资源能力、路径对应当天天气数据,从路径计划执飞关系矩阵中提取航班航线计划的路径集合所包含的所有关联典型日影响因子数据的路径执飞数据,输出该航班航线计划所对应的执飞结果预测数据。当天保障能力、当天资源能力根据机场当天的数据得到,当天天气数据采集当天相关路径下的气象数据得到,这就得到典型日影响因子的数据,根据当天航班航线计划,从路径计划执飞关系矩阵中提取相关所有路径执飞数据并能得到执飞结果预测数据。
在一些实施例中,根据执飞结果预测数据与航班航线计划进行对比,计算得到航班预测到达时间、航班正点率。
实施例二
与实施例二相比,本实施例还包括如下方法:
F、输入当天所有航班航线计划按照步骤E得到所有执飞结果预测数据,由此统计各个路径的分时段流量,将同一路径相关的执飞结果预测数据按照时段进行排列,同时进行分时段统计,即可得到在该路径的分时段流量。
在一些实施例中,路径集合的路径包含导航点信息、航段信息,并统计得到导航点流量、航段流量;路径的信息中包含导航点信息、航段信息,就可以对导航点进行流量统计,也可以对航段进行流量统计,例如:航段包括多个路径,那就将多个路径的流量统一到该航段上。经过训练后的大数据关系模型在航班执飞结果预测的准确率能够达到92.5%~99.2%,先经过民航航班预测模型进行预测,然后与实际执飞结果进行对比数据如下:
数据集 | 预测指标 | 误差均值(分钟) |
Top1000航班 | 推出机位 | 8.81 |
起飞 | 9.04 | |
降落 | 9.51 | |
入机位 | 9.62 | |
航路点综合 | 9.99 | |
Top100航路 | 推出机位 | 7.42 |
起飞 | 7.76 | |
降落 | 8.99 | |
入机位 | 9.20 | |
航路点综合 | 7.51 | |
Top50机场 | 推出机位 | 10.0 |
起飞 | 10.3 | |
降落 | 113 | |
入机位 | 11.5 | |
航路点综合 | 10.6 |
本发明民航航班预测模型预测精度高于92%,能够满足民航飞行管理要求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种民航航班执飞结果预测方法,其特征在于:其方法如下:
A、构建民航航班预测模型,民航航班预测模型包含大数据关系模型,采集民航航班计划数据及相对应的民航航班执飞数据输入大数据关系模型中,民航航班计划数据与民航航班执飞数据均包括由飞机号、航班号、路径集合构成的路径数据矩阵,飞机号包括飞机机型信息,路径集合按照起飞、空中飞行、降落按照航线划分成连续的路径,路径集合包括相互不重叠的起飞路径、空中路径A1、空中路径A2…空中路径Ai…空中路径An和降落路径;民航航班计划数据中路径集合按照航班计划构建计划数据库,计划数据库按照路径对应存储计划时间,民航航班执飞数据在路径集合中各路径对应赋值实际执飞的典型日影响因子数据及所对应的实际执飞时间,典型日影响因子数据的典型日影响因子包括天气、保障能力、资源能力;
B、大数据关系模型中构建有关系矩阵数据库,关系矩阵数据库包括飞机号、航班号、路径计划数据、路径执飞数据,路径计划数据与路径执飞数据的同一路径按照典型日影响因子分类存储为同一路径的关系矩阵;
C、构建训练数据集输入大数据关系模型中进行训练得到训练后的关系矩阵数据库,从关系矩阵数据库中提取飞机机型信息、路径、路径计划数据、路径执飞数据构建路径计划执飞关系矩阵;
D、创建新航班航线计划或输入新航班航线计划并输入民航航班预测模型,新航班航线计划包括飞机号、路径集合,从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径计划数据并由此得到航班计划,从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径执飞数据并由此得到航班执飞结果预测;
E、对当天航班航线计划的执飞结果预测,采集航班航线计划当天的典型日影响因子数据,典型日影响因子数据为起飞与降落机场的当天保障能力及当天资源能力、路径对应当天天气数据,从路径计划执飞关系矩阵中提取航班航线计划的路径集合所包含的所有关联典型日影响因子数据的路径执飞数据,输出该航班航线计划所对应的执飞结果预测数据。
2.按照权利要求1所述的一种民航航班执飞结果预测方法,其特征在于:所述民航航班计划数据的起飞路径包含起飞机场、计划起飞时间、计划起飞路径结束时间,民航航班计划数据的降落路径包含计划降落路径开始时间、计划降落时间、降落机场,民航航班计划数据的空中路径Ai包含路径Ai计划开始时间、路径Ai计划结束时间、路径Ai计划耗时;所述民航航班执飞数据的起飞路径包含起飞机场、实际起飞时间、典型日影响因子数据、实际起飞路径结束时间,起飞路径的典型日影响因子数据为保障能力、资源能力,民航航班执飞数据的降落路径包含实际降落路径开始时间、实际降落时间、典型日影响因子数据、降落机场,降落路径的典型日影响因子数据为保障能力、资源能力,民航航班执飞数据的空中路径Ai包含路径Ai实际开始时间、路径Ai实际结束时间、典型日影响因子数据、路径Ai实际耗时,空中路径Ai的典型日影响因子数据包括天气。
3.按照权利要求1所述的一种民航航班执飞结果预测方法,其特征在于:方法E包括:
根据执飞结果预测数据与航班航线计划进行对比,计算得到航班预测到达时间、航班正点率。
4.按照权利要求1所述的一种民航航班执飞结果预测方法,其特征在于:还包括如下方法:
F、输入当天所有航班航线计划按照步骤E得到所有执飞结果预测数据,由此统计各个路径的分时段流量。
5.按照权利要求4所述的一种民航航班执飞结果预测方法,其特征在于:所述路径集合的路径包含导航点信息、航段信息,并统计得到导航点流量、航段流量。
6.按照权利要求1或2所述的一种民航航班执飞结果预测方法,其特征在于:所述训练数据集包括民航航班计划样本数据及相对应的民航航班执飞样本数据,所述民航航班执飞样本数据选取不含有民航事件或航路管制的民航航班执飞数据。
7.按照权利要求1或2所述的一种民航航班执飞结果预测方法,其特征在于:所述民航航班执飞数据为航班飞行数据、天气数据、机场保障资源数据聚合而成,典型日影响因子数据的天气典型日影响因子按照天气种类分层级划分,天气种类包括晴朗、雨雪、雾,晴朗包括晴朗无风、晴朗微风、晴朗中风、晴朗大风,雨雪包括雨无雷电无风、雨有雷电无风、雨有雷电有风等,雾按照雾霾等级划分,典型日影响因子数据的保障能力、资源能力按照等级排序划分。
8.一种民航航班执飞结果预测装置,其特征在于:包括民航航班预测模型,所述民航航班预测模型包括大数据关系模型、计算模块和输出模块,大数据关系模型用于接收输入的民航航班计划数据及相对应的民航航班执飞数据,大数据关系模型包括关系矩阵数据库,关系矩阵数据库包括飞机号、航班号、路径计划数据、路径执飞数据,路径计划数据与路径执飞数据的同一路径按照典型日影响因子分类存储为同一路径的关系矩阵;大数据关系模型经过模型训练得到训练后的关系矩阵数据库,民航航班预测模型内部具有路径计划执飞关系矩阵,路径计划执飞关系矩阵由关系矩阵数据库中提取飞机机型信息、路径、路径计划数据、路径执飞数据构建得到;所述计算模块根据新航班航线计划从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径计划数据并由此得到航班计划,计算模块根据新航班航线计划从路径计划执飞关系矩阵中提取新航班计划的路径集合所包含的所有路径执飞数据并由此得到航班执飞结果预测;所述输出模块用于输出新航班航线计划相关的航班计划、航班执飞结果预测。
9.一种电子设备,其特征在于:所述电子设备包括相互通信的数据存储层、数据处理层和数据输出层,数据存储层用于存储包括民航航班计划数据及相对应的民航航班执飞数据在内的数据;数据处理层包括,用于存储与执行计算机程序,实现权利要求1-7任一项所述的民航航班执飞结果预测方法的步骤;终端接入层用于按照权限认证控制终端接入及权限通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211417349.6A CN115759386B (zh) | 2022-11-11 | 2022-11-11 | 一种民航航班执飞结果预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211417349.6A CN115759386B (zh) | 2022-11-11 | 2022-11-11 | 一种民航航班执飞结果预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115759386A CN115759386A (zh) | 2023-03-07 |
CN115759386B true CN115759386B (zh) | 2023-07-07 |
Family
ID=85370078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211417349.6A Active CN115759386B (zh) | 2022-11-11 | 2022-11-11 | 一种民航航班执飞结果预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759386B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874700A (zh) * | 2024-01-19 | 2024-04-12 | 中国民航科学技术研究院 | 航班运行数据处理评估系统、方法及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8630790B1 (en) * | 2011-10-03 | 2014-01-14 | The Boeing Company | Systems and methods for amalgamating flight information |
CN106779240A (zh) * | 2016-12-30 | 2017-05-31 | 中国民航信息网络股份有限公司 | 民航市场宏观指数的预测方法及系统 |
CN108985621A (zh) * | 2018-07-13 | 2018-12-11 | 南京航空航天大学 | 基于风险管控的区域多机场不正常航班恢复方法 |
CN109542876A (zh) * | 2018-11-20 | 2019-03-29 | 南京莱斯信息技术股份有限公司 | 基于Hadoop数据挖掘航空器经验轨迹模型关键因子的提取方法 |
CN110717616A (zh) * | 2019-08-30 | 2020-01-21 | 中国南方航空股份有限公司 | 一种民航机组人力资源预测方法、电子设备及存储介质 |
CN113449915A (zh) * | 2021-06-28 | 2021-09-28 | 中国电子科技集团公司第二十八研究所 | 一种基于知识图谱的航班延误预测方法 |
US11181934B1 (en) * | 2020-05-20 | 2021-11-23 | Honeywell International Inc. | Systems and methods for predicting ground effects along a flight plan |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050071206A1 (en) * | 2003-04-30 | 2005-03-31 | The Boeing Company | System, method and computer program product for schedule recovery |
CN105355092B (zh) * | 2015-12-03 | 2017-12-22 | 上海民航华东空管工程技术有限公司 | 一种航班流量预控制方法 |
CN105679102B (zh) * | 2016-03-03 | 2018-03-27 | 南京航空航天大学 | 一种全国飞行流量时空分布预测推演系统及方法 |
US20190066519A1 (en) * | 2017-08-30 | 2019-02-28 | The Boeing Company | Aircraft flight planning apparatus and method |
CN109711894B (zh) * | 2018-12-28 | 2020-10-30 | 携程旅游网络技术(上海)有限公司 | 航线需求异常的检测方法及系统 |
US20220028284A1 (en) * | 2020-07-23 | 2022-01-27 | Airbus Sas | Aircraft pairing tool for formation flight |
CN112529416A (zh) * | 2020-12-11 | 2021-03-19 | 中国民航科学技术研究院 | 一种运输系统的运行效率预估模型的构建方法 |
CN112418730A (zh) * | 2020-12-11 | 2021-02-26 | 中国民航科学技术研究院 | 一种运输系统的响应指标预估模型的构建方法 |
CN113590933B (zh) * | 2021-06-07 | 2023-05-09 | 海南太美航空股份有限公司 | 一种航班推送方法、系统和电子设备 |
CN115206099B (zh) * | 2022-07-15 | 2023-06-20 | 中国石油大学(华东) | 一种车辆gps轨迹的自适应路径推断方法 |
-
2022
- 2022-11-11 CN CN202211417349.6A patent/CN115759386B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8630790B1 (en) * | 2011-10-03 | 2014-01-14 | The Boeing Company | Systems and methods for amalgamating flight information |
CN106779240A (zh) * | 2016-12-30 | 2017-05-31 | 中国民航信息网络股份有限公司 | 民航市场宏观指数的预测方法及系统 |
CN108985621A (zh) * | 2018-07-13 | 2018-12-11 | 南京航空航天大学 | 基于风险管控的区域多机场不正常航班恢复方法 |
CN109542876A (zh) * | 2018-11-20 | 2019-03-29 | 南京莱斯信息技术股份有限公司 | 基于Hadoop数据挖掘航空器经验轨迹模型关键因子的提取方法 |
CN110717616A (zh) * | 2019-08-30 | 2020-01-21 | 中国南方航空股份有限公司 | 一种民航机组人力资源预测方法、电子设备及存储介质 |
US11181934B1 (en) * | 2020-05-20 | 2021-11-23 | Honeywell International Inc. | Systems and methods for predicting ground effects along a flight plan |
CN113449915A (zh) * | 2021-06-28 | 2021-09-28 | 中国电子科技集团公司第二十八研究所 | 一种基于知识图谱的航班延误预测方法 |
Non-Patent Citations (1)
Title |
---|
基于飞行计划集中处理的航空器航迹规划研究;何德暘;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊) 2020年第12期;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115759386A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448445A (zh) | 基于长短期记忆神经网络的航班延误分级预警方法 | |
CN107086935B (zh) | 基于wifi ap的人流量分布预测方法 | |
CN111652427B (zh) | 一种基于数据挖掘分析的航班到达时刻预测方法及系统 | |
CN109542876B (zh) | 基于Hadoop数据挖掘航空器经验轨迹模型关键因子的提取方法 | |
CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
CN109409587A (zh) | 一种基于天气数据挖掘的机场进离场交通流量预测方法 | |
CN103761585B (zh) | 机场接续运输动态匹配、运力监测预警和智能调配方法 | |
CN103530704A (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
CN107818382A (zh) | 航班到达时间预测方法 | |
CN107944625A (zh) | 基于历史运行数据驱动的单机场航班换季时隙优化方法 | |
CN110570693B (zh) | 一种基于可靠性的航班运行时间预测方法 | |
CN104751681A (zh) | 一种基于统计学习模型的停机位分配方法 | |
CN105679102A (zh) | 一种全国飞行流量时空分布预测推演系统及方法 | |
WO2021082394A1 (zh) | 基于大数据深度学习的场面可变滑出时间预测系统 | |
CN110826788A (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 | |
CN115759386B (zh) | 一种民航航班执飞结果预测方法、装置及电子设备 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
CN112215416B (zh) | 智能规划巡检航线系统及方法 | |
CN110009939B (zh) | 基于asm的航班延误预测及波及分析方法 | |
CN114781704A (zh) | 一种基于过站航班保障流程的航班延误预测方法 | |
CN117995027A (zh) | 一种飞行计划备降场推荐方法、系统、设备及介质 | |
Wang et al. | A high-precision method of flight arrival time estimation based on xgboost | |
CN116451446A (zh) | 空管仿真飞行计划自动生成方法 | |
CN114333432B (zh) | 一种基于空域网格的赋值方法 | |
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 |
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 |