CN116911434A - 一种机场运行态势预测方法、装置、系统以及存储介质 - Google Patents

一种机场运行态势预测方法、装置、系统以及存储介质 Download PDF

Info

Publication number
CN116911434A
CN116911434A CN202310678672.7A CN202310678672A CN116911434A CN 116911434 A CN116911434 A CN 116911434A CN 202310678672 A CN202310678672 A CN 202310678672A CN 116911434 A CN116911434 A CN 116911434A
Authority
CN
China
Prior art keywords
flight
airport
data
model
time
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
CN202310678672.7A
Other languages
English (en)
Inventor
廉冠
张晓玥
郭雪松
于嘉欣
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202310678672.7A priority Critical patent/CN116911434A/zh
Publication of CN116911434A publication Critical patent/CN116911434A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)

Abstract

本发明提供一种机场运行态势预测方法、装置、系统以及存储介质，属于机场控制领域，方法包括：对机场结构图以及原始机场航班数据进行预处理，得到目标特征数据；通过所有目标特征数据对训练模型进行训练得到预测模型；通过预测模型对待预测机场航班数据进行预测得到机场运行态势预测结果。本发明精准预测识别机场的交通流态势，有利于大幅度提高机场运行效率，从而提高航班放行正常率，为航班计划制定、飞行区场面态势判别、监控、航班延误水平预测、管制运行绩效评价等方面提供依据，同时，也有助于分析场面结构与交通流的适应性问题，为机场各阶段流量管理提供客观、准确的支持信息。

Description

一种机场运行态势预测方法、装置、系统以及存储介质
技术领域
本发明主要涉及机场控制技术领域，具体涉及一种机场运行态势预测方法、装置、系统以及存储介质。
背景技术
传统的短时交通流预测方法较为单一，然而机场交通的特征没有得到良好体现。一种基于多条件随机场的短时交通流量预测模型是被需要的。有的学者尝试将航空交通的特性加入预测模型中：张波将航空因素引入地面交通拥堵预测模型中，结果显示航空因素对于机场地面交通的预测具有重要影响，证实了机场地面交通预测的特殊性。胡春政考虑空侧因素，引入机场节点动态容量、预计起飞时间、最小飞行与周转时间等关键参数建立了机场网络延误模型。然而忽略了影响飞机起飞的还有机场场面因素。因此学者开始考虑研究机场场面交通流：由于随着场面航空器数量的不断增加，航空器在滑行道区域涌现出特有的交通流特性。张红颖从交通流三要素关系出发，利用交通流三要素机理研究滑行时的随机因素和交叉口处的交通特性从流量与到达率的关系、密度与平均速度和平均流量的关系以及时空图等方面验证。但是未能研究延误传播演变机理。有的学者注意到机场场面交通是基于空管控制的，造成延误的因素和延误本身的研究意义重大。宋捷基于航班运行数据建立延误传播特征指标，提出基于深度学习的航班起降延误预测方法。但是该研究宏观，无法显示具体拥堵的地点。因此部分学者对造成离场拥堵进行了研究，大部分离场态势研究将重点放在了滑行道上：王思敏融合滑行过程的三个微观参数(无扰滑行时间、跑道容量限制排队等待时间和冲突避让延误时间)预测以导出跑道起飞率实现了场面离场交通流拥堵态势预测。衡红军针对机场场面复杂路网的交通特性，将机场转化成多一维元胞自动机模型，并对机场场面交通进行了模拟仿真合理的表现机场上飞机的行为规则。薛清文基于滑行道航空器运行规则，结合元胞传输模型(CTM)，建立宏观的滑行道航空器交通流元胞传输模型，推理滑行道交通流基本参数之间的关系和相变特征。杨磊采用元胞传输机理论利用仿真平台推演分析了离场交通流基础相变特征及其影响机理。将场面离场交通流定义为存在自由态、亚稳态、拥堵累积态和拥堵死锁死4种基础相态，指出调节与进场率相协调的推出率是有效控制离场交通流密度，缓解场面拥堵的重要手段。当机场地面产生拥挤或将要产生拥挤时，持续的航班推出滑行势必会造成拥挤程度的恶化，进而延长离场航班在滑行过程中的滑行等待时间。滑行中航空器的发动机是不停歇的，滑行等待时间的增加意味着燃油消耗增多以及排放物的增加。侯文涛通过对离场航班的推出率控制来缓解机场拥挤。周建构建单跑道排队模型和滑行道系统模型，然后提出了推出率计算步骤和控制模型。张亚平在飞机离港过程传统N控制策略基础上，提出一种基于停机位等待惩罚的推出控制策略。且要求推出频率随当前滑行道排队长度实时变化，基于连续时间马尔科夫链的迭代优化算法。场面推出滑行量，平均架次等待时长，总的滑行等待时间被控制在一个相对较低水平。结果表明，在一个高峰小时内实施推出率控制策略之后，离港航空器的平均滑出时间、燃油消耗总量、机场管制员的总工作负荷下降。
从以上研究可以看出：
(1)大部分关于机场场面交通态势的研究将重点放在滑行道的拥堵研究上，然而飞机滑行路径的最优选择问题以及如何规避滑行冲突问题也会影响到滑行道的拥堵，尤其是在多跑道的机场，然而目前研究尚未考到机场场面是一个系统，因此目前仅考虑拥堵一个因素的机场场面态势研究比较单薄。
针对预测模型的构建，大部分交通态势预测研究搭建较为单一的时序预测模型，如经典时序模型，虽然能体现时间因素在预测中的作用，但其对实验数据的准确性很敏感，不良数据容易影响实验结果。同时，经典的时间序列模型无法体现交通态势的时空特征。为了进一步挖掘机场场面交通态势的空间性信息，构建卷积神经网络与长短期记忆网络组合预测模型，提高机场场面交通态势预测精度。
(2)现有态势研究大部分是针对事后的评价，无法为场面交通提供事前指导；
(3)机场场面态势复杂。在选择预测模型的输入指标时，基于某单一交通流参数，对未来数据进行预测。常常只依赖于时间特性，忽略交通系统的空间特征，而只关注历史交通态势数据的线性和非线性拟合。无法体现机场交通整体特征，无法判断交通态势的演变。机场场面的交通系统是一个复杂的交通系统，飞机滑行过程受多种因素影响同时影响因素之间也存在复杂的非线性相关性，简单的线性关系难以准确地描述复杂的相关关系。例如：大型机场逐渐引入推出控制策略，推出控制系统基于观察起飞因素来减少进入场面的飞机从而使得进入滑行道的飞机数量更加合理，然而现有研究并未考虑到实行该系统后的影响。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种机场运行态势预测方法、装置、系统以及存储介质。
本发明解决上述技术问题的技术方案如下：一种机场运行态势预测方法，包括如下步骤：
导入机场结构图以及多个原始机场航班数据，对所述机场结构图以及多个所述原始机场航班数据进行预处理，得到与各个所述原始机场航班数据对应的目标特征数据；
构建训练模型，通过所有所述目标特征数据对所述训练模型进行训练，得到预测模型；
导入待预测机场航班数据，通过所述预测模型对所述待预测机场航班数据进行预测，得到机场运行态势预测结果。
本发明解决上述技术问题的另一技术方案如下：一种机场运行态势预测装置，包括：
预处理模块，用于导入机场结构图以及多个原始机场航班数据，对所述机场结构图以及多个所述原始机场航班数据进行预处理，得到与各个所述原始机场航班数据对应的目标特征数据；
训练模块，用于构建训练模型，通过所有所述目标特征数据对所述训练模型进行训练，得到预测模型；
预测结果获得模块，用于导入待预测机场航班数据，通过所述预测模型对所述待预测机场航班数据进行预测，得到机场运行态势预测结果。
基于上述一种机场运行态势预测方法，本发明还提供一种机场运行态势预测系统。
本发明解决上述技术问题的另一技术方案如下：一种机场运行态势预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的机场运行态势预测方法。
基于上述一种机场运行态势预测方法，本发明还提供一种计算机可读存储介质。
本发明解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的机场运行态势预测方法。
本发明的有益效果是：通过对机场结构图以及原始机场航班数据的预处理得到目标特征数据，通过目标特征数据对训练模型的训练得到预测模型，通过预测模型对待预测机场航班数据的预测得到机场运行态势预测结果，精准预测识别机场的交通流态势，有利于大幅度提高机场运行效率，从而提高航班放行正常率，为航班计划制定、飞行区场面态势判别、监控、航班延误水平预测、管制运行绩效评价等方面提供依据，同时，也有助于分析场面结构与交通流的适应性问题，为机场各阶段流量管理提供客观、准确的支持信息。
附图说明
图1为本发明实施例提供的一种机场运行态势预测方法的流程示意图；
图2为本发明实施例提供的另一种机场运行态势预测方法的仿真流程示意图；
图3为本发明实施例提供的另一种机场运行态势预测方法的预测流程示意图；
图4为本发明实施例提供的一种机场运行态势预测装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的一种机场运行态势预测方法的流程示意图。
如图1所示，一种机场运行态势预测方法，包括如下步骤：
导入机场结构图以及多个原始机场航班数据，对所述机场结构图以及多个所述原始机场航班数据进行预处理，得到与各个所述原始机场航班数据对应的目标特征数据；
构建训练模型，通过所有所述目标特征数据对所述训练模型进行训练，得到预测模型；
导入待预测机场航班数据，通过所述预测模型对所述待预测机场航班数据进行预测，得到机场运行态势预测结果。
上述实施例中，通过对机场结构图以及原始机场航班数据的预处理得到目标特征数据，通过目标特征数据对训练模型的训练得到预测模型，通过预测模型对待预测机场航班数据的预测得到机场运行态势预测结果，精准预测识别机场的交通流态势，有利于大幅度提高机场运行效率，从而提高航班放行正常率，为航班计划制定、飞行区场面态势判别、监控、航班延误水平预测、管制运行绩效评价等方面提供依据，同时，也有助于分析场面结构与交通流的适应性问题，为机场各阶段流量管理提供客观、准确的支持信息。
可选地，作为本发明的一个实施例，所述原始机场航班数据包括航班信息、航班进场总数、多个航班舱门关闭时间、多个航班撤轮挡时间、多个航班预计到达时间、多个航班实际到达时间、多个航班预计起飞时间以及多个航班实际起飞时间，
所述对所述机场结构图以及多个所述原始机场航班数据进行预处理，得到与各个所述原始机场航班数据对应的目标特征数据的过程包括：
通过第一式计算与各个所述航班信息对应的多个航班预计到达时间以及与各个所述航班信息对应的多个航班实际到达时间的平均值，得到与各个所述航班信息对应的航班进场时间偏差，所述第一式为：
其中，I1为航班进场时间偏差，ATil为第i个进场航班的航班实际到达时间，ETil为第i个进场航班的航班预计到达时间，N为航班进场总数；
通过第二式计算与各个所述航班信息对应的多个航班预计起飞时间以及与各个所述航班信息对应的多个航班实际起飞时间的平均值，得到与各个所述航班信息对应的航班离场时间偏差，所述第二式为：
其中，I2为航班进场航班滑行时间，ATid为第i个进场航班的航班实际起飞时间，ETid为第i个进场航班的航班预计起飞时间，N为航班进场总数；
通过第三式计算与各个所述航班信息对应的多个航班舱门关闭时间以及与各个所述航班信息对应的多个航班撤轮挡时间的平均值，得到与各个所述航班信息对应的航班保障结束时间偏差，所述第三式为：
其中，I3为航班保障结束时间偏差，ABTi为第i个进场航班的航班撤轮挡时间，ARTi为第i个进场航班的航班舱门关闭时间，N为航班进场总数；
分别对所述机场结构图以及各个所述航班信息进行仿真分析，得到与各个所述航班信息对应的航班离场滑行时间以及与各个所述航班信息对应的航班离场排队长度；
将各个所述航班进场时间偏差、与各个所述航班信息对应的航班离场时间偏差、与各个所述航班信息对应的航班保障结束时间偏差、与各个所述航班信息对应的航班离场滑行时间以及与各个所述航班信息对应的航班离场排队长度一并作为与各个所述原始机场航班数据对应的待归一化特征数据；
分别对各个所述待归一化特征数据进行归一化处理，得到与各个所述原始机场航班数据对应的目标特征数据。
应理解地，进场时间偏差I1(即所述航班进场时间偏差)：进场航班的实际到达时间(即所述航班实际到达时间)与预计到达时间(即所述航班预计到达时间)偏差，体现进场航班延误情况对场面态势的影响，计算公式为：
式中，ATil——进场航班i的实际到达时间(即所述第i个进场航班的航班实际到达时间)；
ETil——进场航班i的预计到达时间(即所述第i个进场航班的航班预计到达时间)；
N——统计周期内进场航班架次(即所述航班进场总数)。
具体地，离场时间偏差I2(即所述航班进场航班滑行时间)：离场航班的实际起飞时间(即所述航班实际起飞时间)与预计起飞时间(即所述航班预计起飞时间)偏差，偏差过大会导致机场场面滑行道占用时间过长，可能导致跑道端排队现象，影响后续航班的起降，计算公式为：
式中，ETid——进场航班i的预计起飞时间(即所述第i个进场航班的航班预计起飞时间)；
ATid——进场航班i的实际起飞时间(即所述第i个进场航班的航班实际起飞时间)；
N——统计周期内进场航班架次(即所述航班进场总数)。
具体地，保障完成时间偏差I3(即所述航班保障结束时间偏差)：统计周期内所有航班的实际准备好时间(即所述航班舱门关闭时间)与实际撤轮挡时间(即所述航班撤轮挡时间)平均值，计算公式为：
式中，ARTi——航班i的飞行保证工作的完成时间，即舱门的关闭时间(即所述第i个进场航班的航班舱门关闭时间)；
ABTi——航班i从停机位启动的时间，即撤轮挡时间(即所述第i个进场航班的航班撤轮挡时间)；
N——统计周期内进场航班架次(即所述航班进场总数)。
应理解地，离场航班平均滑行距离I4(即所述航班离场排队长度)：统计周期离场航班平均滑行路径长度。离场航班推出至跑道端的滑行路径通常是根据管制员制定的滑行路径依据滑行规则滑行，无法直接得到，需要对机场场面交通(即所述航班信息以及所述机场结构图)仿真获得。
具体地，离场航班平均排队时间I5(即所述航班离场滑行时间)：所有离场飞机在跑道端排队等待时间，离场航班在起飞前需要按照一定的顺序进行排队等待，如果该队列排队时间过长，会导致起飞变慢从而导致后续航班延误，对机场场面交通状况产生影响。排队等待时间由机场场面运行数据(即所述航班信息以及所述机场结构图)仿真得到。
具体地，在进行预测之前，使用max-min归一化方法对样本数据(即所述待归一化特征数据)进行预处理操作，将数据变化范围限制在[0,1]区间内，预测之后再进行反归一化对预测结果进行复原，这样可以有效地缩短运算时间，且提高了规范度，公式如下：
其中：X′代表归一化后的值，X代表原始值，Xmin、Xmax为训练样本的最小值、最大值。
上述实施例中，对机场结构图以及多个原始机场航班数据进行预处理得到目标特征数据，可以有效地缩短运算时间，且提高了规范度，精准预测识别机场的交通流态势，有利于大幅度提高机场运行效率，也为机场各阶段流量管理提供客观、准确的支持信息。
可选地，作为本发明的一个实施例，所述分别对所述机场结构图以及各个所述航班信息进行仿真分析，得到与各个所述航班信息对应的航班离场滑行时间以及与各个所述航班信息对应的航班离场排队长度的过程包括：
通过MATLAB软件对所述机场结构图进行标记，得到多个停机位点、多个滑行道位置点以及多个地理节点；
利用floyd算法对所有所述停机位点、所有所述滑行道位置点以及所有所述地理节点进行最短路径的计算，得到多个目标滑行路径；
导入仿真参数，并通过所述MATLAB软件构建数字仿真模型，并通过所述数字仿真模型对所述仿真参数、各个所述航班信息以及多个所述目标滑行路径进行仿真，得到事件矩阵以及与各个所述航班信息对应的位置事件元胞；
通过所述MATLAB软件分别对各个所述位置事件元胞进行时序扫描，得到与各个所述航班信息对应的多个航班节点时间；
分别将与各个所述航班信息对应的多个航班节点时间进行求和，得到与各个所述航班信息对应的航班离场滑行时间；
从事件矩阵提取航班离场排队长度，从而得到与各个所述航班信息对应的航班离场排队长度。
应理解地，所述MATLAB软件是matrix&laboratory两个词的组合，意为矩阵工厂(矩阵实验室)，软件主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言(如C、Fortran)的编辑模式。
应理解地，所述floyd算法是一种功能强大的图算法，可以在带权有向图中找到任意两个节点之间的最短路径和距离，同时具备处理负权边和多源最短路径的能力。
具体而言，Floyd算法可以实现以下功能：
最短路径计算：通过Floyd算法，可以计算出图中任意两个节点之间的最短路径。这些路径可以是带权重的，表示节点之间的距离、代价或其他度量指标。
源最短路径：Floyd算法能够处理多源最短路径问题，即计算出图中所有节点对之间的最短路径和距离。它通过迭代更新距离矩阵来实现这一功能。
具体地，构建仿真模型是在接到起飞指令后，飞机由牵引车牵引通过停机坪进入滑行道，形成滑行道航班队列，此为第一个排队队列，称为Ⅰ级排队系统，而后经滑行道服务后进入跑道队列，此为第二个排队队列，称为Ⅱ级排队系统。
将飞机在滑行道等待并进入跑道起飞的过程建模成一个有队列长度限制的排队系统Ⅱ(M/M/1/∞/∞)，跑道为服务器，滑行起飞平均时间μ为该系统的服务效率，到达速率λ为进入滑行道的到达效率，该过程队列不是严格意义上的直线但仍遵循FCFS原则，与传统的排队系统相比，该模型因为受到推出控制，到达速率λ达到队列长度阈值后会变为0。
飞机在停机位等待推出进入滑行道的申请过程被建模成为一个无长度限制的排队系统Ⅰ(M/M/1/N/∞)，该队列是关于请求排列的虚拟队列。到达速率服从泊松分布，服务速率于Ⅱ级队列长度有关，当其达到阈值时，服务速率为0，此处体现了推出控制。该队列是申请的虚拟队列，虽然该队列不存在现实中但仍遵守FCFS原则。显然，进入Ⅱ系统中的飞行器是经过推出控制后的，因此Ⅱ系统中的到达率λ是随队长的变化而变化的：
系统得不到精确解其结果可以通过仿真来得到。
具体地，仿真分析如下：
一、根据机场平面图建立机场网络流图，将网络流点分为三类：停机位点(起点)、滑行道上的位置点(终点)、其余地理节点，首先将机场解构为由节点和链接组成的网络拓扑结构，统计距离矩阵；
二、输入机场结构矩阵；
三、用Floyd算法floyd算法生成以各停机位为起点的滑行最短路径(生成一副带权值的有向图)；
四、航班到达、出发时间转化为分输入航班预计推出时间信；
五、设定推出控制系统参数滑行速度默认为平均滑行速度10节/小时，即5.14米/秒服务时间为服从指数分布的均值为1.73的随机数，排队阈值设为15。第二个排队系统Ⅱ的输入即为第一个排队系统Ⅰ的输出；
六、随机生成的离港航班进入滑行道―跑道串联排队系统，航班经停机位虚拟队列、最短滑行路径、跑道等候起飞队列之后离开系统过程：赋值第一架飞机请求进入滑行道的时间为t1，此时停机位的等待时间和队长都为0，飞机从停机位进入滑行道的等待时间为实际进入滑行道时间减去从停机位滑行至滑行道的时间，此时系统中排队长度为1架飞机，排队长度表现为单位时间段内，实际推出时间大于请求推出时间的飞机架次，推出时刻加服务的时间与滑行时间为其离开滑行道的时间，对上述流程进行动态更新；生成事件矩阵；
七、生成位置时间元胞；
八、位置的时序扫描：通过对时间元胞扫描输出到达选择的最短路径节点中各个(除了起点以外)位置的时间，求和得到离场航班滑行时间，通过事件矩阵，对该小时内的离场航班长度累计计数，得到离场航班排队长度指标。
上述实施例中，分别对机场结构图以及航班信息进行仿真分析得到航班离场滑行时间以及航班离场排队长度，可以有效地缩短运算时间，且提高了规范度，精准预测识别机场的交通流态势，有利于大幅度提高机场运行效率，也为机场各阶段流量管理提供客观、准确的支持信息。
可选地，作为本发明的一个实施例，所述构建训练模型，通过所有所述目标特征数据对所述训练模型进行训练，得到预测模型的过程包括：
构建训练模型，并导入与各个所述目标特征数据对应的真实值，通过所有所述目标特征数据和所有所述真实值对所述训练模型进行模型训练，得到训练后模型以及与各个所述目标特征数据对应的待处理特征值；
分别对各个所述待处理特征值进行反归一化处理，得到与各个所述目标特征数据对应的预测值；
计算所有所述真实值与所有所述预测值的误差指标，并根据计算结果将所述训练后模型作为预测模型。
应理解地，所述真实值指的是流量的真实数据，通过所述真实值与所述预测值的对比，可以知晓预测模型的性能。
应理解地，训练神经网络模型归一化，对预测结果进行反归一化便于与原始标签进行比较，用于衡量模型的性能。
应理解地，预测之后再进行反归一化对预测结果(即所述待处理特征值)进行复原，这样可以有效地缩短运算时间，且提高了规范度。
上述实施例中，通过目标特征数据和真实值对训练模型的模型训练得到训练后模型以及待处理特征值，对待处理特征值的反归一化处理得到预测值，计算真实值与预测值的误差指标，并根据计算结果将训练后模型作为预测模型，精准预测识别机场的交通流态势，有利于大幅度提高机场运行效率，从而提高航班放行正常率，为航班计划制定、飞行区场面态势判别、监控、航班延误水平预测、管制运行绩效评价等方面提供依据，同时，也有助于分析场面结构与交通流的适应性问题，为机场各阶段流量管理提供客观、准确的支持信息，辅助了决策部门制定和实施科学的管理措施。
可选地，作为本发明的一个实施例，所述训练模型包括卷积神经网络和长短期记忆网络，所述构建训练模型，并导入与各个所述目标特征数据对应的真实值，通过所有所述目标特征数据和所有所述真实值对所述训练模型进行模型训练，得到训练后模型以及与各个所述目标特征数据对应的待处理特征值的过程包括：
S211：导入与各个所述目标特征数据对应的真实值，并通过所述卷积神经网络分别对各个所述目标特征数据进行特征提取，得到与各个所述目标特征数据对应的场面态势特征向量；
S212：通过所述长短期记忆网络分别对各个所述场面态势特征向量进行长短时特征的提取，得到与各个所述目标特征数据对应的待处理特征值；
S213：计算所有所述待处理特征值与所有所述真实值的损失值，得到场面态势精度；
S214：判断所述场面态势精度是否小于预设精度，若否，则根据所述场面态势精度对所述卷积神经网络和所述长短期记忆网络进行参数更新，并返回S211；若是，则将所述卷积神经网络和所述长短期记忆网络一并作为训练后模型。
应理解地，所述卷积神经网络(Convolutional Neural Network，CNN)是一种具有局部连接、权重共享等特性的深层前馈神经网络。包含卷积计算且具有深度结构，是深度学习的代表算法之一，具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。
具体地，一个典型的卷积网络的核心是由卷积层、池化层、全连接层交叉堆叠而成，具体结构表现为输入层、卷积层、池化层、全连接层和输出层。其中输入层负责数据的输入，输入信息通过卷积层和池化层中的特征转换和提取进行处理。卷积层和池化层的这种局部信息由全连接层进一步集成，并通过输出层映射到输出信号。
(1)卷积层(Convolutional Layer)。卷积层是CNN中最重要、最独特的层，因为它可以通过卷积核提取输入变量的特征，进行卷积运算。卷积层的作用是提取一个局部区域的特征，不同的卷积核相当于不同的特征提取器，一个卷机层需要多个卷积核来实现对不同特征的提取。卷积层每次将感受野内的子矩阵与卷积核做卷积，通过非线性的激活函数得到输出，之后感受野移动步长单位后继续与卷积核进行卷积运算，最终生成一个新的特征矩阵。卷积核可以看作一种特征提取器，卷积核的数值就是可训练的参数，在同一个卷积核的作用下，神经元的权值是相同的，不同的卷积核代表了不同的特征提取操作。每一层的输出都是对多输入特征进行卷积，卷积层的数学模型如下:
其中，*表示卷积操作，表示第l-1层和第l层的第j个卷积核，/>是偏置值，/>是激活函数，/>是第l层的第i个矩阵。
由于卷积运算是一种线性运算，而在很多情况下，数据处理需要的是非线性的关系。因此，在卷积层中，还需要加入激活函数，常见的激活函数有ReLU函数和Sigmoid函数。经过对比，选取ReLU函数作为激活函数，与Sigmoid函数相比，ReLU函数较为简单，因此计算速度较快；同时，在使用反向传播算法进行梯度训练时，每经过一层Sigmoid函数都会导致梯度变小，而ReLU函数的导数为1，可以避免梯度变小的问题。而且对于卷积神经网络而言，ReLU函数的激活率低于Sigmoid函数，可以更好地提高模型泛化能力，定义为
(2)池化层(Pooling Layer)。池化层也叫子采样层(Subsampling Layer)，其作用是进行特征选择，降低特征数量，从而减少参数数量。是除了卷积层以外最主要的组成部分之一，从本质上来说这是一种降采样操作，在做研究的时候经常使用到的池化方法有最大池化(Max Pooling)和平均池化(Mean Pooling)。
最大池化是对于一个区域选择这个区域内所有的神经元的最大活性值作为这个区域的表示：
其中xi为区域内每个神经元的活性值。
平均池化一般是取区域内所有神经元活性值的平均值：
CNN在进行特征提取的时候难免会有误差产生，池化操作正好可以减少这些误差，平均池化可以通过保留更多的背景信息的原理来解决临域大小受限的问题从而最终达到减少估计值方差增大的目的，最大池化可以通过保留更多的纹理信息的原理来消除卷积层参数误差从而最终达到减少估计均值偏移的目的，除此之外的随机池化则介于二者之间。
应理解地，长短期记忆网络(Long Short-Term Memory,LSTM)首先在1997年由Hochreiter&Schmidhuber提出，([1]Hochreiter,S,and J.Schmidhuber.“Long short-term memory.”Neural Computation9.8(1997):1735-1780.)是循环神经网络(RecurrentNeural Network,RNN)的改进，RNN神经网络在隐藏层中具有循环机制。输入包括某些和过去时刻的特征，然而，随着网络层和迭代的增加，RNN存在记忆能力弱，容易产生梯度消失和梯度爆炸，LSTM神经网络是RNN的一个变体，可以有效地解决简单循环神经网络的梯度消失或爆炸的问题。记忆循环神经网络中的隐状态h存储了历史信息，可以看作是一种记忆在简单循环网络中，隐状态每个时刻都会被重写，因此可以看作是一种短期记忆。在神经网络中，长期记忆可以看作是网络参数，隐含了从训练数据中学到的经验，其更新周期要远远慢于短期记忆。而在LSTM网络中，记忆单元c可以在某个时刻捕捉到某个关键信息，并有能力将此关键信息保存一定的时间间隔。记忆单元c中保存信息的生命周期要长于短期记忆h，但又远远短于长期记忆，因此称为长短期记忆。
具体地，LSTM是在RNN神经网络隐藏层各神经单元中增加LSTM记忆模块，即一种强化了记忆功能的循环神网络模型，记忆功能也可以称作“Cells”，在神经元内部，这些Cells决定信息记忆写入或删除的操作，此外将以往的状态、现在的记忆和当前输入的信息结合在起，对长期信息进行记录。LSTM通过控制个门的输出值来保护和控制记忆单元状态。自循环连接神经元的作用是为了让记忆单元随着时间的推移，序列信息的输出仍然保持独立，不受输入和输出环境的影响，输入门是决定某些信息被存储到cell中，输出门则用于控制记忆单元是否记住或者丢弃之前的状态。
长短期记忆网络主要包括输入门，遗忘门和输出门。输入门用来激活新的输入信息并控制需要更新的信息；遗忘门确定丢弃最后一刻的细胞状态信息量；输出门控制可以导出当前单元状态的哪些信息，其计算过程为：首先利用上一时刻的外部状态ht-1和当前时刻的输入xt，计算出三个门，以及候选状态然后结合遗忘门ft和输入门it来更新记忆单元Ct，最后结合输出门ot，将内部状态的信息传递给外部状态ht。各层的方程如下：
it＝σ(Wixt+Uiht-i+bi)
ot＝σ(Woxt+Uoht-i+bo)
ft＝σ(Wfxt+Ufht-i+bf)
ht＝ot⊙tanh(ct)
其中σ()为Logistic函数，其输出区间为(0,1)；tanh也为激活函数；⊙为向量元素乘积。
具体地，长短时记忆神经网络(LSTM)常用来处理时间序列的问题，但由于影响机场场面态势预测的特征相对复杂多样，这导致单一的LSTM的模型难以取得良好的效果，而卷积神经网络(CNN)可以自动地提取数据的特征，无需人工进行干预。因此本发明结合CNN与LSTM各自的优点，先使用CNN来自动地提取场面态势的特征，CNN提取的特征变成特征向量输入到LSTM网络中进一步进行数据长短时特征提取。
上述实施例中，通过所有目标特征数据和所有真实值对训练模型进行模型训练得到训练后模型以及待处理特征值，解决了处理时间序列的问题，自动地提取了数据的特征，精准预测识别机场的交通流态势，有利于大幅度提高机场运行效率，从而提高航班放行正常率。
可选地，作为本发明的一个实施例，所述计算所有所述真实值与所有所述预测值的误差指标，并根据计算结果将所述训练后模型作为预测模型的过程包括：
通过第四式计算所有所述真实值与所有所述预测值的平均绝对误差，得到平均绝对误差，所述第四式为：
其中，MAE为平均绝对误差，为第i个目标特征数据对应的预测值，yi为第i个目标特征数据对应的真实值，n为目标特征数据总数；
通过第五式计算所有所述真实值与所有所述预测值的均方误差，得到均方误差，所述第五式为：
其中，MSE为均方误差，为第i个目标特征数据对应的预测值，yi为第i个目标特征数据对应的真实值，n为目标特征数据总数；
计算所有所述真实值与所有所述预测值的均方根误差，得到均方根误差；
判断所述平均绝对误差、所述均方误差以及所述均方根误差是否满足判定条件，若是，则将所述训练后模型作为预测模型；若否，则返回S211，所述判定条件为所述平均绝对误差小于预设第一误差阈值，且所述均方误差小于预设第二误差阈值，且所述均方根误差小于预设第三误差阈值。
应理解地，为了更进一步体现本发明提出的CNN-LSTM预测模型的预测性能，本发明选取的评价指标是平均绝对误差(mean absolute error,MAE)、均方误差(Mean SquareError,MSE)和均方根误差(Root Mean Square Error,RMSE)作为模型的评估指标，分别通过对模型中的训练集和测试集进行交通态势预测，从而给出交通流量与交通密度的预测值和真实数据的拟合程度。
应理解地，所述均方误差可以评价数据的变化程度，公式表现为所述预测值与所述真实值之差平方的期望值，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。
具体地，平均绝对误差值(即所述平均绝对误差)用于衡量预测结果的误差，表现为机场场面交通流量预测值(即所述预测值)与所述真实值之间绝对偏差的均值，MAE的值越小表示预测模型效果越好，公式如下：
上述实施例中，计算所有真实值与所有预测值的误差指标，并根据计算结果将训练后模型作为预测模型，精准预测识别机场的交通流态势，有利于大幅度提高机场运行效率，从而提高航班放行正常率，为航班计划制定、飞行区场面态势判别、监控、航班延误水平预测、管制运行绩效评价等方面提供依据，同时，也有助于分析场面结构与交通流的适应性问题，为机场各阶段流量管理提供客观、准确的支持信息，辅助了决策部门制定和实施科学的管理措施。
可选地，作为本发明的一个实施例，所述计算所有所述真实值与所有所述预测值的均方根误差，得到均方根误差的过程包括：
通过第六式计算所有所述真实值与所有所述预测值的均方根误差，得到均方根误差，所述第六式为：
其中，RMSE为均方根误差，为第i个目标特征数据对应的预测值，yi为第i个目标特征数据对应的真实值，n为目标特征数据总数。
应理解地，均方根误差值(即所述均方根误差)用于衡量预测结果的稳定性，表示流量预测值(即所述预测值)与所述真实值平方均值开二次方根，可以直观的的观测出所述预测值与所述真实值的离散程度，RMSE的值越小，模型的误差越小，更理想，公式如下：
式中：n为样本数量；为预测值；yi为真实值。
上述实施例中，通过第六式计算所有真实值与所有预测值的均方根误差得到均方根误差，提高预测模型的效果，有利于大幅度提高机场运行效率，从而提高航班放行正常率。
可选地，作为本发明的另一个实施例，如图2所示，本发明对机场跑道和滑行道等配置进行分析，结合机场实际运行流程和运行标准，对航空器离场的过程建模。已有的经验数据表明，滑行道交叉点处的飞机到达服从一定参数的泊松过程，随机生成推出航班，模拟机场的实际运行，从而获得不同时刻机场地面交通状态，与机场地面所运行的飞机处在任意位置的时刻，为后续机场运行分析提供依据。
对于机场场面滑行过程的仿真研究，可以分为两部分，即：航空器在机场地面的无拥挤滑行过程，与其在滑行道系统内的排队等待过程。
机场场面的运行状态与航班计划的编排息息相关，航班运行分布在全天的不同时段，机场运行状态根据时段的不同会出现高峰小时，即全天进出港飞机数量最多的时段。在高峰小时内，场面繁忙程度急剧增加，极易出现航班延误及场面冲突，影响飞机的滑行过程。而在航班量较少的空闲时段，飞机可以近似无冲突的滑行，滑行过程更为顺畅。因此参考已有学者在飞机推出研究中提出并验证的推出控制理论，在飞机离场过程中，为减少离场飞机在滑行过程中产生的等待，降低航班延误所造成的时间、成本损失，科学合理的推出序列，基于运筹学中排队论思想，对离场航班建立模型，对推出率及推出顺序进行优化，得到最优的推出控制数量，即：在滑行道上排队的飞机数量达到最合适的数值，便不再推出新的航班。将其应用在本文的模型建立中，使飞机的滑行过程仿真更接近于真实情况。飞机的滑行距离一般表现为从停机位推出，滑行至起飞跑道入口的距离，飞机在滑行道系统内一般以较低的速度匀速滑行，因此在理想滑行条件下，当飞机匀速滑行时，滑行时间与滑行距离成正相关。
根据以上实际情况需求，为简化飞机仿真模型，现对模型做出以下假设:
(1)每个节点的服务时间均服从负指数分布，且相互不干扰；
(2)不考虑终端区、空域以及意外因素例如恶劣天气等的影响；
(3)不考虑机场内中转航班运行的影响，假设飞机机型相同；
(4)模型中的滑行速度默认为平均滑行速度10节/小时，即5.14米/秒；
设置最大排队数为15架次，超过便不再推出。
可选地，作为本发明的另一个实施例，如图3所示，本发明组合预测模型的输入是机场航班数据经过预处理后的样本数据。CNN-LSTM机场态势预测模型训练主要有以下8个步骤：(1)构造时空矩阵数据后划分为训练集和测试集；(2)确定卷积网络卷积核大小和池化方式；(3)初始化CNN-LSTM网络模型的所有权重参数；(4)向前传播计算出网络层神经元的输出值；(5)向后传播计算出网络层神经元的误差项；(6)根据训练误差，计算出每个参数的梯度；(7)利用优化算法完成权重参数更新，持续迭代到总误差收敛为止，停止训练；(8)输出CNN-LSTM模型预测结果，并计算模型评估指标。
可选地，作为本发明的另一个实施例，本发明的有益效果如下：
(1)目前针对机场场面交通态势方面的研究较少，本发明以机场场面的交通流为研究重点，从交通流的三要素入手，进行态势的预测，并构建机场交通态势评估模型，一定程度上丰富了该方面的研究。
(2)机场场面交通工作调控依据：精准预测识别机场的交通流态势有利于大幅度提高机场运行效率，从而提高航班放行正常率；在航班计划制定、飞行区场面态势判别、监控、航班延误水平预测、管制运行绩效评价等方面提供依据。
(3)有助于分析场面结构与交通流的适应性问题，为机场各阶段流量管理提供客观、准确的支持信息，辅助决策部门制定和实施科学的管理措施。
可选地，作为本发明的另一个实施例，本发明旨在提供一种能更加精准预测机场的交通流态势的方法以提高机场运行效率，针对现有技术的缺点本发明提出了以下改进：
(1)利用可获得的挡轮档、撤轮档、预到、实到时刻等数据用MATLAB仿真基于推出控制策略的航空器由推出-滑行-起飞这一连续过程的态势，得到航班在最优滑行路径上滑行的具体时刻具体位置，进而得到由于数据局限性无法量化的特征指标；
(2)提出了以卷积神经网络和长短期记忆网络为结构基础的交通态势预测方法，使得输入指标便可得到下一个小时的交通流量综合河南郑州机场历史小时数据进行预测，并将其与仅基于CNN和LSTM方法进行对比。
可选地，作为本发明的另一个实施例，本发明将河南郑州机机场解构为由节点和链接组成的网络拓扑结构，将每一条滑行道的滑行路径细分为多个节点，并有序地标记节点序号和点与点之间的距离，统计距离，得到机场的距离矩阵，方便后续对飞机滑行最短路径的计算。按机场场面飞机滑行过程仿真算法流程，得到仿真结果。本发明选取河南郑州机场的航班进出场实际数据进行实验分析，选取时间为2016年6月1日至7月1日，将6月1日至6月24日的航班数据划分至训练集，将6月25日-6月30日的航班数据作为验证集。设定时间间隔为15分钟，用来检验训练模型的预测能力。输入的样本数据依据河南郑州机场的实际运行数据，截取某一天内8:00-22:59的航班进行仿真，得到预测指标量化值。
可选地，作为本发明的另一个实施例，本发明搭建的CNN-LSTM组合网络机场态势预测模型，使用CNN网络层提取航班空间特征以后，搭建LSTM网络层提取航班时间特征。CNN网络层中卷积层选择10×1大小的卷积核，采用平均池化的方式，设置CNN层神经元数为32，步长为1，LSTM网络层神经元数为50，步长为32，同时设置Dropout层为0.25来避免过拟合现象的发生。
可选地，作为本发明的另一个实施例，为验证本发明搭建的CNN-LSTM神经网络机场态势预测模型的有效性，使用CNN网络层提取航班空间特征以后，搭建LSTM网络层提取航班时间特征。CNN网络层中卷积层选择10×1大小的卷积核，采用平均池化的方式，设置CNN层神经元数为32，步长为1，LSTM网络层神经元数为50，步长为32，同时采用Dropout层为0.25来避免过拟合现象的发生，将迭代次数设为500，在经过500次迭代后CNN-LSTM组合神经网络模型的训练过程中达到训练要求精度，停止训练。在训练过程中，迭代10次时快速收敛，验证了模型训练的有效性，同时，误差波动稳定在0.07左右，证实了模型的稳定性。
可选地，作为本发明的另一个实施例，本发明搭建的CNN-LSTM组合网络机场态势预测模型，使用CNN网络层提取航班空间特征以后，搭建LSTM网络层提取航班时间特征。以24小时的航班流量数据作为测试样本，设定时间间隔为一小时，得到最终预测结果，如表1所示，表1为各个指标的预测结果：
表1
表1中，机场场面离场航班交通流量和机场场面离场航班排队长度的预测表现相对较好，MAE和RMSE都在1.2以内。由于机场场面一天的交通密度的变化范围较大。因此预测表现一般，MAE和RMSE都高于1。机场场面离场航班滑行时间的数据值较大，影响因素也较多，导致预测结果的MAE和RMSE表现较大，都超过了3.5，总的来说CNN-LSTM组合预测模型在机场场面态势总体预测上误差较小，结果较好。
可选地，作为本发明的另一个实施例，为了比较本发明模型的预测性能，本发明选用常用的交通流预测模型进行比较，其中包括LSTM神经网络BP神经网络与Elman神经网络。通过计算预测模型的MAE、RMSE来评价不同预测模型的性能。从预测结果来看，CNN-LSTM预测模型的预测曲线与实际值曲线的拟合度最高，预测效果最好。这表明CNN-LSTM预测模型能够更准确地提取机场场面的时空特征，并精准的预测机场场面交通态势，相比之下，其他预测模型的表现略有不足，如表2-5所示，表2为流量预测模型评估参数对比，表3为排队长度预测模型评估参数对比，表4为机场场面密度预测模型评估参数对比，表5为机场场面离场滑行时间预测模型评估参数对比。
表2
表3
表4
表5
如表2-5所示，通过对比图得到，四个模型的预测结果同实际值的曲线趋势走向基本一致，说明机场场面交通态势预测指标的选取对预测的结果是有效可行的。其次对比四个预测模型的误差可得，CNN-LSTM组合预测模型精确度最好，各项误差值均为最小。
同LSTM预测模型相比，基于CNN-LSTM离场航班流量预测模型的MAE和RMSE值分别降低了0.2066和0.2003；离场航班排队长度预测模型的MAE与RMSE降低了0.1485和0.1670；场面密度的预测模型MAE与RMSE降低了0.5160和0.7968；离场滑行时间预测模型的MAE与RMSE降低了3.1413和4.4847。LSTM神经网络对于长期依赖关系的数据具有较好处理能力，但相对来说，LSTM预测模型局限于机场场面交通数据的时间维度，无法处理多维数据中的空间关系。加入卷积层的CNN-LSTM预测模型利用卷积操作提取出机场场面交通态势影响指标的空间特征，在交通态势预测时，CNN-LSTM可以更好地掌握进离场指标的相互作用，从而提高预测准确性。其次，使用卷积层进行特征提取，共享参数，可以大大减少神经网络的参数数量，缓解过拟合问题，并且加速模型的训练和预测。
BP预测模型预测结果波动幅度远超过真实值，且普遍偏高。与BP预测模型相比，基于CNN-LSTM离场航班流量预测模型的MAE和RMSE值分别降低了0.6994和0.7694；离场航班排队长度预测模型的MAE与RMSE降低了0.8234和1.0665；场面密度的预测模型MAE与RMSE降低了1.0558和3.9142；离场滑行时间预测模型的MAE与RMSE降低了8.1897和11.1558。由此可得，同BP神经网络相比，CNN-LSTM神经网络CNN-LSTM神经网络中的LSTM层可以很好地处理交通数据的时间依赖关系，在此基础上应用CNN层提取空间特征，再结合LSTM层对时间序列数据进行处理，能更好地捕捉机场场面交通数据的时空特征，从而提高预测准确性。
Elman预测模型相较于BP预测模型，网络结构在隐藏层中存在反向连接，有状态传递的能力，因此预测结果优于BP预测模型，但不如LSTM预测模型和CNN-LSTM预测模型精确度高。与Elman预测模型相比基于CNN-LSTM离场航班流量预测模型的MAE和RMSE值分别降低了0.4151和0.4682；离场航班排队长度预测模型的MAE与RMSE降低了0.4733和0.6780；场面密度的预测模型MAE与RMSE降低了0.7942和1.0200；离场滑行时间预测模型的MAE与RMSE降低了5.0023和9.3751。与Elman神经网络一样，LSTM层也是一种递归神经网络，但是，LSTM具有长短时记忆的特性，可以更好地捕捉到时间序列数据中的长期依赖关系，再加入卷积层的空间特征提取，明显优于局部记忆单元和反馈链接的递归神经网络Elman。
实验证明基于CNN-LSTM预测模型对机场场面交通态势预测具有很高的精确度，优于其他传统交通预测模型。
图4为本发明实施例提供的一种机场运行态势预测装置的模块框图。
可选地，作为本发明的另一个实施例，如图4所示，一种机场运行态势预测装置，包括：
预处理模块，用于导入机场结构图以及多个原始机场航班数据，对所述机场结构图以及多个所述原始机场航班数据进行预处理，得到与各个所述原始机场航班数据对应的目标特征数据；
训练模块，用于构建训练模型，通过所有所述目标特征数据对所述训练模型进行训练，得到预测模型；
预测结果获得模块，用于导入待预测机场航班数据，通过所述预测模型对所述待预测机场航班数据进行预测，得到机场运行态势预测结果。
可选地，本发明的另一个实施例提供一种机场运行态势预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的机场运行态势预测方法。该系统可为计算机等系统。
可选地，本发明的另一个实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的机场运行态势预测方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种机场运行态势预测方法，其特征在于，包括如下步骤：
导入机场结构图以及多个原始机场航班数据，对所述机场结构图以及多个所述原始机场航班数据进行预处理，得到与各个所述原始机场航班数据对应的目标特征数据；
构建训练模型，通过所有所述目标特征数据对所述训练模型进行训练，得到预测模型；
导入待预测机场航班数据，通过所述预测模型对所述待预测机场航班数据进行预测，得到机场运行态势预测结果。
2.根据权利要求1所述的机场运行态势预测方法，其特征在于，所述原始机场航班数据包括航班信息、航班进场总数、多个航班舱门关闭时间、多个航班撤轮挡时间、多个航班预计到达时间、多个航班实际到达时间、多个航班预计起飞时间以及多个航班实际起飞时间，
所述对所述机场结构图以及多个所述原始机场航班数据进行预处理，得到与各个所述原始机场航班数据对应的目标特征数据的过程包括：
通过第一式计算与各个所述航班信息对应的多个航班预计到达时间以及与各个所述航班信息对应的多个航班实际到达时间的平均值，得到与各个所述航班信息对应的航班进场时间偏差，所述第一式为：
其中，I1为航班进场时间偏差，ATil为第i个进场航班的航班实际到达时间，ETil为第i个进场航班的航班预计到达时间，N为航班进场总数；
通过第二式计算与各个所述航班信息对应的多个航班预计起飞时间以及与各个所述航班信息对应的多个航班实际起飞时间的平均值，得到与各个所述航班信息对应的航班离场时间偏差，所述第二式为：
其中，I2为航班进场航班滑行时间，ATid为第i个进场航班的航班实际起飞时间，ETid为第i个进场航班的航班预计起飞时间，N为航班进场总数；
通过第三式计算与各个所述航班信息对应的多个航班舱门关闭时间以及与各个所述航班信息对应的多个航班撤轮挡时间的平均值，得到与各个所述航班信息对应的航班保障结束时间偏差，所述第三式为：
其中，I3为航班保障结束时间偏差，ABTi为第i个进场航班的航班撤轮挡时间，ARTi为第i个进场航班的航班舱门关闭时间，N为航班进场总数；
分别对所述机场结构图以及各个所述航班信息进行仿真分析，得到与各个所述航班信息对应的航班离场滑行时间以及与各个所述航班信息对应的航班离场排队长度；
将各个所述航班进场时间偏差、与各个所述航班信息对应的航班离场时间偏差、与各个所述航班信息对应的航班保障结束时间偏差、与各个所述航班信息对应的航班离场滑行时间以及与各个所述航班信息对应的航班离场排队长度一并作为与各个所述原始机场航班数据对应的待归一化特征数据；
分别对各个所述待归一化特征数据进行归一化处理，得到与各个所述原始机场航班数据对应的目标特征数据。
3.根据权利要求2所述的机场运行态势预测方法，其特征在于，所述分别对所述机场结构图以及各个所述航班信息进行仿真分析，得到与各个所述航班信息对应的航班离场滑行时间以及与各个所述航班信息对应的航班离场排队长度的过程包括：
通过MATLAB软件对所述机场结构图进行标记，得到多个停机位点、多个滑行道位置点以及多个地理节点；
利用floyd算法对所有所述停机位点、所有所述滑行道位置点以及所有所述地理节点进行最短路径的计算，得到多个目标滑行路径；
导入仿真参数，并通过所述MATLAB软件构建数字仿真模型，并通过所述数字仿真模型对所述仿真参数、各个所述航班信息以及多个所述目标滑行路径进行仿真，得到事件矩阵以及与各个所述航班信息对应的位置事件元胞；
通过所述MATLAB软件分别对各个所述位置事件元胞进行时序扫描，得到与各个所述航班信息对应的多个航班节点时间；
分别将与各个所述航班信息对应的多个航班节点时间进行求和，得到与各个所述航班信息对应的航班离场滑行时间；
从事件矩阵提取航班离场排队长度，从而得到与各个所述航班信息对应的航班离场排队长度。
4.根据权利要求1所述的机场运行态势预测方法，其特征在于，所述构建训练模型，通过所有所述目标特征数据对所述训练模型进行训练，得到预测模型的过程包括：
构建训练模型，并导入与各个所述目标特征数据对应的真实值，通过所有所述目标特征数据和所有所述真实值对所述训练模型进行模型训练，得到训练后模型以及与各个所述目标特征数据对应的待处理特征值；
分别对各个所述待处理特征值进行反归一化处理，得到与各个所述目标特征数据对应的预测值；
计算所有所述真实值与所有所述预测值的误差指标，并根据计算结果将所述训练后模型作为预测模型。
5.根据权利要求4所述的机场运行态势预测方法，其特征在于，所述训练模型包括卷积神经网络和长短期记忆网络，所述构建训练模型，并导入与各个所述目标特征数据对应的真实值，通过所有所述目标特征数据和所有所述真实值对所述训练模型进行模型训练，得到训练后模型以及与各个所述目标特征数据对应的待处理特征值的过程包括：
S211：导入与各个所述目标特征数据对应的真实值，并通过所述卷积神经网络分别对各个所述目标特征数据进行特征提取，得到与各个所述目标特征数据对应的场面态势特征向量；
S212：通过所述长短期记忆网络分别对各个所述场面态势特征向量进行长短时特征的提取，得到与各个所述目标特征数据对应的待处理特征值；
S213：计算所有所述待处理特征值与所有所述真实值的损失值，得到场面态势精度；
S214：判断所述场面态势精度是否小于预设精度，若否，则根据所述场面态势精度对所述卷积神经网络和所述长短期记忆网络进行参数更新，并返回S211；若是，则将所述卷积神经网络和所述长短期记忆网络一并作为训练后模型。
6.根据权利要求4所述的机场运行态势预测方法，其特征在于，所述计算所有所述真实值与所有所述预测值的误差指标，并根据计算结果将所述训练后模型作为预测模型的过程包括：
通过第四式计算所有所述真实值与所有所述预测值的平均绝对误差，得到平均绝对误差，所述第四式为：
其中，MAE为平均绝对误差，为第i个目标特征数据对应的预测值，yi为第i个目标特征数据对应的真实值，n为目标特征数据总数；
通过第五式计算所有所述真实值与所有所述预测值的均方误差，得到均方误差，所述第五式为：
其中，MSE为均方误差，为第i个目标特征数据对应的预测值，yi为第i个目标特征数据对应的真实值，n为目标特征数据总数；
计算所有所述真实值与所有所述预测值的均方根误差，得到均方根误差；
判断所述平均绝对误差、所述均方误差以及所述均方根误差是否满足判定条件，若是，则将所述训练后模型作为预测模型；若否，则返回S211，所述判定条件为所述平均绝对误差小于预设第一误差阈值，且所述均方误差小于预设第二误差阈值，且所述均方根误差小于预设第三误差阈值。
7.根据权利要求6所述的机场运行态势预测方法，其特征在于，所述计算所有所述真实值与所有所述预测值的均方根误差，得到均方根误差的过程包括：
通过第六式计算所有所述真实值与所有所述预测值的均方根误差，得到均方根误差，所述第六式为：
其中，RMSE为均方根误差，为第i个目标特征数据对应的预测值，yi为第i个目标特征数据对应的真实值，n为目标特征数据总数。
8.一种机场运行态势预测装置，其特征在于，包括：
预处理模块，用于导入机场结构图以及多个原始机场航班数据，对所述机场结构图以及多个所述原始机场航班数据进行预处理，得到与各个所述原始机场航班数据对应的目标特征数据；
训练模块，用于构建训练模型，通过所有所述目标特征数据对所述训练模型进行训练，得到预测模型；
预测结果获得模块，用于导入待预测机场航班数据，通过所述预测模型对所述待预测机场航班数据进行预测，得到机场运行态势预测结果。
9.一种机场运行态势预测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述的机场运行态势预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的机场运行态势预测方法。
CN202310678672.7A 2023-06-08 2023-06-08 一种机场运行态势预测方法、装置、系统以及存储介质 Pending CN116911434A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310678672.7A CN116911434A (zh) 2023-06-08 2023-06-08 一种机场运行态势预测方法、装置、系统以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310678672.7A CN116911434A (zh) 2023-06-08 2023-06-08 一种机场运行态势预测方法、装置、系统以及存储介质

Publications (1)

Publication Number Publication Date
CN116911434A true CN116911434A (zh) 2023-10-20

Family

ID=88355322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310678672.7A Pending CN116911434A (zh) 2023-06-08 2023-06-08 一种机场运行态势预测方法、装置、系统以及存储介质

Country Status (1)

Country Link
CN (1) CN116911434A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610746A (zh) * 2024-01-23 2024-02-27 中航信移动科技有限公司 一种预测模型监测方法、存储介质及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610746A (zh) * 2024-01-23 2024-02-27 中航信移动科技有限公司 一种预测模型监测方法、存储介质及电子设备
CN117610746B (zh) * 2024-01-23 2024-04-19 中航信移动科技有限公司 一种预测模型监测方法、存储介质及电子设备

Similar Documents

Publication Publication Date Title
Li et al. Prediction for tourism flow based on LSTM neural network
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
Kim et al. A deep learning approach to flight delay prediction
CN110458336B (zh) 一种基于深度学习的网约车供需预测方法
CN106448151B (zh) 一种短时交通流预测方法
Choi et al. Artificial neural network models for airport capacity prediction
CN111310965A (zh) 一种基于lstm网络的飞行器航迹预测方法
CN112489497B (zh) 基于深度卷积神经网络的空域运行复杂度评估方法
CN110458181A (zh) 一种基于宽度随机森林的句法依存模型、训练方法和分析方法
CN114664091A (zh) 一种基于节假日流量预测算法的预警方法及系统
CN110675632B (zh) 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法
WO2021082394A1 (zh) 基于大数据深度学习的场面可变滑出时间预测系统
CN112327903B (zh) 一种基于深度混合密度网络的航空器轨迹生成方法
Yang et al. LSTM-based deep learning model for civil aircraft position and attitude prediction approach
CN111860787A (zh) 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置
CN116911434A (zh) 一种机场运行态势预测方法、装置、系统以及存储介质
Lian et al. Predicting taxi-out time at congested airports with optimization-based support vector regression methods
CN112465199A (zh) 空域态势评估系统
Zhao et al. Aircraft trajectory prediction using deep long short-term memory networks
Pham et al. A generative adversarial imitation learning approach for realistic aircraft taxi-speed modeling
CN114582131A (zh) 一种基于匝道智能控流算法的监控方法及系统
Huang et al. Improving traffic signal control operations using proximal policy optimization
CN116956757A (zh) 出港航班滑行时间预测方法、电子设备和存储介质
Li et al. Cycle-based signal timing with traffic flow prediction for dynamic environment
CN113076686A (zh) 一种基于社会长短期记忆网络的航空器轨迹预测方法

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