CN117116096A - 基于多通道交通图像与深度cnn的机场延误预测方法及系统 - Google Patents

基于多通道交通图像与深度cnn的机场延误预测方法及系统 Download PDF

Info

Publication number
CN117116096A
CN117116096A CN202311386648.2A CN202311386648A CN117116096A CN 117116096 A CN117116096 A CN 117116096A CN 202311386648 A CN202311386648 A CN 202311386648A CN 117116096 A CN117116096 A CN 117116096A
Authority
CN
China
Prior art keywords
airport delay
airport
weather
delay
image
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
CN202311386648.2A
Other languages
English (en)
Inventor
袁立罡
金加志
陈海燕
谢华
张颖
王兵
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 Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202311386648.2A priority Critical patent/CN117116096A/zh
Publication of CN117116096A publication Critical patent/CN117116096A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0073—Surveillance aids
    • G08G5/0091—Surveillance aids for monitoring atmospheric conditions
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0495—Quantised networks; Sparse networks; Compressed 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/003—Flight plan management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于航班延误管理技术领域，具体涉及一种基于多通道交通图像与深度CNN的机场延误预测方法及系统。该机场延误预测方法通过采集目标空域扇区对流天气与交通运行数据，并进行预处理；构建机场延误指标集，划分机场延误等级；划定目标空域扇区的外接矩形，并进行栅格化处理；构造多通道气象影响交通运行图像，并根据机场延误等级标注构建气象影响交通运行图像库；根据多通道气象影响交通运行图像构建机场延误分级网络模型；对机场延误分级网络模型进行训练；根据训练后的机场延误分级网络模型进行机场延误预测，从空间角度量化了对流天气对于航班运行的影响，大大提高了恶劣天气影响下机场延误程度预测的准确度。

Description

基于多通道交通图像与深度CNN的机场延误预测方法及系统
技术领域
本发明属于航班延误管理技术领域，具体涉及一种基于多通道交通图像与深度CNN的机场延误预测方法及系统。
背景技术
近些年来，随着中国航班需求量的迅速增长，航班延误现象日益严重，迫切需要机场和空管运行部门进行预判，及时采取有效措施，减少航班延误损失。
根据各大机场的航班延误原因数据统计，对流天气是造成航班延误的重要原因，终端区空域高度拥挤的特点，使得终端区空域的航班运行对对流天气干扰非常敏感。因此，在终端区对流天气影响下，准确有效的预测机场延误，对运行部门有重要的意义。
现有方法大多采用数值型影响指数量化对流天气对于交通运行的影响，侧重于终端区整体的影响量化，并未考虑对流天气在终端区内的空间分布及其与航班飞行轨迹的相对位置，不能全面、客观地反映终端区内对流天气对于航班运行的实际影响情况，导致延误预测模型的精度不是很高，对机场运营难以形成有效辅助决策。
发明内容
本发明的目的是提供一种基于多通道交通图像与深度CNN的机场延误预测方法及系统。
为了解决上述技术问题，本发明提供了一种基于多通道交通图像与深度CNN的机场延误预测方法，包括：
步骤1，采集目标空域扇区对流天气与交通运行数据，并进行预处理；
步骤2，构建机场延误指标集，划分机场延误等级；
步骤3，划定目标空域扇区的外接矩形，并进行栅格化处理；
步骤4，构造多通道气象影响交通运行图像，并根据机场延误等级标注构建气象影响交通运行图像库；
步骤5，根据多通道气象影响交通运行图像构建机场延误分级网络模型；
步骤6，对机场延误分级网络模型进行训练；
步骤7，根据训练后的机场延误分级网络模型进行机场延误预测。
进一步的，所述步骤2中构建机场延误指标集的方法包括：根据处理完的数据，计算航班平均延误时间、离港航班准点率以及离港航班延误率，以构建机场延误指标集。
进一步的，所述步骤2中划分机场延误等级的方法包括：对机场延误指标集采用模糊C均值聚类算法划分机场延误等级。
进一步的，所述步骤3中划定目标空域扇区的外接矩形，并进行栅格化处理的方法包括：
获取目标空域扇区的扇区边界点经纬度数据，确定目标空域扇区最小外接矩形；
将最小外接矩形各边分别向外扩展预设长度，以形成目标空域扇区外接矩形；
根据预设长度间隔对目标空域扇区外接矩形进行栅格化处理。
进一步的，所述步骤4中构造多通道气象影响交通运行图像，并根据机场延误等级标注构建气象影响交通运行图像库的方法包括：
统计各时段内各栅格空域内的进离港航班架次并填充到对应栅格作为像素值，以生成对应时段的进港航班架次图像通道与离港航班架次图像通道；
将各时段扇区WAF数据映射到栅格化后目标空域扇区外接矩形，计算各栅格中WSI值并填充到对应栅格作为像素值，以生成对应时段的对流天气强度图像通道；
根据进港航班架次图像通道、离港航班架次通道和对流天气强度图像通道构成多通道气象影响交通运行图像，将不同时段生成的多通道气象影响交通运行图像和机场延误等级关联，以获取气象影响交通运行图像库，并将气象影响交通运行图像库划分为训练数据集和测试数据集。
进一步的，所述步骤5中根据多通道气象影响交通运行图像构建机场延误分级网络模型的方法包括：
构建八层深度卷积神经网络模型；其中
第一层为输入层，输入多通道气象影响交通运行图像；
第二、第四层为卷积层，第二层包括6个卷积核，第四层包括16个卷积核，根据预设卷积核的尺寸和预设卷积核移动幅度，通过SAME填充方式进行卷积计算；
第三层为池化层，采用最大值池化方式进行池化处理；
第五层为卷平层；
第六、七、八层为全连接层，输出为机场延误等级向量，通过函数对第八 层输出进行概率表示，并选择概率最大值的分类作为最后分类结果；
所述函数为：
；
其中，为机场延误等级类别，表示大于零的自然数，为机场延误总的等级 数；
所述第八层的输出为3维向量，每一维表示机场延误程度属于这一级别的概率大小；
第二、四层卷积层和第六、七、八层全连接层后使用线性函数进行非线性变换。
进一步的，所述步骤6中对机场延误分级网络模型进行训练的方法包括：
采用随机过采样方法对气象影响交通运行图像库的训练数据集进行类不平衡处理；
对训练数据集中图像进行预处理，将图像的像素值进行图像标准化处理：
；
其中，为图像的均值；为图像矩阵；为标准方差；为图像的像素数；
将预处理后的训练数据集放入到所述机场延误分级网络模型中进行训练；
训练过程中，目标损失函数为交叉熵：
；
其中，表示图像类别的真实概率分布，表示经过神经网络计算得到的概率分 布，与均表示3维向量中的第维的概率值；
在训练过程中通过随机梯度下降方法不断优化目标损失函数。
进一步的，所述步骤7中根据训练后的机场延误分级网络模型进行机场延误预测的方法包括：
对气象影响交通运行图像库的测试数据集中图像进行预处理，将测试数据集中预处理后的图像输入经过训练的机场延误分级网络模型，得到机场延误分级结果，完成机场延误等级预测。
又一方面，本发明还提供了一种机场延误预测系统，包括：
数据预处理模块，用于对采集的目标空域扇区对流天气与交通运行数据进行预处理；
机场延误等级划分模块，用于构建机场延误指标集，划分机场延误等级；
目标空域扇区处理模块，用于划定目标空域扇区的外接矩形，并进行栅格化处理；
多通道气象影响交通运行图像构建模块，用于构造多通道气象影响交通运行图像；
气象影响交通运行图像库构建模块，用于根据机场延误等级标注构建气象影响交通运行图像库；
机场延误分级网络模型构架模块，用于根据多通道气象影响交通运行图像构建机场延误分级网络模型；
机场延误分级网络模型训练模块，用于对机场延误分级网络模型进行训练；
机场延误预测模块，用于根据训练后的机场延误分级网络模型进行机场延误预测。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的机场延误预测方法。
本发明的有益效果是，本发明的基于多通道交通图像与深度CNN的机场延误预测方法，通过采集目标空域扇区对流天气与交通运行数据，并进行预处理；构建机场延误指标集，划分机场延误等级；划定目标空域扇区的外接矩形，并进行栅格化处理；构造多通道气象影响交通运行图像，并根据机场延误等级标注构建气象影响交通运行图像库；根据多通道气象影响交通运行图像构建机场延误分级网络模型；对机场延误分级网络模型进行训练；根据训练后的机场延误分级网络模型进行机场延误预测，从空间角度量化了对流天气对于航班运行的影响，大大提高了恶劣天气影响下机场延误程度预测的准确度。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所涉及的基于多通道交通图像与深度CNN的机场延误预测方法的流程图；
图2(a)是本发明所涉及的进港航班架次通道示意图；
图2(b)是本发明所涉及的离港航班架次通道示意图；
图3(a)是本发明所涉及的弱对流天气强度通道示意图；
图3(b)是本发明所涉及的中等对流天气强度通道示意图；
图3(c)是本发明所涉及的强对流天气强度通道示意图；
图4是本发明所涉及的深度卷积神经网络结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明的第一方面实施例提供了一种基于多通道交通图像与深度CNN的机场延误预测方法，包括：
步骤1，采集目标空域扇区对流天气与交通运行数据，并进行预处理；
步骤2，构建机场延误指标集，划分机场延误等级；
步骤3，划定目标空域扇区的外接矩形，并进行栅格化处理；
步骤4，构造多通道气象影响交通运行图像，并根据机场延误等级标注构建气象影响交通运行图像库；
步骤5，根据多通道气象影响交通运行图像构建机场延误分级网络模型；
步骤6，对机场延误分级网络模型进行训练；
步骤7，根据训练后的机场延误分级网络模型进行机场延误预测。
具体的，目标空域扇区对流天气与交通运行数据可以包括目标空域扇区的WAF数据、ADS-B数据以及Flightplan数据；进行预处理时，可以对收集到的原始数据进行清洗，去除重复项、缺失值和异常数据，并根据后面任务需要从ADS-B数据中提取有意义的特征，如飞行器的位置、速度、高度以及时刻特征信息,从Flightplan数据提取航班性质、航班计划离港时间、航班实际离港时间以及始发机场特征信息。
在本实施例中，所述步骤2中构建机场延误指标集的方法包括：根据处理完的数据，计算航班平均延误时间、离港航班准点率以及离港航班延误率，以构建机场延误指标集。
具体的，从延误程度、航班可靠性以及延误频次角度考虑，选择离港航班平均延误时间、离港航班准点率以及离港航班延误率这三个指标来描述机场在一段时间内的整体延误水平；根据处理完的Flightplan数据，计算航班平均延误时间、离港航班准点率以及离港航班延误率，以构建机场延误指标集。
在本实施例中，所述步骤2中划分机场延误等级的方法包括：对机场延误指标集采用模糊C均值聚类算法划分机场延误等级。
具体的，对机场延误指标集采用模糊C均值聚类算法划分机场延误等级，首先根据轮廓系数法确定聚类的最佳簇数，即延误等级数，然后采用模型C均值聚类不断迭代得到最佳聚类结果，最后根据每一簇内不同延误特征的分布情况提取出延误等级划分规则，共有3个机场延误级别，低延误、一般延误、重度延误。
需要说明的是，所述模糊C均值聚类算法的原理如下：
设给定的数据集为，我们需要找到一个数将数据集分为类()，那么数据集的隶属度矩阵为,为行列的矩阵，其中的元素表 示第个元素隶属于第类的概率，其中，我们规定为第类的聚 类中心，共有个，FCM算法满足以下条件：
；
；
；
；
；
模糊C均值聚类算法原理就是通过不断迭代使得准则函数取得最小 值。
在本实施例中，所述步骤3中划定目标空域扇区的外接矩形，并进行栅格化处理的方法包括：获取目标空域扇区的扇区边界点经纬度数据，确定目标空域扇区最小外接矩形；将最小外接矩形各边分别向外扩展预设长度，以形成目标空域扇区外接矩形；根据预设长度间隔对目标空域扇区外接矩形进行栅格化处理。
具体的，获取目标空域扇区的扇区边界点经纬度数据，确定目标空域扇区最小外接矩形，气象影响交通运行场景时间粒度为1h，为确保每个网格都存在真实的交通与天气数据，又保证网格的精度足够高，将终端区外接矩形划分成125*125的网格图，每个网格的宽度设置为2km,并计算出每个网格节点的经纬度值方便后续的统计。
在本实施例中，所述步骤4中构造多通道气象影响交通运行图像，并根据机场延误等级标注构建气象影响交通运行图像库的方法包括：统计各时段内各栅格空域内的进离港航班架次并填充到对应栅格作为像素值，以生成对应时段的进港航班架次图像通道与离港航班架次图像通道；将各时段扇区WAF数据映射到栅格化后目标空域扇区外接矩形，计算各栅格中WSI值并填充到对应栅格作为像素值，以生成对应时段的对流天气强度图像通道；根据进港航班架次图像通道、离港航班架次通道和对流天气强度图像通道构成多通道气象影响交通运行图像，将不同时段生成的多通道气象影响交通运行图像和机场延误等级关联，以获取气象影响交通运行图像库，并将气象影响交通运行图像库划分为训练数据集和测试数据集。
具体的，根据各时段扇区ADS-B数据，以航空器经纬度为坐标，获取相应坐标在栅格化后目标空域扇区外接矩形中的具体位置，基于此统计出各时段内所有网格中的进离港航班架次数据，以生成对应时段的进港航班架次图像通道（如图2(a)所示）与离港航班架次图像通道（如图2(b)所示）；根据各时段扇区WAF数据，将其映射到栅格化后目标空域扇区外接矩形，计算各栅格中对流强度分别为1、2、3所占比例值并填充到对应栅格作为像素值，以生成对应时段的对流天气强度图像通道，即数值1对应的弱对流天气强度图像通道、数值2对应的中等对流天气强度图像通道以及数值3对应的强对流天气强度图像通道（如图3(a)、3(b)、3(c)所示）；根据进港航班架次图像通道、离港航班架次通道、弱对流天气强度图像通道、中等对流天气强度图像通道以及强对流天气强度图像通道构成多通道气象影响交通运行图像，图像大小为125*125*5（其中125*125指的是每个通道图片的像素，5指的是通道数，125*125*5指5个通道图片合成的多通道图形状），将不同时段生成的多通道气象影响交通运行图像和机场延误等级关联，以获取气象影响交通运行图像库，并将气象影响交通运行图像库划分为训练数据集和测试数据集。
在本实施例中，进一步的，所述步骤5中根据多通道气象影响交通运行图像构建机场延误分级网络模型的方法包括：
构建八层深度卷积神经网络模型；其中
第一层为输入层，输入多通道气象影响交通运行图像；
第二、第四层为卷积层，第二层包括6个卷积核，第四层包括16个卷积核，根据预设卷积核的尺寸和预设卷积核移动幅度，通过SAME填充方式进行卷积计算；
第三层为池化层，采用最大值池化方式进行池化处理；
第五层为卷平层；
第六、七、八层为全连接层，输出为机场延误等级向量，通过函数对第八 层输出进行概率表示，并选择概率最大值的分类作为最后分类结果；
所述函数为：
；
其中，为机场延误等级类别，表示大于零的自然数，为机场延误总的等级 数；
所述第八层的输出为3维向量，每一维表示机场延误程度属于这一级别的概率大小；
第二、四层卷积层和第六、七、八层全连接层后使用线性函数进行非线性变换。
进一步的，所述步骤6中对机场延误分级网络模型进行训练的方法包括：
采用随机过采样方法对气象影响交通运行图像库的训练数据集进行类不平衡处理；
对训练数据集中图像进行预处理，将图像的像素值进行图像标准化处理：
；
其中，为图像的均值；为图像矩阵；为标准方差；为图像的像素数；
将预处理后的训练数据集放入到所述机场延误分级网络模型中进行训练；
训练过程中，目标损失函数为交叉熵：
；
其中，表示图像类别的真实概率分布，表示经过神经网络计算得到的概率分 布，与均表示3维向量中的第维的概率值；
在训练过程中通过随机梯度下降方法不断优化目标损失函数。
具体的，通过深度卷积神经网络根据多通道气象影响交通运行图像构建机场延误分级网络模型如图（5）所示，即
通过TensorFlow框架构建八层深度卷积神经网络模型；
其中，第一层为输入层，输入多通道气象影响交通运行图像；第二、四层为卷积层；第三层为池化层，第五层为卷平层；第六、七、八层为全连接层，输出为机场延误等级向量（3个等级）；
第二层包括6个卷积核，第四层包括16个卷积核，根据预设卷积核的尺寸（卷积核的尺寸均为3*3）和预设卷积核移动幅度（卷积核移动幅度为2），通过SAME填充方式进行卷积计算；
第三层的池化层采用最大值池化方式进行池化处理，池化核尺寸为2*2，池化核移动幅度为2；
第六、七、八层为全连接层，维度分别为（1*1*120）、（1*1*84）、（1*1*3），通过函数对第八层输出进行概率表示，并选择概率最大值的分类作为最后分类结果；
所述函数为：
；
其中，为机场延误等级类别；表示大于零的自然数；为机场延误总的等级 数；
所述第八层的输出为3维向量，每一维表示机场延误程度属于这一级别的概率大小；
第二、四层卷积层和第六、七、八层全连接层后使用的非线性函数函数进 行非线性变换。
在本实施例中，所述步骤6中对机场延误分级网络模型进行训练的方法包括：采用随机过采样方法对训练数据集进行类不平衡处理，确保在训练时模型不会偏向多数类；
对训练集中图像进行预处理，将图像的像素值进行图像标准化处理，使得图像所有像素值均为0-255之间：
；
其中，为图像的均值；为图像矩阵；为标准方差；为图像的像素数；
将预处理后的训练数据集放入到所述机场延误分级网络模型中进行训练；
训练过程中，目标损失函数为交叉熵：
；
其中，表示图像类别的真实概率分布；表示经过神经网络计算得到的概率分 布；与均表示3维向量中的第维的概率值；
在训练过程中通过随机梯度下降方法（SGD）不断优化目标损失函数，SGD算法是一个基于梯度下降的改进算法，SGD每次随机选择一个样本来迭代更新一次，而不是针对所有的样本，具有训练速度快易收敛等特点，SGD优化方法的相关公式如下：
；
；
；
其中，代表网络参数权值，表示的是梯度，代表损失函数，代表 目标函数，代表第个样本的样本值，表示的是整个迭代进行的总次数，表示梯度下 降中的步长即学习率，j表示的CNN中参数的总数目。
进一步的，所述步骤7中根据训练后的机场延误分级网络模型进行机场延误预测的方法包括：对气象影响交通运行图像库的测试数据集中图像进行预处理，将测试数据集中预处理后的图像输入经过训练的机场延误分级网络模型，得到机场延误分级结果，完成机场延误等级预测。
本发明的第二方面实施例提供了一种机场延误预测系统，包括：
数据预处理模块，用于对采集的目标空域扇区对流天气与交通运行数据进行预处理；
机场延误等级划分模块，用于构建机场延误指标集，划分机场延误等级；
目标空域扇区处理模块，用于划定目标空域扇区的外接矩形，并进行栅格化处理；
多通道气象影响交通运行图像构建模块，用于构造多通道气象影响交通运行图像；
气象影响交通运行图像库构建模块，用于根据机场延误等级标注构建气象影响交通运行图像库；
机场延误分级网络模型构架模块，用于根据多通道气象影响交通运行图像构建机场延误分级网络模型；
机场延误分级网络模型训练模块，用于对机场延误分级网络模型进行训练；
机场延误预测模块，用于根据训练后的机场延误分级网络模型进行机场延误预测。
在本实施例中，机场延误预测系统可以但不限于采用如上所述的基于终端区对流天气影响交通指数的机场延误预测方法来实现，在此不再赘述。
本发明的第三方面实施例提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的机场延误预测方法。
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，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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所述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。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种基于多通道交通图像与深度CNN的机场延误预测方法，其特征在于，包括：
步骤1，采集目标空域扇区对流天气与交通运行数据，并进行预处理；
步骤2，构建机场延误指标集，划分机场延误等级；
步骤3，划定目标空域扇区的外接矩形，并进行栅格化处理；
步骤4，构造多通道气象影响交通运行图像，并根据机场延误等级标注构建气象影响交通运行图像库；
步骤5，根据多通道气象影响交通运行图像构建机场延误分级网络模型；
步骤6，对机场延误分级网络模型进行训练；
步骤7，根据训练后的机场延误分级网络模型进行机场延误预测。
2.如权利要求1所述的机场延误预测方法，其特征在于，
所述步骤2中构建机场延误指标集的方法包括：根据处理完的数据，计算航班平均延误时间、离港航班准点率以及离港航班延误率，以构建机场延误指标集。
3.如权利要求1所述的机场延误预测方法，其特征在于，
所述步骤2中划分机场延误等级的方法包括：对机场延误指标集采用模糊C均值聚类算法划分机场延误等级。
4.如权利要求1所述的机场延误预测方法，其特征在于，
所述步骤3中划定目标空域扇区的外接矩形，并进行栅格化处理的方法包括：
获取目标空域扇区的扇区边界点经纬度数据，确定目标空域扇区最小外接矩形；
将最小外接矩形各边分别向外扩展预设长度，以形成目标空域扇区外接矩形；
根据预设长度间隔对目标空域扇区外接矩形进行栅格化处理。
5.如权利要求1所述的机场延误预测方法，其特征在于，
所述步骤4中构造多通道气象影响交通运行图像，并根据机场延误等级标注构建气象影响交通运行图像库的方法包括：
统计各时段内各栅格空域内的进离港航班架次并填充到对应栅格作为像素值，以生成对应时段的进港航班架次图像通道与离港航班架次图像通道；
将各时段扇区WAF数据映射到栅格化后目标空域扇区外接矩形，计算各栅格中WSI值并填充到对应栅格作为像素值，以生成对应时段的对流天气强度图像通道；
根据进港航班架次图像通道、离港航班架次通道和对流天气强度图像通道构成多通道气象影响交通运行图像，将不同时段生成的多通道气象影响交通运行图像和机场延误等级关联，以获取气象影响交通运行图像库，并将气象影响交通运行图像库划分为训练数据集和测试数据集。
6.如权利要求1所述的机场延误预测方法，其特征在于，
所述步骤5中根据多通道气象影响交通运行图像构建机场延误分级网络模型的方法包括：
构建八层深度卷积神经网络模型；其中
第一层为输入层，输入多通道气象影响交通运行图像；
第二、第四层为卷积层，第二层包括6个卷积核，第四层包括16个卷积核，根据预设卷积核的尺寸和预设卷积核移动幅度，通过SAME填充方式进行卷积计算；
第三层为池化层，采用最大值池化方式进行池化处理；
第五层为卷平层；
第六、七、八层为全连接层，输出为机场延误等级向量，通过函数对第八层输出进行概率表示，并选择概率最大值的分类作为最后分类结果；
所述函数为：
；
其中，为机场延误等级类别，/>表示大于零的自然数，/>为机场延误总的等级数；
所述第八层的输出为3维向量，每一维表示机场延误程度属于这一级别的概率大小；
第二、四层卷积层和第六、七、八层全连接层后使用非线性函数进行非线性变换。
7.如权利要求1所述的机场延误预测方法，其特征在于，
所述步骤6中对机场延误分级网络模型进行训练的方法包括：
采用随机过采样方法对气象影响交通运行图像库的训练数据集进行类不平衡处理；
对训练数据集中图像进行预处理，将图像的像素值进行图像标准化处理：
；
其中，为图像的均值；/>为图像矩阵；/>为标准方差；/>为图像的像素数；
将预处理后的训练数据集放入到所述机场延误分级网络模型中进行训练；
训练过程中，目标损失函数为交叉熵：
；
其中，表示图像类别的真实概率分布，/>表示经过神经网络计算得到的概率分布，与/>均表示3维向量中的第/>维的概率值；
在训练过程中通过随机梯度下降方法不断优化目标损失函数。
8.如权利要求1所述的机场延误预测方法，其特征在于，
所述步骤7中根据训练后的机场延误分级网络模型进行机场延误预测的方法包括：
对气象影响交通运行图像库的测试数据集中图像进行预处理，将测试数据集中预处理后的图像输入经过训练的机场延误分级网络模型，得到机场延误分级结果，完成机场延误等级预测。
9.一种机场延误预测系统，其特征在于，包括：
数据预处理模块，用于对采集的目标空域扇区对流天气与交通运行数据进行预处理；
机场延误等级划分模块，用于构建机场延误指标集，划分机场延误等级；
目标空域扇区处理模块，用于划定目标空域扇区的外接矩形，并进行栅格化处理；
多通道气象影响交通运行图像构建模块，用于构造多通道气象影响交通运行图像；
气象影响交通运行图像库构建模块，用于根据机场延误等级标注构建气象影响交通运行图像库；
机场延误分级网络模型构架模块，用于根据多通道气象影响交通运行图像构建机场延误分级网络模型；
机场延误分级网络模型训练模块，用于对机场延误分级网络模型进行训练；
机场延误预测模块，用于根据训练后的机场延误分级网络模型进行机场延误预测。
10.一种计算机可读存储介质，所述存储介质上存储有计算机程序，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1-8中任一所述的机场延误预测方法。
CN202311386648.2A 2023-10-25 2023-10-25 基于多通道交通图像与深度cnn的机场延误预测方法及系统 Pending CN117116096A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311386648.2A CN117116096A (zh) 2023-10-25 2023-10-25 基于多通道交通图像与深度cnn的机场延误预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311386648.2A CN117116096A (zh) 2023-10-25 2023-10-25 基于多通道交通图像与深度cnn的机场延误预测方法及系统

Publications (1)

Publication Number Publication Date
CN117116096A true CN117116096A (zh) 2023-11-24

Family

ID=88807810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311386648.2A Pending CN117116096A (zh) 2023-10-25 2023-10-25 基于多通道交通图像与深度cnn的机场延误预测方法及系统

Country Status (1)

Country Link
CN (1) CN117116096A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688975A (zh) * 2024-02-02 2024-03-12 南京信息工程大学 一种基于演化规律挖掘的气象事件预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190108758A1 (en) * 2017-10-06 2019-04-11 Tata Consultancy Services Limited System and method for flight delay prediction
CN116777028A (zh) * 2023-01-10 2023-09-19 南京航空航天大学 基于对流天气影响交通指数的机场累积延误预测方法
CN116862061A (zh) * 2023-07-08 2023-10-10 四川大学 一种基于时空图卷积神经网络的多机场航班延误预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190108758A1 (en) * 2017-10-06 2019-04-11 Tata Consultancy Services Limited System and method for flight delay prediction
CN116777028A (zh) * 2023-01-10 2023-09-19 南京航空航天大学 基于对流天气影响交通指数的机场累积延误预测方法
CN116862061A (zh) * 2023-07-08 2023-10-10 四川大学 一种基于时空图卷积神经网络的多机场航班延误预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIGANG YUAN，ET AL: "Visualizing Numerical Features: A Novel Approach to Airport Delay Prediction", PREPRINTS, pages 0 - 5 *
傅强;付振宇;徐海文;: "基于深度学习的离港航班延误预测模型研究", 中国民航飞行学院学报, no. 03 *
尉炜;邵荃;向红奕;姜轲;: "基于复杂网络的恶劣天气对航班延误影响的研究", 航空计算技术, no. 02 *
屈景怡;渠星;杨俊;刘芳;张雄威;: "基于Skip-LSTM的机场群延误预测模型", 信号处理, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688975A (zh) * 2024-02-02 2024-03-12 南京信息工程大学 一种基于演化规律挖掘的气象事件预测方法及系统
CN117688975B (zh) * 2024-02-02 2024-05-14 南京信息工程大学 一种基于演化规律挖掘的气象事件预测方法及系统

Similar Documents

Publication Publication Date Title
CN108416307B (zh) 一种航拍图像路面裂缝检测方法、装置及设备
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
Racah et al. Extremeweather: A large-scale climate dataset for semi-supervised detection, localization, and understanding of extreme weather events
CN109344736B (zh) 一种基于联合学习的静态图像人群计数方法
CN106845621B (zh) 基于深度卷积神经网络的密集人群人数计数方法及系统
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN107506692A (zh) 一种基于深度学习的密集人群计数与人员分布估计方法
CN103839065A (zh) 人群动态聚集特征提取方法
CN112465199B (zh) 空域态势评估系统
CN110826684A (zh) 卷积神经网络的压缩方法、装置、电子设备和介质
CN112489497B (zh) 基于深度卷积神经网络的空域运行复杂度评估方法
CN111723693A (zh) 一种基于小样本学习的人群计数方法
CN112990222B (zh) 一种基于图像边界知识迁移的引导语义分割方法
CN117116096A (zh) 基于多通道交通图像与深度cnn的机场延误预测方法及系统
CN114863348A (zh) 基于自监督的视频目标分割方法
CN116151479B (zh) 一种航班延误预测方法及预测系统
CN112380985A (zh) 变电站入侵异物实时检测方法
CN115527133A (zh) 一种基于目标密度信息的高分图像背景优化方法
CN117495735A (zh) 一种基于结构引导的建筑物立面纹理自动修复方法及系统
CN115481680A (zh) 基于外源雷达的飞鸟与无人机航迹目标分类方法及设备
CN118262218A (zh) 一种基于改进SimVP的卫星云图序列预测方法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
Pillai et al. Fine-Tuned EfficientNetB4 Transfer Learning Model for Weather Classification
KR101529620B1 (ko) 이동 방향별 보행자 계수 방법 및 장치
CN117636183A (zh) 一种基于自监督预训练的小样本遥感图像分类方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20231124

WD01 Invention patent application deemed withdrawn after publication