CN116562447A - 针对航班过站的告警方法、系统、设备及存储介质 - Google Patents
针对航班过站的告警方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116562447A CN116562447A CN202310532618.1A CN202310532618A CN116562447A CN 116562447 A CN116562447 A CN 116562447A CN 202310532618 A CN202310532618 A CN 202310532618A CN 116562447 A CN116562447 A CN 116562447A
- Authority
- CN
- China
- Prior art keywords
- flight
- time
- alarm
- predicted
- departure
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000001960 triggered effect Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000010006 flight Effects 0.000 abstract description 23
- 238000010586 diagram Methods 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0043—Traffic management of multiple aircrafts from the ground
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种针对航班过站的告警方法、系统、设备及存储介质,所述方法包括步骤:获取待进港航班基于预设航班告警规则,触发生成的告警信息;提取所述告警信息中的告警项;获取与各所述告警项对应的第一预测时长;以及基于所述第一预测时长,计算得到与所述待进港航班对应的预测起飞延误时长和计划起飞时间,并向与所述待进港航班对应的候机乘客进行展示;本发明使得对于过站航班在起飞前如果触发可能导致延误的告警事件时,能够及时准确计算得到预测延误时长,并通知到候机乘客;利于提高过站航班延误预测准确性,提高机场运行效率;也利于改善用户乘坐航班出发的体验。
Description
技术领域
本发明涉及计算机技术领域,具体地说,涉及一种针对航班过站的告警方法、系统、设备及存储介质。
背景技术
航班从即将进港落地到离港起飞的过站期间,受到天气、流量、空管限制等因素的影响,这些因素可能导致航班无法按照计划起飞时间起飞,所以机场、航司和民航空管会制定航班告警规则,通过告警规则的触发,提示相关单位过站航班存在告警情况,可能存在延误。
但目前相关技术中,对于告警过程中延误时长的预估以及统计均通过人工完成,导致准确性偏差,也即导致计划起飞时间的预估不准确,不利于保证机场效率及乘客体验;
另一方面,在发生告警情况后,机场方面由于无法及时获取准确时间预测信息,导致不能及时通知到候机的乘客,导致乘客出行体验较差。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
针对现有技术中的问题,本发明的目的在于提供一种针对航班过站的告警方法、系统、设备及存储介质,利于提高对过站航班延误时长的预测准确性,利于使得航班顺利推出,减少航班积压,提高机场运行效率;也利于改善用户乘坐航班出发的体验。
为实现上述目的,本发明提供了一种针对航班过站的告警方法,所述方法包括以下步骤:
S110,获取待进港航班基于预设航班告警规则,触发生成的告警信息;
S120,提取所述告警信息中的告警项;
S130,获取与各所述告警项对应的第一预测时长;以及
S140,基于所述第一预测时长,计算得到与所述待进港航班对应的预测起飞延误时长和计划起飞时间,并向与所述待进港航班对应的候机乘客进行展示。
可选地,步骤S130包括:
将各所述告警项输入至经过训练的预设时间预测模型,得到与各所述告警项对应的第一预测时长。
可选地,步骤S130还包括:
获取机场的历史航班数据;
自所述历史航班数据中,筛选出仅存在一告警项的数据,作为参考数据;
获取所述参考数据中的告警项和对应的历史延误时长,作为第一训练样本数据;
基于所述第一训练样本数据,对预设时间预测模型进行训练,获得经过训练的预设时间预测模型。
可选地,步骤S130还包括:
获取航班在未进港降落前触发产生告警项的历史航班数据,作为第二训练样本数据;
基于所述第二训练样本数据,对预设时间预测模型进行训练,获得经过训练的预设时间预测模型;
步骤S140还包括:
基于未进港降落前触发产生的告警项,生成标注信息;并将所述标注信息展示给候机乘客,以提示当前航班正在飞行。
可选地,步骤S130和步骤S140之间,所述方法还包括:
获取航班在进港过程中触发告警信息后产生的告警项;
基于所述航班在进港过程中产生的告警项,预测得到对应的第二预测时长;
步骤S140包括:
基于所述第一预测时长和所述第二预测时长,计算得到与所述待进港航班对应的预测起飞延误时长和计划起飞时间。
可选地,步骤S140还包括:
在航班离港后且触发对应告警项为空管限制的告警信息时,向空管设备发送请求起飞信息;
根据空管设备返回的起飞确认信息,对计划起飞时间进行更新并发布。
可选地,步骤S140还包括:
在航班离港后,获取航班的离港时间,作为修正离港时间;
根据所述修正离港时间,对预测起飞延误时长和计划起飞时间进行更新并发布。
可选地,所述方法还包括步骤:
获取航班在离港后起飞前各个预设阶段中的第二延误时长;
根据所述修正离港时间、所述第二延误时长以及更新后的计划起飞时间,生成告警事件时间轴并展示于预设协同系统中,以及对历史航班数据数据库进行更新。
可选地,所述告警信息的状态包括待处理、处理中及已处理;步骤S140还包括:
当获取到一告警信息对应的计划起飞时间,将所述告警信息的状态由处理中切换为已处理,并于所述预设协同系统的告警弹窗页面中移除所述告警信息。
本发明还提供了一种针对航班过站的告警系统,用于实现上述针对航班过站的告警方法,所述系统包括:
告警信息生成模块,获取待进港航班基于预设航班告警规则,触发生成的告警信息;
告警项提取模块,提取所述告警信息中的告警项;
第一预测时长获取模块,获取与各所述告警项对应的第一预测时长;以及
延误时长计算模块,基于所述第一预测时长,计算得到与所述待进港航班对应的预测起飞延误时长和计划起飞时间,并向与所述待进港航班对应的候机乘客进行展示。
本发明还提供了一种针对航班过站的告警设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行程序;
其中,所述处理器配置为经由执行所述可执行程序来执行上述任意一项针对航班过站的告警方法的步骤。
本发明还提供了一种计算机可读存储介质,用于存储程序,所述程序被处理器执行时实现上述任意一项针对航班过站的告警方法的步骤。
本发明与现有技术相比,具有以下优点及突出性效果:
本发明提供的针对航班过站的告警方法、系统、设备及存储介质使得对于过站航班在起飞前如果触发可能导致延误的告警事件时,能够及时准确计算得到预测延误时长,并通知到候机乘客;利于提高对过站航班延误时长的预测准确性,利于使得航班顺利推出,减少航班积压,提高机场运行效率;也利于改善用户乘坐航班出发的体验。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。
图1为本发明一实施例公开的一种针对航班过站的告警方法的示意图;
图2为本发明另一实施例公开的一种针对航班过站的告警方法的示意图;
图3为本发明另一实施例公开的一种针对航班过站的告警方法中步骤S130的示意图;
图4为本发明另一实施例公开的一种针对航班过站的告警方法的示意图;
图5为本发明另一实施例公开的一种针对航班过站的告警方法的示意图;
图6为本发明另一实施例公开的一种针对航班过站的告警方法的示意图;
图7为本发明另一实施例公开的一种针对航班过站的告警方法的示意图;
图8为本发明一实施例公开的一种针对航班过站的告警系统的结构示意图;
图9为本发明一实施例公开的一种针对航班过站的告警设备的结构示意图;
图10为本发明一实施例公开的一种计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式。相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。
如图1所示,本发明一实施例公开了一种针对航班过站的告警方法。航班过站即表示一航班到达一机场落地之后,且间隔一时间段之后再飞往其他目的地。过站航班在进港降落前,可能由于天气原因、空管限制等因素,导致无法按时降落,进而导致下趟航班无法按时起飞导致延误。过站航班在进港后,也可能由于打扫卫生、更换餐食等环节耗时过长,进而导致下趟航班无法按时起飞导致延误。过站航班在起飞前,也可能由于滑行排队时长较长或者空管限制等因素,导致航班无法按时起飞。
本实施例中,该告警方法包括以下步骤:
S110,获取待进港航班基于预设航班告警规则,触发生成的告警信息。具体实施时,该步骤可以为:先获取与待进港航班相关联的告警事件,然后判断告警事件是否触发预设航班告警规则。如果触发,则根据对应的告警事件生成告警信息;如果未触发,则不生成告警信息。
上述预设航班告警规则比如可以包括航班在进港降落前,接收到包括预设识别码的告警事件;或者,还可以包括航班在进港后,打扫卫生环节耗时超过了第一预设时长阈值;或者,还可以包括:航班在滑行起飞前,滑行排队时长超过了第二预设时长阈值等。上述预设识别码用于表示航班遇到了恶劣天气或者空管限制等告警事件。告警事件也可以由航班工作人员、机场工作人员或者空管人员发布。
S120,提取上述告警信息中的告警项。具体而言,上述告警信息可以包括多组数据对,每一组数据对可以表现为告警项和对应预测延误时长的键值对形式。比如告警项可以为离港滑行排队时长过长;或者由于地面跑道出现特定事件,目前无法降落等;或者飞行过程中出现某一恶劣天气等。特定事件比如可以为地面跑道飞机出现火灾等。
当一些告警项不存在对应预测延误时长时,可以不展示对应预测延误时长。此种情况下,比如告警项可以为飞行过程中出现某一特定恶劣天气,或者空管限制等。该步骤中,也可以为告警信息中仅存在告警项,不存在对应的预测延误时长,且对应的预测延误时长全部在下一步骤中通过时间预测模型得到,这样可以保证上述预测延误时长的获得准确性,进而保证了后续对预测起飞延误时长和计划起飞时间的预测准确性,利于改善候机旅客体验。
S130,获取与各上述告警项对应的第一预测时长。具体实施时,该步骤可以通过使用经过训练的深度学习模型来预测得到,并且该深度学习模型在训练阶段,需要使用历史航班数据中的既往异常数据来训练,以保证预测的准确性。或者,该步骤也可以在产生告警信息中的告警项之后,通过向与告警项对应的负责角色(即为航班工作人员、机场工作人员或者空管人员)发送预估时长请求信息,该请求信息可以向对应负责角色展示表单,以供其填写该告警项对应可能延误的预估时长。然后将所有告警项对应可能延误的预估时长进行加和计算后,得到第一预测时长。
本实施例中,该步骤具体实施时,将各上述告警项输入至经过训练的预设时间预测模型,得到与各上述告警项对应的第一预测时长。
上述预设时间预测模型为深度学习模型,具体可以采用循环神经网络单元,即RNN(Recurrent Neural Network)单元,用于捕捉数据集中的时间序列信息。例如,在预测未来2-14天、每15分钟颗粒的应用中,模型通常需要对未来多个时间节点进行预测。其中LSTM(Long Short-Term Memory,长短期记忆网络)的性能相对更强。LSTM可训练出一种权重,这种权重一般被称为门。LSTM通过门来控制信息,对过去时间点的信息进行选择性记忆或遗忘,从而来保留有效信息,遗忘无效信息。在该实施例中,所述预设时间预测模型为LSTM模型,但本发明不限于此,在其他实施方式中,所述预设时间预测模型也可以采用其他类型的模型,例如卷积神经网络模型、决策树模型等。该预设时间预测模型在训练阶段中,需要通过历史航班数据中的既往异常数据来训练,以保证对预测起飞延误时长预测的准确性。
以及S140,基于上述第一预测时长,计算得到与上述待进港航班对应的预测起飞延误时长和计划起飞时间,并向与上述待进港航班对应的候机乘客进行展示。具体而言,若上述第一预测时长仅包括航班在落地前的延误时长,那么对应的预测起飞延误时长即为上述第一预测时长,新的计划起飞时间即为旧的计划起飞时间与预测起飞延误时长相加后得到的新的时间。此种情况下,该航班乘客在航班落地前即可提前知晓延误信息,相比于相关技术中由于在落地前无法准确预测延误时长,仅在落地后才通知乘客,导致乘客无法及时调整行程,从而使得本实施例利于改善乘客出行体验。
若上述第一预测时长不仅包括航班在落地前的延误时长,还包括航班在落地后进港前和/或进港后起飞前的延误时长,那么对应的预测起飞延误时长即为对上述所有阶段的延误时长进行加和计算得到。新的计划起飞时间即为旧的计划起飞时间与预测起飞延误时长相加后得到的新的时间。
在本申请的另一实施例中,公开了另一种针对航班过站的告警方法。如图2所示,该方法在上述图1对应实施例的基础上,步骤S130替换为步骤S150:将各上述告警项输入至经过训练的预设时间预测模型,得到与各上述告警项对应的第一预测时长。相比于可能采用的人工预估方案,该实施例可以利于提高第一预测时长的预测准确性;从而利于使得航班顺利推出,减少航班积压,提高机场运行效率。
在本申请的另一实施例中,公开了另一种针对航班过站的告警方法。如图3所示,该方法在上述图1对应实施例的基础上,步骤S130包括:
S131,获取机场的历史航班数据。
S132,自上述历史航班数据中,筛选出仅存在一告警项的数据,作为参考数据。
S133,获取上述参考数据中的告警项和对应的历史延误时长,作为第一训练样本数据。
S134,基于上述第一训练样本数据,对预设时间预测模型进行训练,获得经过训练的预设时间预测模型。
S135,将各上述告警项输入至经过训练的预设时间预测模型,得到与各上述告警项对应的第一预测时长。
具体而言,该实施例中,在对上述预设时间预测模型进行训练时,筛选出均存在一个异常的告警项的数据,作为针对该告警项进行训练的样本数据,使得训练过程更有针对性,这样可以利于提高针对该告警项进行延误时长的预测准确性;进而利于提高整体的第一预测时长的准确性,也利于改善乘客出行体验。
在本申请的另一实施例中,公开了另一种针对航班过站的告警方法。如图4所示,该实施例在上述图1对应实施例的基础上,上述步骤S130包括步骤:
S136,获取航班在未进港降落前触发产生告警项的历史航班数据,作为第二训练样本数据。
S137,基于上述第二训练样本数据,对预设时间预测模型进行训练,获得经过训练的预设时间预测模型。
S138,将各上述告警项输入至经过训练的预设时间预测模型,得到与各上述告警项对应的第一预测时长。
本实施例通过采用历史航班数据中航班在未进港降落前触发产生告警项的数据,对预设时间预测模型进行针对性训练,这样可以利于提高针对该告警项进行延误时长的预测准确性;进而利于提高整体的第一预测时长的准确性,也利于改善乘客出行体验。
该实施例中,上述步骤S140替换为步骤S160:
基于上述第一预测时长,计算得到与上述待进港航班对应的预测起飞延误时长和计划起飞时间,并向与上述待进港航班对应的候机乘客进行展示。基于未进港降落前触发产生的告警项,生成标注信息;并将上述标注信息展示给候机乘客,以提示当前航班正在飞行。
这样可以使得该航班乘客在航班落地前即可提前知晓延误信息,相比于相关技术中由于在落地前无法准确预测延误时长,仅在落地后才通知乘客,导致乘客无法及时调整行程,从而使得本实施例利于改善乘客出行体验。
在本申请的另一实施例中,公开了另一种针对航班过站的告警方法。如图5所示,该实施例在上述图1对应实施例的基础上,在步骤S130之后,上述方法还包括步骤:
S1391,获取航班在进港过程中触发告警信息后产生的告警项。
S1392,基于上述航班在进港过程中产生的告警项,预测得到对应的第二预测时长。
步骤S140替换为步骤S170:
基于上述第一预测时长和上述第二预测时长,计算得到与上述待进港航班对应的预测起飞延误时长和计划起飞时间,并向与上述待进港航班对应的候机乘客进行展示。
这样可以实现不仅利用航班进港前的告警项进行预测,还利用航班在进港过程中的告警项进行预测,利于提高对预测起飞延误时长的预测准确性;从而利于使得航班顺利推出,减少航班积压,提高机场运行效率。上述预测起飞延误时长可以基于第一预测时长和上述第二预测时长进行加和计算得到。新的计划起飞时间即为旧的计划起飞时间与预测起飞延误时长相加后得到的新的时间。
在一些可选实施例中,在上述图5对应实施例的基础上,步骤S140还包括:
S141,在航班离港后且触发对应告警项为空管限制的告警信息时,向空管设备发送请求起飞信息。
S142,根据空管设备返回的起飞确认信息,对计划起飞时间进行更新并发布。
这样可以使得一些情况下,对告警项为空管限制的告警信息的延误时长的判断更加准确,利于提高对预测起飞延误时长的预测准确性;从而利于使得航班顺利推出,减少航班积压,提高机场运行效率。同时,可以使得乘客知晓更加准确的起飞时间,利于改善乘客体验。
并且可选地,在航班起飞后,将实际起飞时间更新至历史航班数据库,这样可以利于提高后期预测延误时长的准确性。
在本申请的另一实施例中,公开了另一种针对航班过站的告警方法。如图6所示,该方法在上述图1对应实施例的基础上,步骤S140包括:
S143,基于所述第一预测时长,计算得到与所述待进港航班对应的预测起飞延误时长和计划起飞时间。
S144,在航班离港后,获取航班的离港时间,作为修正离港时间。
S145,根据上述修正离港时间,对预测起飞延误时长和计划起飞时间进行更新并发布。
在对计划起飞时间进行更新过程中,可以获取航班在离港后起飞前这个阶段的预测起飞延误时长,然后将上述修正离港时间和上述阶段的预测起飞延误时长加和计算后,得到更新后的计划起飞时间。
这样可以使得计划起飞时间的预测更加准确,从而利于使得航班顺利推出,减少航班积压,提高机场运行效率。同时,可以使得乘客知晓更加准确的起飞时间,利于改善乘客体验。
如图7所示,在一些可选实施例中,在上述图6对应实施例的基础上,上述告警方法还包括步骤:
S180,获取航班在离港后起飞前各个预设阶段中的第二延误时长。
S190,根据上述修正离港时间、上述第二延误时长以及更新后的计划起飞时间,生成告警事件时间轴并展示于预设协同系统中,并对历史航班数据数据库进行更新。
示例性地,上述预设阶段比如可以为进入跑道前滑行阶段、进入跑道后滑行阶段等。上述告警事件时间轴可以便于机场工作人员或者空管人员对离港航班进行安排管理,从而利于使得航班顺利推出,减少航班积压,提高机场运行效率。
在一些可选实施例中,上述告警信息的状态包括待处理、处理中及已处理。在上述图7对应实施例的基础上,步骤S140还包括:
当获取到一告警信息对应的计划起飞时间,将上述告警信息的状态由处理中切换为已处理,并于上述预设协同系统的告警弹窗页面中移除上述告警信息。
这样可以将告警信息的状态变化情况及时告知机场工作人员或者空管人员,便于机场工作人员或者空管人员对离港航班进行安排管理,从而利于使得航班顺利推出,减少航班积压,提高机场运行效率。
需要说明的是,本申请中公开的上述所有实施例可以进行自由组合,组合后得到的技术方案也在本申请的保护范围之内。
如图8所示,本发明一实施例还公开了一种针对航班过站的告警系统8,该系统包括:
告警信息生成模块81,获取待进港航班基于预设航班告警规则,触发生成的告警信息。
告警项提取模块82,提取上述告警信息中的告警项。
第一预测时长获取模块83,获取与各上述告警项对应的第一预测时长。以及
延误时长计算模块84,基于上述第一预测时长,计算得到与上述待进港航班对应的预测起飞延误时长和计划起飞时间,并向与上述待进港航班对应的候机乘客进行展示。
可以理解的是,本发明的针对航班过站的告警系统还包括其他支持针对航班过站的告警系统运行的现有功能模块。图8显示的针对航班过站的告警系统仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
本实施例中的针对航班过站的告警系统用于实现上述的针对航班过站的告警的方法,因此对于针对航班过站的告警系统的具体实施步骤可以参照上述对针对航班过站的告警的方法的描述,此处不再赘述。
本发明一实施例还公开了一种针对航班过站的告警设备,包括处理器和存储器,其中存储器存储有所述处理器的可执行程序;处理器配置为经由执行可执行程序来执行上述针对航班过站的告警方法中的步骤。图9是本发明公开的针对航班过站的告警设备的结构示意图。下面参照图9来描述根据本发明的这种实施方式的电子设备600。图9显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行本说明书上述针对航班过站的告警方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元610可以执行如图1中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本发明还公开了一种计算机可读存储介质,用于存储程序,所述程序被执行时实现上述针对航班过站的告警方法中的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述针对航班过站的告警方法中描述的根据本发明各种示例性实施方式的步骤。
如上所示,该实施例的计算机可读存储介质的程序在执行时,使得对于过站航班在起飞前如果触发可能导致延误的告警事件时,能够及时准确计算得到预测延误时长,并通知到候机乘客;利于提高过站航班延误预测准确性,利于使得航班顺利推出,减少航班积压,提高机场运行效率;也利于改善用户乘坐航班出发的体验。
图10是本发明的计算机可读存储介质的结构示意图。参考图10所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例提供的针对航班过站的告警方法、系统、设备及存储介质使得对于过站航班在起飞前如果触发可能导致延误的告警事件时,能够及时准确计算得到预测延误时长,并通知到候机乘客;利于提高过站航班延误预测准确性,利于使得航班顺利推出,减少航班积压,提高机场运行效率;也利于改善用户乘坐航班出发的体验。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (12)
1.一种针对航班过站的告警方法,其特征在于,包括以下步骤:
S110,获取待进港航班基于预设航班告警规则,触发生成的告警信息;
S120,提取所述告警信息中的告警项;
S130,获取与各所述告警项对应的第一预测时长;以及
S140,基于所述第一预测时长,计算得到与所述待进港航班对应的预测起飞延误时长和计划起飞时间,并向与所述待进港航班对应的候机乘客进行展示。
2.如权利要求1所述的针对航班过站的告警方法,其特征在于,步骤S130包括:
将各所述告警项输入至经过训练的预设时间预测模型,得到与各所述告警项对应的第一预测时长。
3.如权利要求2所述的针对航班过站的告警方法,其特征在于,步骤S130还包括:
获取机场的历史航班数据;
自所述历史航班数据中,筛选出仅存在一告警项的数据,作为参考数据;
获取所述参考数据中的告警项和对应的历史延误时长,作为第一训练样本数据;
基于所述第一训练样本数据,对预设时间预测模型进行训练,获得经过训练的预设时间预测模型。
4.如权利要求2所述的针对航班过站的告警方法,其特征在于,步骤S130还包括:
获取航班在未进港降落前触发产生告警项的历史航班数据,作为第二训练样本数据;
基于所述第二训练样本数据,对预设时间预测模型进行训练,获得经过训练的预设时间预测模型;
步骤S140还包括:
基于未进港降落前触发产生的告警项,生成标注信息;并将所述标注信息展示给候机乘客,以提示当前航班正在飞行。
5.如权利要求1所述的针对航班过站的告警方法,其特征在于,步骤S130和步骤S140之间,所述方法还包括:
获取航班在进港过程中触发告警信息后产生的告警项;
基于所述航班在进港过程中产生的告警项,预测得到对应的第二预测时长;
步骤S140包括:
基于所述第一预测时长和所述第二预测时长,计算得到与所述待进港航班对应的预测起飞延误时长和计划起飞时间。
6.如权利要求5所述的针对航班过站的告警方法,其特征在于,步骤S140还包括:
在航班离港后且触发对应告警项为空管限制的告警信息时,向空管设备发送请求起飞信息;
根据空管设备返回的起飞确认信息,对计划起飞时间进行更新并发布。
7.如权利要求1所述的针对航班过站的告警方法,其特征在于,步骤S140还包括:
在航班离港后,获取航班的离港时间,作为修正离港时间;
根据所述修正离港时间,对预测起飞延误时长和计划起飞时间进行更新并发布。
8.如权利要求7所述的针对航班过站的告警方法,其特征在于,所述方法还包括步骤:
获取航班在离港后起飞前各个预设阶段中的第二延误时长;
根据所述修正离港时间、所述第二延误时长以及更新后的计划起飞时间,生成告警事件时间轴并展示于预设协同系统中,以及对历史航班数据数据库进行更新。
9.如权利要求8所述的针对航班过站的告警方法,其特征在于,所述告警信息的状态包括待处理、处理中及已处理;步骤S140还包括:
当获取到一告警信息对应的计划起飞时间,将所述告警信息的状态由处理中切换为已处理,并于所述预设协同系统的告警弹窗页面中移除所述告警信息。
10.一种针对航班过站的告警系统,用于实现如权利要求1所述的针对航班过站的告警方法,其特征在于,所述系统包括:
告警信息生成模块,获取待进港航班基于预设航班告警规则,触发生成的告警信息;
告警项提取模块,提取所述告警信息中的告警项;
第一预测时长获取模块,获取与各所述告警项对应的第一预测时长;以及
延误时长计算模块,基于所述第一预测时长,计算得到与所述待进港航班对应的预测起飞延误时长和计划起飞时间,并向与所述待进港航班对应的候机乘客进行展示。
11.一种针对航班过站的告警设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行程序;
其中,所述处理器配置为经由执行所述可执行程序来执行权利要求1至9中任意一项所述针对航班过站的告警方法的步骤。
12.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被处理器执行时实现权利要求1至9中任意一项所述针对航班过站的告警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310532618.1A CN116562447A (zh) | 2023-05-11 | 2023-05-11 | 针对航班过站的告警方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310532618.1A CN116562447A (zh) | 2023-05-11 | 2023-05-11 | 针对航班过站的告警方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116562447A true CN116562447A (zh) | 2023-08-08 |
Family
ID=87496041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310532618.1A Pending CN116562447A (zh) | 2023-05-11 | 2023-05-11 | 针对航班过站的告警方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562447A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117789538A (zh) * | 2024-02-28 | 2024-03-29 | 南京莱斯信息技术股份有限公司 | 一种基于规则引擎的航班动态连班方法 |
-
2023
- 2023-05-11 CN CN202310532618.1A patent/CN116562447A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117789538A (zh) * | 2024-02-28 | 2024-03-29 | 南京莱斯信息技术股份有限公司 | 一种基于规则引擎的航班动态连班方法 |
CN117789538B (zh) * | 2024-02-28 | 2024-05-24 | 南京莱斯信息技术股份有限公司 | 一种基于规则引擎的航班动态连班方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501039B2 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
JP7288740B2 (ja) | 周囲交通に対する飛行予測 | |
CN107526312B (zh) | 交通工具操作指令确认 | |
JP6034130B2 (ja) | 航空機パラメータを推定するための方法およびシステム | |
US20180225976A1 (en) | Automated real-time clearance analysis for air traffic | |
JP6228635B2 (ja) | 安全を再重視すべき産業において職員作業混乱を管理するための方法およびシステム | |
US20150269491A1 (en) | Predicting arrival times of vehicles based upon observed schedule adherence | |
Wang et al. | Uncertainty quantification and reduction in aircraft trajectory prediction using Bayesian-Entropy information fusion | |
CN116562447A (zh) | 针对航班过站的告警方法、系统、设备及存储介质 | |
CN109598373A (zh) | 一种基于ads-b数据的用于预测航班到达时间的预处理方法 | |
EP3447750B1 (en) | Method and system for real-time validation of an operational flight path for an aircraft | |
CN105404707A (zh) | 可配置的机载信息处理 | |
Li et al. | Analysis of operational and mechanical anomalies in scheduled commercial flights using a logarithmic multivariate Gaussian model | |
Everdij et al. | Structured assessment of bias and uncertainty in Monte Carlo simulated accident risk | |
US20200342769A1 (en) | Systems and methods for predicting flight safety events using a learning-based model | |
CN107544536B (zh) | 用于基于性能的到达以及排序和间距的方法和系统 | |
EP3723067A1 (en) | Systems and methods for predicting flight safety events using a learning-based model | |
Anderson et al. | Analysis of flight delays in aviation system using different classification algorithms and feature selection methods | |
CN113095625B (zh) | 一种民航机场不安全事件分级方法及系统 | |
US20240105063A1 (en) | Forecasting using real-time flight leg data | |
EP4290327A1 (en) | Component maintenance prediction system with behavior modeling | |
US20230401964A1 (en) | Stochastic flight planning systems and methods | |
Rakas et al. | Analysis of Air Traffic Control Command Entries and the Impact on Decision Support Tool Performance | |
Jamal et al. | Machine Learning-based Aircraft Conflict Prediction: A Systematic Literature Review | |
Lee et al. | Prediction of aircraft delay at busy airport considering weather information with machine learning techniques |
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 |