CN115879800A - 基于数据智能的航班管理延误事后分析方法 - Google Patents
基于数据智能的航班管理延误事后分析方法 Download PDFInfo
- Publication number
- CN115879800A CN115879800A CN202211534897.7A CN202211534897A CN115879800A CN 115879800 A CN115879800 A CN 115879800A CN 202211534897 A CN202211534897 A CN 202211534897A CN 115879800 A CN115879800 A CN 115879800A
- Authority
- CN
- China
- Prior art keywords
- flight
- data
- time
- delay
- analysis
- 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
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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于数据智能的航班管理延误事后分析方法,步骤如下:数据分析环境准备和对民航航班运行历史数据进行采集;循环遍历上述清洗后的航班运行历史数据,并根据航班飞行计划历史数据判断当前航班是否为受控航班;根据航班管理延误分析指标体系中的指标进行数据分析计算;构建基于航班运行历史数据的非监督学习算法;根据不同扇区对象和机场对象的内在特征相似程度进行本领域历史数据挖掘分析;对航班管理延误分析数据进行可视化处理及输出;本发明方法能够提升航班流量管理对航班运行各个过程的精细化和智能化数据分析,支撑对航班流量管理工作的改进。
Description
技术领域
本发明属于民航空中交通管理信息化和人工智能技术的交叉领域,具体涉及一种基于数据智能的航班管理延误事后分析方法。
背景技术
随着中国经济和民航的飞速发展,人们对于出行的需求日益增高,空中交通流量也不可避免地随之增加。我国空域结构复杂,民航可用资源有限,空中交通流量分布不均衡导致了繁忙终端区内空域拥堵,流量控制,大面积航班延误等一系列问题频繁。数据分析是流量管理中重要的工作之一,随着海量异构数据的增长,如何全面深入的进行数据挖掘与实际应用是民航航班运行管理的业务痛点问题。
现有技术实现方案主要围绕航班延误预测和航班延误原因分析,比如,中国发明专利申请号为CN202111201726.8,名称为“基于大数据挖掘处理分析的航班延误预测方法”中公开了如下步骤:A、数据预处理:采集多维度的原始数据,B、结合初步的特征变量构建特征工程数据并采用随机森林得到特征的重要性权重,进而得到特征集合,C、通过多次网格搜索结合K折验证的方式按照基于不同机场数据适配最优化的模型参数组合,D、向最终航班延误预测模型输入待预测样本并得到航班延误数据。该专利方法中全面采集多维度的原始数据并选取重要性权重较大的特征组合通过多次网格搜索结合K折验证的方式按照基于不同机场数据适配最优化的模型参数组合,预测模型依靠CatBoost算法进行训练得到最终航班延误预测模型,然后输入待预测样本即可得到准确度高的航班延误情况。
现有技术实现方案中对航班流量管理延误基于数据智能的事后分析方法尤为缺少,未对历史运行数据使用机器学习算法,不具备自动智能数据挖掘能力;同时,并未涉及航班流量管理延误量化区分(区管和终端)指标。
目前,现有技术方案主要缺点主要有:
1、现有方案或系统工具未实现的事后综合数据智能分析,不具备机器学习能力对全国机场对象、扇区对象无监督聚类分析等;现有技术方案仅支持基于事先已预设简单指标的统计,不能支持对全国航班、机场、扇区等对象多维画像并进行自动智能聚类分析,挖掘统计对象群体相似性和规律。
2、民航空管领域暂无针对航班管理延误分析指标体系,尤其是流量管理延误方面的全面深入分析;现有统计方法主要围绕航班正常性统计,未实现精细化定位挖掘空管方面流量管理产生的流量管理延误(ATFM Delay),未有细化区分流量管理延误产生空间分布(区管和终端)指标,统计指标颗粒度较粗,涵盖多方因素(航空公司、机场、空管、旅客等)导致延误。同时,传统统计数据分析架构还存在计算性能低,对于海量异构的航班运行历史数据挖掘计算时间长,严重影响用户体验。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种基于数据智能的航班管理延误事后分析方法,以解决现有技术中对航班运行管理延误事后分析暂无全面深入指标体系和暂无基于人工智能的非监督航班数据学习方法,而导致对海量异构的航班运行历史数据分析不精细、不智能的问题。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种基于数据智能的航班管理延误事后分析方法,步骤如下:
1)数据分析环境准备和对民航航班运行历史数据进行采集,具体采集航班飞行计划历史数据、流量管理措施历史数据、全国管制扇区对象数据、全国民用机场对象数据、航空气象数据并进行数据清洗;
2)循环遍历上述清洗后的航班运行历史数据,并根据航班飞行计划历史数据判断当前航班是否为受控航班;若是受控航班,则对流控措施数据和航班飞行计划数据进行航班关联流控措施数据融合集成处理(Merging Data),并进入步骤3);若是非受控航班,则返回步骤2);
3)根据航班管理延误分析指标体系中的指标进行数据分析计算;
判断当前航班受控区域的发生位置;若为区管管制区(ACC),则累加计算区域流量管理延误(ATFM_Delay_ACC),统计各延误原因种类的分量延误;若为进近管制区(TMA),则累加计算终端流量管理延误(ATFM_Delay_TMA),统计各延误原因种类的分量延误;同时,根据当前已遍历处理的航班数量和航班计划总量判断是否遍历结束,若遍历结束则进入步骤4);若遍历未结束则返回步骤2);
4)构建基于航班运行历史数据的非监督学习算法;根据不同扇区对象和机场对象的内在特征相似程度进行本领域历史数据挖掘分析;
5)对航班管理延误分析数据进行可视化处理及输出;
根据航班管理延误分析指标体系进行数据分析,并以数据可视化形式输出民用机场和管制扇区的聚类分析结果(包括:csv文件、统计图表和分析报告)。
进一步地,所述步骤1)具体包括:
初始化,导入Python的第三方库包括但不限于数据分析库Pandas、机器学习工具库Sklearn、数据可视化库Matplotlib库,构建基于数据智能的航班管理延误事后分析的集成环境。
进一步地,所述步骤1)具体还包括:
调用pandas库的read_csv()方法读入航班运行历史数据,包括航班飞行计划历史数据、流控措施历史数据、全国民用机场对象数据、全国扇区对象数据、航空气象数据(文件或数据库表),进行数据清洗;具体使用Pandas的DataFrame数据结构类型的变量读取航班计划数据和流控措施数据,并使用Pandas进行预计起飞时间、计算起飞时间、实际起飞时间、可变滑行时间、航班受控标识、流控原因、流控事发地数据的清洗。
进一步地,所述航班数据清洗具体包括:
完整性:单条数据是否存在空值,统计的字段是否完善;
全面性:观察某一列的全部数值,该列的平均值、最大值、最小值是否有问题;
合法性:数据的类型、内容、大小的合法性;比如计算起飞时间数据中存在非ASCII字符,流控始发地存在了未知;
唯一性:数据是否存在重复记录。
进一步地,所述步骤2)中根据航班飞行计划历史数据中的是否受控属性字段来判断是否为受控航班;若是否受控属性字段值为真,则当前航班是受控航班;若是否受控属性字段值为假,则当前航班是非受控航班。
进一步地,所述步骤2)中若是受控航班,则对流控措施数据和航班飞行计划数据进行航班关联流控措施数据融合集成处理,数据融合集成处理的属性字段包括:航班号、航班唯一号、起飞机场、落地机场、航路点、计算起飞时间、实际起飞时间、流控唯一号、流控原因、流控发生地、流控类型、流控日期、流控发布单位。
进一步地,所述步骤3)中根据流量管理延误定义计算航班流量延误,航班流量延误=计算起飞时间-预计撤轮档时间-可变滑行时间,并累计求和;使用数据分析Pandas库统计各延误原因种类的分量延误,航班流量延误执行偏差=实际起飞时间-计算起飞时间,并进一步判断当前航班所受流控的发生位置是区管管制区(ACC)还是进近管制区(TMA)。
进一步地,所述航班管理延误分析指标体系,包括指标领域(KPA)和关键绩效指标(KPI),指标领域包括:航班需求准确性、需求提前量分析、流量管理影响分析;航班需求准确性对应的关键绩效指标包括:航班推出时间差=实际撤轮档时间-预计撤轮档时间、航班起飞时间差=实际起飞时间-预计落地时间、航班到达时间差=实际落地时间-预计落地时间、航班飞行时间差=实际飞行时间-预计飞行时间;需求提前量分析对应的关键绩效指标包括:航班FPL(领航计划报)提交提前量=航班FPL提交时间-预计撤轮档时间、航班需求提前量=FPL提交提前量+滑行实际+总飞行时间;流量管理影响分析对应的关键绩效指标包括:流量管理延误=计算起飞时间-预计起飞时间、离港偏差=实际起飞时间-计算起飞时间、进港偏差=实际落地时间-计算落地时间、过点偏差=实际过点时间-计算过点时间。
进一步地,所述步骤4)具体包括:根据属性字段区域流量管理延误和终端流量管理延误、航班需求准备性、离港偏差等,对全国空管扇区对象和全国机场对象进行聚类分析。
进一步地,所述步骤4)中构建基于航班运行历史数据的非监督学习ATM-Means算法进行计算,定义K值代表相似机场或扇区对象群体的种类,其中K值结合民航业务需求特点可取值3-7;ATM-Means算法步骤具体为:
41)从N个民用航空机场或空管扇区对象中任意选择K个机场或扇区对象作为初始聚类中心,记为uj,j=1,2,...,K,K值结合民航业务需求特点,根据季度运行特征取值为3-9;
42)根据每个聚类全国空管扇区对象或全国机场对象的指标均值(中心对象),计算每个全国空管扇区对象或全国机场对象与每个聚类对象的指标均值的距离,形成距离集合,并根据距离集合中心的最小距离重新对相应对象进行划分,即:
Ci=argj min||xi-uj||2
式中,xi代表某个具体数据分析对象(机场或扇区),Ci代表对象xi的类别,取决于最靠近的距离(最小聚类,代表最靠近);
43)重新计算每个有变化的机场或扇区对象聚类的指标均值(中心对象),即:
44)重复步骤42)-步骤43),直到每个机场或扇区对象聚类不再发生变化(收敛)。
进一步地,所述步骤5)中采用Pandas、Matplotlib和Seaborn第三方库来实现航班管理延误的数据可视化图表,调用Pandas的to_csv()方法导出数据结果,数据可视化图表包括:架次直方柱图、延误时间趋势图、延误原因比例图,航班流量管理延误箱线图。
本发明的有益效果:
本发明的方法能够对全国航班延误、全国民用机场和全国管制(ATC)扇区进行分析及排名;使用非监督聚类学习方法对机场和扇区进行自动化聚类分析,对大数据集有较高的计算效率并且可伸缩。
本发明构建了航班管理延误分析指标体系,提出了航班运行流量管理延误(ATFMDelay)统计方法,能进一步区分流量管理延误在区域管制部分(ATFM_Delay_ACC)和终端管制部分(ATFM_Delay_TMA)大小。本发明能够提升航班流量管理对航班运行各个过程的精细化和智能化数据分析,支撑对航班流量管理工作的改进。
附图说明
图1为本发明方法的原理流程图。
图2为本发明航班运行管理数据非监督机器学习算法应用图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
本发明中涉及到的技术术语如下表1:
表1
参照图1所示,本发明的一种基于数据智能的航班管理延误事后分析方法,步骤如下:
1)数据分析环境准备和对民航航班运行历史数据进行采集,具体采集航班飞行计划历史数据、流量管理措施历史数据、全国管制扇区对象数据、全国民用机场对象数据、航空气象数据并进行数据清洗;具体包括:
初始化,导入Python的第三方库包括但不限于数据分析库Pandas、机器学习工具库Sklearn、数据可视化库Matplotlib库,构建基于数据智能的航班管理延误事后分析的集成环境。
此外,所述步骤1)具体还包括:
调用Pandas库的read_csv()方法读入航班运行历史数据,包括航班飞行计划历史数据、流控措施历史数据、全国民用机场对象数据、全国扇区对象数据、航空气象数据(文件或数据库表),进行数据清洗;具体使用Pandas的DataFrame数据结构类型的变量读取航班计划数据和流控措施数据,并使用Pandas进行预计起飞时间、计算起飞时间、实际起飞时间、可变滑行时间、航班受控标识、流控原因、流控事发地数据的清洗。
其中,所述航班数据清洗具体包括:
完整性:单条数据是否存在空值,统计的字段是否完善;
全面性:观察某一列的全部数值,该列的平均值、最大值、最小值是否有问题;
合法性:数据的类型、内容、大小的合法性;比如计算起飞时间数据中存在非ASCII字符,流控始发地存在了未知;
唯一性:数据是否存在重复记录。
2)循环遍历上述清洗后的航班运行历史数据,并根据航班飞行计划历史数据判断当前航班是否为受控航班;若是受控航班,则对流控措施数据和航班飞行计划数据进行航班关联流控措施数据融合集成处理(Merging Data),并进入步骤3);若是非受控航班,则返回步骤2);
根据航班飞行计划历史数据中的是否受控属性字段来判断是否为受控航班;若是否受控属性字段值为真,则当前航班是受控航班;若是否受控属性字段值为假,则当前航班是非受控航班。
若是受控航班,则对流控措施数据和航班飞行计划数据进行航班关联流控措施数据融合集成处理,数据融合集成处理的属性字段包括:航班号、航班唯一号、起飞机场、落地机场、航路点、计算起飞时间、实际起飞时间、流控唯一号、流控原因、流控发生地、流控类型、流控日期、流控发布单位。
3)根据航班管理延误分析指标体系中的指标进行数据分析计算;
判断当前航班受控区域的发生位置;若为区管管制区(ACC),则累加计算区域流量管理延误(ATFM_Delay_ACC),统计各延误原因种类的分量延误;若为进近管制区(TMA),则累加计算终端流量管理延误(ATFM_Delay_TMA),统计各延误原因种类的分量延误;同时,根据当前已遍历处理的航班数量和航班计划总量判断是否遍历结束,若遍历结束则进入步骤4);若遍历未结束则返回步骤2);
根据流量管理延误定义计算航班流量延误,航班流量延误=计算起飞时间-预计撤轮档时间-可变滑行时间,并累计求和;使用数据分析Pandas库统计各延误原因种类的分量延误,航班流量延误执行偏差=实际起飞时间-计算起飞时间,并进一步判断当前航班所受流控的发生位置是区管管制区(ACC)还是进近管制区(TMA)。
其中,所述航班管理延误分析指标体系,包括指标领域(KPA)和关键绩效指标(KPI),指标领域包括:航班需求准确性、需求提前量分析、流量管理影响分析;航班需求准确性对应的关键绩效指标包括:航班推出时间差、航班起飞时间差、航班到达时间差、航班飞行时间差;需求提前量分析对应的关键绩效指标包括:航班FPL提交提前量、航班需求提前量(本场视角);流量管理影响分析对应的关键绩效指标包括:流量管理延误(ATFMDelay)、离港偏差(Departure Difference)、进港偏差(Arrival Difference)、过点偏差(过某控制点)。
4)构建基于航班运行历史数据的非监督学习算法;根据不同扇区对象和机场对象的内在特征相似程度进行非监督聚类分析;参照图2所示,
根据属性字段区域流量管理延误和终端流量管理延误、航班需求准备性、离港偏差等,对全国空管扇区对象和全国机场对象进行聚类分析。
其中,所述步骤4)中使用构建的航班管理非监督机器学习ATM-Means算法进行计算,K值代表相似机场或扇区对象群体的种类,其中K值结合民航业务需求特点;具体为:
41)从N个民用航空机场或空管扇区对象中任意选择K个机场或扇区对象作为初始聚类中心,记为uj,j=1,2,...,K,K值结合民航业务需求特点,根据季度运行特征取值为3-9;
42)根据每个聚类全国空管扇区对象或全国机场对象的指标均值(中心对象),计算每个全国空管扇区对象或全国机场对象与每个聚类对象的指标均值的距离,形成距离集合,并根据距离集合中心的最小距离重新对相应对象进行划分,即:
Ci=argj min||xi-uj||2
式中,xi代表某个具体数据分析对象(机场或扇区),Ci代表对象xi的类别,取决于最靠近的距离(最小聚类,代表最靠近);
43)重新计算每个有变化的机场或扇区对象聚类的指标均值(中心对象),即:
44)重复步骤42)-步骤43),直到每个机场或扇区对象聚类不再发生变化(收敛)。
其中,ATM-Means算法在航班管理数据分析应用构建,具体实施中,主要的参数如下:
n_clusters:即K值,本发明需要多试一些K值来保证更好的聚类效果;可随机设置一些K值,然后选择聚类效果最好的作为最终的K值,本发明其中K值结合民航业务需求特点,根据季度运行特征可采用3-9左右,如夏季雷雨季考虑细化数据分析,K值可取5-9;
max_iter:最大迭代次数,如果聚类很难收敛的话,设置最大迭代次数可以时得到反馈结果,否则程序运行时间会非常长;
n_init:初始化中心点的运算次数,默认是10;是否能快速收敛和中心点的选择关系非常大,所以在中心点选择上多花一些时间,来争取整体时间上的快速收敛;由于每一次中心点都是随机生成的,所以要运行n_init次,取其中最好的作为初始机场或扇区对象中心点;
init:即初始值选择的方式,采用优化过的k-means++方式,也可以自行指定中心点,或者采用random完全随机的方式;random的方式则是完全随机的方式,本发明推荐采用优化过的k-means++方式。
5)对航班管理延误分析数据进行可视化处理及输出;
根据航班管理延误分析指标体系进行数据分析,并以数据可视化形式输出民用机场和管制扇区的聚类分析结果(包括:csv文件、统计图表和分析报告);
其中,所述步骤5)中采用Pandas、Matplotlib和Seaborn第三方库来实现航班管理延误的数据可视化图表,调用Pandas的to_csv()方法导出数据结果,数据可视化图表包括:架次直方柱图、延误时间趋势图、延误原因比例图,航班流量管理延误箱线图。
本发明中构建的航班流量管理延误分析指标体系,包括指标领域(KPA)和关键绩效指标(KPI),指标领域包括:航班需求准确性、需求提前量分析、流量管理影响分析;航班需求准确性对应的关键绩效指标包括:航班推出时间差=实际撤轮档时间-预计撤轮档时间、航班起飞时间差=实际起飞时间-预计落地时间、航班到达时间差=实际落地时间-预计落地时间、航班飞行时间差=实际飞行时间-预计飞行时间;需求提前量分析对应的关键绩效指标包括:航班FPL提交提前量=航班FPL提交时间-预计撤轮档时间、航班需求提前量=FPL提交提前量+滑行实际+总飞行时间;流量管理影响分析对应的关键绩效指标包括:流量管理延误=计算起飞时间-预计起飞时间、离港偏差=实际起飞时间-计算起飞时间、进港偏差=实际落地时间-计算落地时间、过点偏差=实际过点时间-计算过点时间;
具体详见下表2内容,其中每个具体KPI指标,计算其平均值、四分位数、方差、标准差、中位数、峰度、偏度等。
表2
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进也应视为本发明的保护范围。
Claims (10)
1.一种基于数据智能的航班管理延误事后分析方法,其特征在于,步骤如下:
1)数据分析环境准备和对民航航班运行历史数据进行采集,具体采集航班飞行计划历史数据、流量管理措施历史数据、全国管制扇区对象数据、全国民用机场对象数据、航空气象数据并进行数据清洗;
2)循环遍历上述清洗后的航班运行历史数据,并根据航班飞行计划历史数据判断当前航班是否为受控航班;若是受控航班,则对流控措施数据和航班飞行计划数据进行航班关联流控措施数据融合集成处理,并进入步骤3);若是非受控航班,则返回步骤2);
3)根据航班管理延误分析指标体系中的指标进行数据分析计算;
判断当前航班受控区域的发生位置;若为区管管制区,则累加计算区域流量管理延误,统计各延误原因种类的分量延误;若为进近管制区,则累加计算终端流量管理延误,统计各延误原因种类的分量延误;同时,根据当前已遍历处理的航班数量和航班计划总量判断是否遍历结束,若遍历结束则进入步骤4);若遍历未结束则返回步骤2);
4)构建基于航班运行历史数据的非监督学习算法;根据不同扇区对象和机场对象的内在特征相似程度进行本领域历史数据挖掘分析;
5)对航班管理延误分析数据进行可视化处理及输出;
根据航班管理延误分析指标体系进行数据分析,并以数据可视化形式输出民用机场和管制扇区的聚类分析结果。
2.根据权利要求1所述的基于数据智能的航班管理延误事后分析方法,其特征在于,所述步骤1)具体包括:
初始化,导入Python的第三方库包括但不限于数据分析库Pandas、机器学习工具库Sklearn、数据可视化库Matplotlib库,构建基于数据智能的航班管理延误事后分析的集成环境。
3.根据权利要求1所述的基于数据智能的航班管理延误事后分析方法,其特征在于,所述步骤1)具体还包括:
调用Pandas库的read_csv()方法读入航班运行历史数据,包括航班飞行计划历史数据、流控措施历史数据、全国民用机场对象数据、全国扇区对象数据、航空气象数据,进行数据清洗;具体使用Pandas的DataFrame数据结构类型的变量读取航班计划数据和流控措施数据,并使用Pandas进行预计起飞时间、计算起飞时间、实际起飞时间、可变滑行时间、航班受控标识、流控原因、流控事发地数据的清洗。
4.根据权利要求3所述的基于数据智能的航班管理延误事后分析方法,其特征在于,所述航班数据清洗具体包括:
完整性:单条数据是否存在空值,统计的字段是否完善;
全面性:观察某一列的全部数值,该列的平均值、最大值、最小值是否有问题;
合法性:数据的类型、内容、大小的合法性;比如计算起飞时间数据中存在非ASCII字符,流控始发地存在了未知;
唯一性:数据是否存在重复记录。
5.根据权利要求1所述的基于数据智能的航班管理延误事后分析方法,其特征在于,所述步骤2)中根据航班飞行计划历史数据中的是否受控属性字段来判断是否为受控航班;若是否受控属性字段值为真,则当前航班是受控航班;若是否受控属性字段值为假,则当前航班是非受控航班。
6.根据权利要求5所述的基于数据智能的航班管理延误事后分析方法,其特征在于,所述步骤2)中若是受控航班,则对流控措施数据和航班飞行计划数据进行航班关联流控措施数据融合集成处理,数据融合集成处理的属性字段包括:航班号、航班唯一号、起飞机场、落地机场、航路点、计算起飞时间、实际起飞时间、流控唯一号、流控原因、流控发生地、流控类型、流控日期、流控发布单位。
7.根据权利要求1所述的基于数据智能的航班管理延误事后分析方法,其特征在于,所述步骤3)中根据流量管理延误定义计算航班流量延误,航班流量延误=计算起飞时间-预计撤轮档时间-可变滑行时间,并累计求和;使用数据分析Pandas库统计各延误原因种类的分量延误,航班流量延误执行偏差=实际起飞时间-计算起飞时间,并进一步判断当前航班所受流控的发生位置是区管管制区还是进近管制区。
8.根据权利要求1所述的基于数据智能的航班管理延误事后分析方法,其特征在于,所述航班管理延误分析指标体系,包括指标领域和关键绩效指标,指标领域包括:航班需求准确性、需求提前量分析、流量管理影响分析;航班需求准确性对应的关键绩效指标包括:航班推出时间差=实际撤轮档时间-预计撤轮档时间、航班起飞时间差=实际起飞时间-预计落地时间、航班到达时间差=实际落地时间-预计落地时间、航班飞行时间差=实际飞行时间-预计飞行时间;需求提前量分析对应的关键绩效指标包括:航班领航计划报提交提前量=航班领航计划报提交时间-预计撤轮档时间、航班需求提前量=领航计划报提交提前量+滑行实际+总飞行时间;流量管理影响分析对应的关键绩效指标包括:流量管理延误=计算起飞时间-预计起飞时间、离港偏差=实际起飞时间-计算起飞时间、进港偏差=实际落地时间-计算落地时间、过点偏差=实际过点时间-计算过点时间。
9.根据权利要求1所述的基于数据智能的航班管理延误事后分析方法,其特征在于,所述步骤4)具体包括:根据属性字段区域流量管理延误和终端流量管理延误、航班需求准备性、离港偏差等,对全国空管扇区对象和全国机场对象进行聚类分析。
10.根据权利要求1所述的基于数据智能的航班管理延误事后分析方法,其特征在于,所述步骤4)中构建基于航班运行历史数据的非监督学习ATM-Means算法进行计算,定义K值代表相似机场或扇区对象群体的种类,其中K值结合民航业务需求特点可取值3-7;ATM-Means算法步骤具体为:
41)从N个民用航空机场或空管扇区对象中任意选择K个机场或扇区对象作为初始聚类中心,记为uj,j=1,2,...,K,K值结合民航业务需求特点,根据季度运行特征取值为3-9;
42)根据每个聚类全国空管扇区对象或全国机场对象的指标均值,计算每个全国空管扇区对象或全国机场对象与每个聚类对象的指标均值的距离,形成距离集合,并根据距离集合中心的最小距离重新对相应对象进行划分,即:
Ci=argj min||xi-uj||2
式中,xi代表某个具体数据分析对象,Ci代表对象xi的类别,取决于最靠近的距离;
43)重新计算每个有变化的机场或扇区对象聚类的指标均值,即:
44)重复步骤42)-步骤43),直到每个机场或扇区对象聚类不再发生变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534897.7A CN115879800A (zh) | 2022-12-02 | 2022-12-02 | 基于数据智能的航班管理延误事后分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534897.7A CN115879800A (zh) | 2022-12-02 | 2022-12-02 | 基于数据智能的航班管理延误事后分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879800A true CN115879800A (zh) | 2023-03-31 |
Family
ID=85765458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211534897.7A Pending CN115879800A (zh) | 2022-12-02 | 2022-12-02 | 基于数据智能的航班管理延误事后分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879800A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910465A (zh) * | 2023-05-31 | 2023-10-20 | 南京航空航天大学 | 基于机器学习的空中交通流量管理延误分布预测方法 |
-
2022
- 2022-12-02 CN CN202211534897.7A patent/CN115879800A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910465A (zh) * | 2023-05-31 | 2023-10-20 | 南京航空航天大学 | 基于机器学习的空中交通流量管理延误分布预测方法 |
CN116910465B (zh) * | 2023-05-31 | 2024-06-11 | 南京航空航天大学 | 基于机器学习的空中交通流量管理延误分布预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
WO2022089031A1 (zh) | 一种基于大数据和人工智能的网络优化方法 | |
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 | |
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 | |
CN107918830B (zh) | 一种基于大数据技术的配电网运行状态评估方法 | |
CN110232398A (zh) | 一种基于Canopy+Kmeans聚类的路网子区划分及其评估方法 | |
CN107832876B (zh) | 基于MapReduce框架的分区最大负荷预测方法 | |
CN111009155B (zh) | 基于空域结构和航班流的空中交通流复杂性量化分析方法 | |
WO2021082394A1 (zh) | 基于大数据深度学习的场面可变滑出时间预测系统 | |
CN112183605B (zh) | 一种基于运行特征的民航管制扇区分类方法 | |
CN110781267A (zh) | 一种基于地理国情的多尺度空间分析评价方法及系统 | |
CN106651088A (zh) | 一种基于时态gis的飞行品质监控方法 | |
CN115879800A (zh) | 基于数据智能的航班管理延误事后分析方法 | |
CN111581780A (zh) | 复杂空域场景下机场群空域仿真建模与验证方法及装置 | |
CN116307682A (zh) | 一种考虑多元指标的机场航线网络失稳状态综合评价方法 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
Hrastovec et al. | Machine learning model for aircraft performances | |
Du et al. | Finding Similar Historical Scenarios for Better Understanding Aircraft Taxi Time: A Deep Metric Learning Approach | |
CN115759386B (zh) | 一种民航航班执飞结果预测方法、装置及电子设备 | |
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 | |
CN109711894A (zh) | 航线需求异常的检测方法及系统 | |
CN110543535A (zh) | 一种基于网约车检索请求数据的交通小区划分方法 | |
CN113658454B (zh) | 一种基于聚类的机场群终端区航迹分析方法 | |
Yu et al. | Efficient Spatio-Temporal-Data-Oriented Range Query Processing for Air Traffic Flow Statistics |
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 |