CN117540215A - 一种航班延误预测模型训练方法、电子设备和存储介质 - Google Patents

一种航班延误预测模型训练方法、电子设备和存储介质 Download PDF

Info

Publication number
CN117540215A
CN117540215A CN202410015429.1A CN202410015429A CN117540215A CN 117540215 A CN117540215 A CN 117540215A CN 202410015429 A CN202410015429 A CN 202410015429A CN 117540215 A CN117540215 A CN 117540215A
Authority
CN
China
Prior art keywords
model parameters
client
local model
model
local
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
CN202410015429.1A
Other languages
English (en)
Inventor
丁建立
王子豪
曹卫东
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.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
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 Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN202410015429.1A priority Critical patent/CN117540215A/zh
Publication of CN117540215A publication Critical patent/CN117540215A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioethics (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种航班延误预测模型训练方法、电子设备和存储介质，包括：客户端利用对应的本地数据集对对应的当前本地模型进行训练，得到对应的本地模型参数并发送给服务器端；服务器端对当前接收到的本地模型参数进行聚合处理，得到全局模型参数，如果当前的模型训练信息满足预设收敛条件，则向每个客户端发送指示停止模型训练的控制指令，否则，将得到的全局模型参数发送给每个客户端；响应于接收到服务器端发送的全局模型参数，每个客户端基于接收到的全局模型参数对当前的本地模型参数进行更新，得到更新后的本地模型作为当前本地模型；每个客户端将对应的当前本地模型作为目标预测模型，并退出当前控制程序。本发明能够提高预测精度。

Description

一种航班延误预测模型训练方法、电子设备和存储介质
技术领域
本发明涉及计算机技术应用领域，特别是涉及一种航班延误预测模型训练方法方法、电子设备和存储介质。
背景技术
航班延误一直是民航运输领域的热点难题,严重影响航空公司运营效率和乘客出行体验。当前，主要通过构建航班延误预测模型来对航班延误进行预测。当前的预测模型大多是基于多个机场和航空公司的数据进行训练。然而，由于机场和航空公司包含极其敏感且有商业价值的数据，越来越多单位开始重视数据的所有权和使用权，减少数据在各单位间的流通，这样，会导致出现“数据孤岛”现象，使得模型预测精度不够高。因此，如何提高航班延误预测模型的精度是值得探讨的课题。
发明内容
针对上述技术问题，本发明采用的技术方案为：
本发明实施例提供一种航班延误预测模型训练方法，所述方法的应用场景包括服务器端以及与所述服务器端通信连接的n个客户端；所述方法包括如下步骤：
S100，每个客户端利用对应的本地数据集对对应的当前本地模型进行训练，得到对应的本地模型参数并将得到的本地模型参数加密后发送给所述服务器端；所述本地数据集包括航班运行数据和对应的气象数据，所述本地模型由门控循环单元神经网络构成。
S200，服务器端对当前接收到的n个加密后的本地模型参数进行聚合处理，得到全局模型参数，如果当前的模型训练信息满足预设收敛条件，则向每个客户端发送指示停止模型训练的控制指令，执行S400，否则，将得到的全局模型参数发送给每个客户端，执行S300；所述模型训练信息至少包括模型收敛状态、训练次数和训练时间。
S300，响应于接收到服务器端发送的全局模型参数，每个客户端基于接收到的全局模型参数对当前的本地模型参数进行更新，得到更新后的本地模型作为当前本地模型，执行S100。
S400，每个客户端将对应的当前本地模型作为目标预测模型，并退出当前控制程序。
本发明实施例还提供一种电子设备，包括处理器和存储器；所述处理器通过调用所述存储器存储的程序或指令，用于执行前述方法的步骤。
本发明实施例还提供一种非瞬时性计算机可读存储介质，所述非瞬时性计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如前述方法的步骤。
本发明至少具有以下有益效果：
本发明实施例提供的航班延误预测模型训练方法，采用横向联邦学习来训练模型，以及在客户端采用了门控循环单元神经网络来捕捉序列数据的时序特征，如此，能够在保证航班数据隐私的情况下，能够提高模型训练效率和预测能力。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的航班延误预测模型训练方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域技术人员在没有作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。
本发明实施例提供一种航班延误预测模型训练方法，所述方法的应用场景包括服务器端以及与所述服务器端通信连接的n个客户端。
在本发明实施例中，客户端可为部署在机场的服务器。
如图1所示，本发明实施例提供的航班延误预测模型训练方法可包括如下步骤：
S100，每个客户端利用对应的本地数据集对对应的当前本地模型进行训练，得到对应的本地模型参数并将得到的本地模型参数加密后发送给所述服务器端；所述本地数据集包括航班运行数据和对应的气象数据，所述本地模型由门控循环单元神经网络构成。
在本发明实施例中，所述航班运行数据可至少包括：航班号、航班状态、航空公司、起飞机场ID、到达机场ID、计划起飞时间、计划降落时间、实际起飞时间、实际降落时间、飞机型号、飞机注册号、飞行距离、飞行时长、飞行日期和延误状态。所述气象数据至少包括：监测时间、机场ID、气温、风速、阵风风速、能见度、云层状态和天气状态。
在本发明实施例中，机场ID可为机场三字码。航班状态可为现有的航班状态信息，例如可包括航班取消、航班值机关闭、航班开放、航班保护、登机口开放办理等状态信息。延误状态包括发生延误和没有发生延误，可使用第一标识和第二标识表示，第一标识表示发生延误例如用1表示，第二标识表示没有发生延误，例如用0表示。
在本发明实施例中，可按照预设的监测时间间隔采集每个机场的气象数据，例如，每1小时采集一次数据。
在本发明实施例中，航班运行数据对应的气象数据包括：位于对应的实际起飞时间之前第一设定时间段内对应的气象数据、位于对应的实际起飞时间之后第二设定时间段内对应的气象数据、位于对应的实际到达时间之前第三设定时间段内对应的气象数据、位于对应的实际到达时间之后第四设定时间段内对应的气象数据。其中，所述第一设定时间段的时长t1=b1×△t，所述第二设定时间段的时长t2=b2×△t，所述第三设定时间段的时长t3=b2×△t，所述第四设定时间段的时长t4=b1×△t，b1和b2为正整数，并且，b1＜b2，△t为气象数据的监测时间间隔，例如△t=1小时。在一个示意性实施例中，b1=1，b2=2，即1条航班数据（由航班运行数据和航班延误时间数据构成）关联6条气象数据，分别为起飞机场在飞机起飞时间前的1小时，在飞机起飞时间后的1小时和2小时的气象数据，以及到达机场在飞机降落时间前的1小时、2小时，在飞机降落时间后的1小时的气象数据。本发明发明人通过实验发现，关联6条气象数据时，能够实现计算性能和预测效果的最佳平衡。
进一步地，所述本地模型由两个门控循环单元神经网络构成。两个门控循环单元神经网络串联连接，一个门控循环单元神经网络的输出作为另一个门控循环单元神经网络的输入。在本发明实施例中，通过Logistic函数将门控循环单元神经网络的预测值映射到0~1之间。
其中，每个门控循环单元神经网络包括第一隐藏层和第二隐藏层，其中，第一隐藏层包括256个节点，第二隐藏层包括128个节点。本发明发明人经过实验发现，具有这种结构配置的门控循环单元神经网络能够实现模型性能与计算复杂度之间的最佳平衡。
本领域技术人员知晓的是，门控循环单元神经网络的结构可为现有结构。
本领域技术人员知晓，在初始阶段，服务端初始化全局模型。初始化全局模型的初始参数可包括模型名称、客户端数量、数据集信息、全局迭代次数（服务器端和客户端的通信次数）、本地迭代次数（每个客户端在进行本地模型训练时的迭代次数）、本地训练每一轮的样本数、学习率、优化器动量、正则化参数（本地训练的超参数设置）、公钥等。此时，可将初始化全局模型记为当前本地模型。
本领域技术人员知晓的是，每个客户端利用对应的本地数据集对对应的当前本地模型进行训练，得到对应的本地模型参数可基于现有技术实现。例如，每次训练后的本地模型参数的更新满足如下条件：，其中，θr为每次训练后的本地模型参数，θ为每次训练时的本地模型参数，β为本地模型的学习率，L为本地模型的学习率，/>表示求偏导。
进一步地，在本发明实施例中，每个客户端会基于服务器端生成的公钥，对本地模型参数进行加密。具体地，可利用CKKS同态加密算法对对应的本地模型参数进行加密。CKKS同态加密算法支持有限次同态乘法，可以直接对加密参数和数据进行运算。同时CKKS同态加密算法引入重缩放，使同态计算期间，编码前后的消息大小保持基本不变，能够极大地提高模型训练效率。
本领域技术人员知晓的是，任何利用CKKS同态加密算法进行加密的方法均属于本发明的保护范围。
S200，服务器端对当前接收到的n个加密后的本地模型参数进行聚合处理，得到全局模型参数，如果当前的模型训练信息满足预设收敛条件，则向每个客户端发送指示停止模型训练的控制指令，执行S400，否则，将得到的全局模型参数发送给每个客户端，执行S300；所述模型训练信息至少包括模型收敛状态、训练次数和训练时间。
在本发明实施例中，预设收敛条件可包括如下条件中的任何一个：
条件1：全局模型参数收敛。具体收敛条件可基于实际需要进行设置。
在本发明实施例中，全局模型收敛满足minf（wt），其中，f（wt）为第t轮的全局模型损失函数，f（wt）=∑n i=1 pifi（wt），pi为第i个客户端的损失函数占全局模型损失函数的权重，fi（wt）为第t轮第i个客户端的损失函数，i的取值为1到m。
条件2：训练次数达到预设次数阈值，具体预设次数阈值可基于实际需要进行设置。
条件3：训练时间达到预设时间阈值，具体预设时间阈值可基于实际需要进行设置。
S300，响应于接收到服务器端发送的全局模型参数，每个客户端基于接收到的全局模型参数对当前的本地模型参数进行更新，得到更新后的本地模型作为当前本地模型，执行S100。
在本发明一实施例中，每个客户端基于接收到的全局模型参数对当前的本地模型参数进行更新包括：每个客户端将接收到的全局模型参数作为当前的本地模型参数。
在本发明另一实施例中，每个客户端基于接收到的全局模型参数对当前的本地模型参数进行更新包括：每个客户端基于当前运行状况对接收到的全局模型参数进行调整，并将调整后的全局模型参数作为当前的本地模型参数。
由于每个客户端的运行状况各异，服务器确定的全局模型参数难以同时符合每个客户端的实际情况，因此，为了提升客户端的本地训练效率，进而提升整体的联邦学习效率，每个客户端在接收到服务器发送的全局模型参数后，可以基于其当前运行状况(或者说运行状态)在一定范围内对全局模型参数进行调整，提升本地训练的效率。需要注意的是，由于参与联邦学习的各客户端的运行状态不定，为了避免每个客户端调整后的本地模型参数对整体联邦学习效率带来不利的影响，应当仅允许客户端在预设调整范围内对全局模型参数进行调整。具体地，预设调整范围可以通过预设的参数偏离值进行控制。在进行参数调整之前，每个客户端都有其在不同运行状况下的目标训练参数，即客户端处于不同的网络条件、内存、存储空间以及性能下的最佳训练参数。如果全局模型参数和目标训练参数之间的差值大于预设的参数偏离值内，则可将接收到的全局模型参数作为当前的本地模型参数，否则，则将客户端的目标训练参数作为当前的本地模型参数。在本发明实施例中，目标训练参数可为在不同模拟训练条件下得到的训练效果最好的模型参数。
S400，每个客户端将对应的当前本地模型作为目标预测模型，并退出当前控制程序。
本发明实施例提供的航班延误预测模型训练方法，采用横向联邦学习来训练模型，以及在客户端采用了门控循环单元神经网络来捕捉序列数据的时序特征和利用CKKS同态加密算法来实现参数传输的隐私保护，如此，能够在保证航班数据隐私的情况下，能够提高模型训练效率和预测能力以及降低加密运算成本。本发明通过实验结果表明，在保证航班数据隐私的情况下，与现有的联邦学习预测方法相比模型预测能力提高5.9%，各方都能训练出比集中式建模方式更好的模型。
根据本发明的实施例，本发明还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
示例性实施例中，电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上实施例所述的方法。
示例性实施例中，可读存储介质可以是存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行根据以上实施例所述的方法。
示例性实施例中，计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据以上实施例所述的方法。
电子设备旨在表示各种形式的用户终端，各种形式的数字计算机，诸如，台式计算机、工作台、个人数字助理、服务器端、刀片式服务器端、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
在一个示意性实施例中，电子设备可包括计算单元，其可以根据存储在只读存储器(ROM)中的计算机程序或者从存储单元加载到随机访问存储器(RAM)中的计算机程序，来执行各种适当的动作和处理。在RAM中，还可存储设备操作所需的各种程序和数据。计算单元以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
进一步地，电子设备中的多个部件连接至I/O接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元执行上文所描述的各个方法和处理，例如服务容量调控方法。例如，在一些实施例中，服务容量调控方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由计算单元执行时，可以执行上文描述的服务容量调控方法的一个或多个步骤。备选地，在其他实施例中，计算单元可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行服务容量调控方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器端上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器端)、或者包括中间件部件的计算系统(例如，应用服务器端)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器端。客户端和服务器端一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器端关系的计算机程序来产生客户端和服务器端的关系。服务器端可以是云服务器端，也可以为分布式系统的服务器端，或者是结合了区块链的服务器端。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种航班延误预测模型训练方法，其特征在于，所述方法的应用场景包括服务器端以及与所述服务器端通信连接的n个客户端；所述方法包括如下步骤：
S100，每个客户端利用对应的本地数据集对对应的当前本地模型进行训练，得到对应的本地模型参数并将得到的本地模型参数加密后发送给所述服务器端；所述本地数据集包括航班运行数据和对应的气象数据，所述本地模型由门控循环单元神经网络构成；
S200，服务器端对当前接收到的n个加密后的本地模型参数进行聚合处理，得到全局模型参数，如果当前的模型训练信息满足预设收敛条件，则向每个客户端发送指示停止模型训练的控制指令，执行S400，否则，将得到的全局模型参数发送给每个客户端，执行S300；所述模型训练信息至少包括模型收敛状态、训练次数和训练时间；
S300，响应于接收到服务器端发送的全局模型参数，每个客户端基于接收到的全局模型参数对当前的本地模型参数进行更新，得到更新后的本地模型作为当前本地模型，执行S100；
S400，每个客户端将对应的当前本地模型作为目标预测模型，并退出当前控制程序。
2.根据权利要求1所述的方法，其特征在于，每个客户端利用CKKS同态加密算法对对应的本地模型参数进行加密。
3.根据权利要求1所述的方法，其特征在于，所述本地模型由两个门控循环单元神经网络构成。
4.根据权利要求3所述的方法，其特征在于，每个门控循环单元神经网络包括第一隐藏层和第二隐藏层，其中，第一隐藏层包括256个节点，第二隐藏层包括128个节点。
5.根据权利要求1所述的方法，其特征在于，所述航班运行数据至少包括：航班号、航班状态、航空公司、起飞机场ID、到达机场ID、计划起飞时间、计划降落时间、实际起飞时间、实际降落时间、飞机型号、飞机注册号、飞行距离、飞行时长、飞行日期和延误状态；所述气象数据至少包括：监测时间、机场ID、气温、风速、阵风风速、能见度、云层状态和天气状态。
6.根据权利要求5所述的方法，其特征在于，航班运行数据对应的气象数据包括：位于对应的实际起飞时间之前第一设定时间段内对应的气象数据、位于对应的实际起飞时间之后第二设定时间段内对应的气象数据、位于对应的实际到达时间之前第三设定时间段内对应的气象数据、位于对应的实际到达时间之后第四设定时间段内对应的气象数据。
7.根据权利要求1所述的方法，其特征在于，每个客户端基于接收到的全局模型参数对当前的本地模型参数进行更新包括：每个客户端将接收到的全局模型参数作为当前的本地模型参数。
8.根据权利要求7所述的方法，其特征在于，每个客户端基于接收到的全局模型参数对当前的本地模型参数进行更新包括：每个客户端基于当前运行状况对接收到的全局模型参数进行调整，并将调整后的全局模型参数作为当前的本地模型参数。
9.一种电子设备，其特征在于，包括处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至8任一项所述方法的步骤。
10.一种非瞬时性计算机可读存储介质，其特征在于，所述非瞬时性计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至8任一项所述方法的步骤。
CN202410015429.1A 2024-01-05 2024-01-05 一种航班延误预测模型训练方法、电子设备和存储介质 Pending CN117540215A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410015429.1A CN117540215A (zh) 2024-01-05 2024-01-05 一种航班延误预测模型训练方法、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410015429.1A CN117540215A (zh) 2024-01-05 2024-01-05 一种航班延误预测模型训练方法、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN117540215A true CN117540215A (zh) 2024-02-09

Family

ID=89782614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410015429.1A Pending CN117540215A (zh) 2024-01-05 2024-01-05 一种航班延误预测模型训练方法、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN117540215A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112032A (zh) * 2021-04-16 2021-07-13 中国民航大学 基于联邦学习的航班延误预测系统及方法
CN113490254A (zh) * 2021-08-11 2021-10-08 重庆邮电大学 一种基于联邦学习双向gru资源需求预测的vnf迁移方法
CN114266406A (zh) * 2021-12-24 2022-04-01 北京航空航天大学 一种基于联邦学习的大范围路网交通流状态预测方法
CN116468186A (zh) * 2023-06-14 2023-07-21 中国民航大学 一种航班链延误时间预测方法、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112032A (zh) * 2021-04-16 2021-07-13 中国民航大学 基于联邦学习的航班延误预测系统及方法
CN113490254A (zh) * 2021-08-11 2021-10-08 重庆邮电大学 一种基于联邦学习双向gru资源需求预测的vnf迁移方法
CN114266406A (zh) * 2021-12-24 2022-04-01 北京航空航天大学 一种基于联邦学习的大范围路网交通流状态预测方法
CN116468186A (zh) * 2023-06-14 2023-07-21 中国民航大学 一种航班链延误时间预测方法、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李雪莲;段鸿;许牧;: "基于门循环单元神经网络的中文分词法", 厦门大学学报(自然科学版), no. 02, 28 March 2017 (2017-03-28) *
贺俊姝 等: "基于联邦学习的自主式交通个性出行服务框架", 第十六届中国智能交通年会科技论文集, 6 December 2021 (2021-12-06) *

Similar Documents

Publication Publication Date Title
CN113408743B (zh) 联邦模型的生成方法、装置、电子设备和存储介质
US20230083423A1 (en) Satellite Scheduling System
CN114596553B (zh) 模型训练方法、轨迹预测方法、装置及自动驾驶车辆
CN104156594A (zh) 一种基于贝叶斯网的航班过站时间动态估计方法
US12025768B2 (en) Generation of weather analytical scenarios translating likely airport capacity impact from probabilistic weather forecast
US11381331B2 (en) Communication quality deterioration prediction system, method, and program
CN110531996B (zh) 一种多微云环境下基于粒子群优化的计算任务卸载方法
CN115330556B (zh) 充电站的信息调整模型的训练方法、装置及产品
CN114020950A (zh) 图像检索模型的训练方法、装置、设备以及存储介质
CN115310732B (zh) 航班延误预测方法及系统
CN114693190B (zh) 一种基于gpu算力调度的航班效率提升系统
EP4320556A1 (en) Privacy-aware pruning in machine learning
CN115331275A (zh) 图像处理的方法、计算机系统、电子设备和程序产品
CN114943384A (zh) 一种变电站负荷预测方法、装置、设备及存储介质
CN115796310A (zh) 信息推荐及模型训练方法、装置、设备和存储介质
CN113902229B (zh) 一种基于模糊Petri网的航班延误波及预测方法及系统
CN113657468A (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN113570910A (zh) 空中交通流量管理方法、装置和电子设备
CN117477425A (zh) 一种无人机机巢位置确定方法、装置、设备和存储介质
CN117540215A (zh) 一种航班延误预测模型训练方法、电子设备和存储介质
CN117272076A (zh) 输电线路的覆冰预测方法、装置、设备以及存储介质
CN114723045B (zh) 模型训练方法、装置、系统、设备、介质及程序产品
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
CN112738225B (zh) 基于人工智能的边缘计算方法
Barhoush et al. Semi-supervised learning in distributed split learning architecture and IoT applications

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