CN117933840A - 数字孪生驱动的航班地面保障延误诊断方法、系统及设备 - Google Patents
数字孪生驱动的航班地面保障延误诊断方法、系统及设备 Download PDFInfo
- Publication number
- CN117933840A CN117933840A CN202410323419.4A CN202410323419A CN117933840A CN 117933840 A CN117933840 A CN 117933840A CN 202410323419 A CN202410323419 A CN 202410323419A CN 117933840 A CN117933840 A CN 117933840A
- Authority
- CN
- China
- Prior art keywords
- flight
- vehicle
- delay
- guarantee
- representing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 90
- 239000003795 chemical substances by application Substances 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 12
- 230000003111 delayed effect Effects 0.000 claims description 11
- 230000010006 flight Effects 0.000 claims description 11
- 239000000178 monomer Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 7
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及航班地面保障技术领域，具体而言，涉及数字孪生驱动的航班地面保障延误诊断方法、系统及设备，步骤如下：利用航班地面保障业务之间的分层网络关系，构建航班地面保障孪生体；基于网格化的断点仿真，对航班地面保障服务过程中的服务节点时间进行推演，捕捉断点时刻的状态和计划信息；将时空动态知识图谱的延误传播路线引入到贝叶斯网络结构中，利用延误传播树结合贝叶斯网络进行延误及传播诊断推理。本方法动态解析灵活度高，能有效避免离线仿真导致的误差累计，并提高航班地面保障过程诊断能力和实时管控效率。
Description
技术领域
本发明涉及航班地面保障技术领域，具体而言，涉及数字孪生驱动的航班地面保障延误诊断方法、系统及设备。
背景技术
实时的航班地面保障服务过程延误诊断和传播分析对机场运行效率和服务质量具有重要的意义，一旦某个服务车辆被诊断为异常或延误，不仅会造成某一个航班的延误还可能传播到其他航班，造成整个机场地面保障网络的延误，使得机场地面运行效率变得低下。
数字孪生技术通过对实时过程的动态数据映射和业务模型表征，构建相应的虚拟世界并动态进化，为解决这一问题提供了新的思路。随着传感器、物联网技术的发展，机场能够实时获取航班地面保障过程的服务时间数据与位置信息，通过结合相应的业务流程模型，使得机场建立航班地面保障数字孪生应用变得可能。在此背景下，利用数字孪生技术将物理机场运行过程与孪生世界连接在一起，不仅可以有效的实时诊断当前的航班地面保障服务延误状态，提高对实时运行资源的管控能力，还可以实现对未来的航班地面保障延误传播情况进行预判，对于机场管理者提高航班地面运行管控质量和资源优化效率具有重要意义。
然而，目前通过数字孪生技术来实现机场航班地面保障过程的延误诊断及其传播分析仍然存在以下困难：（1）航班地面保障业务过程影响因素复杂多变，业务动态解析复杂度高，导致已有的理论模型与实际运行偏差大；（2）传统离线仿真方法缺乏对实时数据的精准对接，难以从中间过程进行断点仿真，导致预测推演误差随时间推移逐渐加大；（3）现有的航班地面保障管控手段仍然局限于传统的人工经验，缺乏基于实时数据的过程管控和辅助决策手段导致延误处置不及时与效果差。
发明内容
本发明的目的在于提供数字孪生驱动的航班地面保障延误诊断方法、系统及设备，以解决背景技术中所指出的问题。
本发明的实施例通过以下技术方案实现：数字孪生驱动的航班地面保障延误诊断方法，方法步骤如下：
步骤1、基于航班地面保障业务场景中物理实体的三维模型数据、属性数据、实时运行数据以及业务逻辑关系网，构建虚拟空间中的数字孪生体，所述业务逻辑关系网是通过航班地面保障业务场景、业务处理流程以及物理实体的应用功能确定的，所述物理实体包括航空器、保障车辆以及飞行区地图；
步骤2、通过对虚拟空间中航班地面保障过程数据进行网格化处理，并利用历史数据解析网络参数的建模，以及捕捉断点时刻的航班地面保障运行状态和未来调度计划信息，获取断点状态规律的建模，构建基于网格化的实时断点仿真模型，基于所述实时断点仿真模型进行实时数据驱动的断点仿真推演，构建时空动态知识图谱，所述网络参数包括航空器路径、保障车辆路径以及服务时间参数；
步骤3、将时空动态知识图谱的延误传播路线引入到贝叶斯网络结构中，利用延误传播树结合贝叶斯网络进行延误及传播诊断推理。
根据一种优选实施方式，构建所述数字孪生体采用的孪生体构建模型包括：三维模型层、孪生单体层、孪生业务流层以及孪生应用算法层；
其中，所述三维模型层用于对航班地面保障业务场景中物理实体的几何信息进行建模映射，构建三维物理模型；
所述孪生单体层用于构建数字孪生体的对象和属性，并将物理实体中移动对象的移动信息、时间信息以及未来调度计划信息同步至数字孪生体中；
所述孪生业务流层用于基于解析的航班地面保障业务规则对各个数字孪生体进行关联，构建航班地面保障业务流程的图谱网络；
所述孪生应用算法层用于对解析规则和解析方法进行动态维护和更新应用。
根据一种优选实施方式，在所述孪生体构建模型的孪生单体层中，航班地面保障业务场景中需要获取的映射数据被定义为：
上式中，表示移动对象的移动信息，/>表示从实时传感器中获得的航天器的位置信息和速度信息，/>表示在虚拟空间中的映射位置信息，/>表示速度信息，/>表示从实时传感器中获得的保障车辆的位置信息和速度信息；
表示航班地面保障环节及其时间，/>表示航班地面保障过程中的保障车辆根据实时传输的时间进行动态更新，/>表示对应环节的真实完成时间，如果作业未完成，则/>用null表示；
表示未来调度计划信息，/>表示计划的航班，/>表示按照未来调度计划服务于航班/>的各种保障车辆。
根据一种优选实施方式，在所述孪生体构建模型的孪生业务流层中，航空器滑行路径的解析被定义为：
上式中，表示由变量/>和/>决定的函数，/>表示航空器的滑行路径，/>表示航空器所在的跑道号，/>表示航空器所在的机位；
保障车辆路径的解析被定义为：
上式中，表示由变量/>和/>决定的函数，/>表示车辆的服务路径，/>表示第/>类保障车辆的起点，/>表示第/>类保障车辆的终点。
根据一种优选实施方式，所述步骤2具体包括：
步骤21、进行建立航班智能体、保障车辆智能体以及控制中心，并通过数字孪生实现各智能体的全局通信以及信息共享的建模；
其中，所述航班智能体的定义如下：根据航班未来调度计划信息生成相应的航班智能体，由航班智能体/>执行各项航班地面保障业务流程，所述航班智能体/>的属性包括航班位置信息、航班计划到达时间、航班计划离开时间以及保障车辆调度任务；
所述保障车辆智能体的定义如下：按照调度计划服务于航班智能体，根据航班智能体/>向控制中心发送的保障车辆调度任务，计算保障车辆的出发时间，并根据动态位置信息计算行驶时长，所述保障车辆智能体的属性包括保障车辆位置信息、保障车辆可用服务时间以及保障车辆状态信息；
所述控制中心的定义如下：负责接收航班智能体发送的保障车辆调度任务，基于保障车辆位置信息、保障车辆可用服务时间以及保障车辆状态信息进行保障车辆的调度；
步骤22、进行基于正态分布、伽马分布、贝塔分布、指数幂分布、柯西分布、t分布、幂律分布、拉普拉斯分布、KL散度其中的一种或多种分布函数对断点状态参数进行解析的建模；
步骤23、基于步骤21和步骤22的建模，构建基于网格化的实时断点仿真模型，基于所述实时断点仿真模型进行实时数据驱动的断点仿真推演。
根据一种优选实施方式，在所述步骤22中，所述对断点状态参数进行解析，包括：利用正态分布、伽马分布、贝塔分布、指数幂分布、柯西分布对断点状态参数进行分布拟合，利用t分布、幂律分布、拉普拉斯分布对服务过程的规律进行拟合，利用KL散度对拟合结果差异进行评价。
根据一种优选实施方式，在所述延误传播树中，首部节点只受到前序关联保障车辆的影响，条件概率函数为：
, i=1,2,3
上式中，表示前序关联保障车辆/>发生延误条件下保障车辆/>的延误概率，/>表示前序关联保障车辆/>发生延误的概率，/>表示保障车辆/>和前序关联保障车辆/>同时发生延误的概率；
中间节点还受到航班内部前序保障车辆的影响，概率密度函数为：
上式中，表示前序关联保障车辆/>和航班内部前序保障车辆/>发生延误条件下保障车辆/>的延误概率，/>表示航班内部前序保障车辆/>发生延误的概率，/>表示前序关联保障车辆/>和航班内部前序保障车辆同时发生延误的概率；
尾部节点只受到航班内部前序保障车辆的影响，概率密度函数为：
上式中，表示航班内部前序保障车辆/>发生延误条件下保障车辆/>的延误概率，/>表示保障车辆/>和航班内部前序保障车辆/>同时发生延误的概率。
根据一种优选实施方式，在所述延误及传播诊断推理中，当诊断出某个或多个节点延误状态时，从根节点出发利用贝叶斯网络概率分布进行延误传播推理，表达式如下：
上式中，表示根节点/>发生延误条件下后续关联节点/>的延误概率，表示后续关联节点的先验概率，/>表示根节点的发生概率，/>表示根节点/>和后续关联节点/>同时发生延误的概率。
本发明还提供数字孪生驱动的航班地面保障延误诊断系统，包括：
数字孪生体构建模块，用于基于航班地面保障业务场景中物理实体的三维模型数据、属性数据、实时运行数据以及业务逻辑关系网，构建虚拟空间中的数字孪生体，所述业务逻辑关系网是通过航班地面保障业务场景、业务处理流程以及物理实体的应用功能确定的，所述物理实体包括航空器、保障车辆以及飞行区地图；
仿真模块，用于通过对虚拟空间中航班地面保障过程数据进行网格化处理，并利用历史数据解析网络参数的建模，以及捕捉断点时刻的航班地面保障运行状态和未来调度计划信息，获取断点状态规律的建模，构建基于网格化的实时断点仿真模型，基于所述实时断点仿真模型进行实时数据驱动的断点仿真推演，构建时空动态知识图谱，所述网络参数包括航空器路径、保障车辆路径以及服务时间参数；
诊断模块，用于将时空动态知识图谱的延误传播路线引入到贝叶斯网络结构中，利用延误传播树结合贝叶斯网络进行延误及传播诊断推理。
本发明还提供一种电子设备，包括：存储器，所述存储器存储执行指令；以及处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行如上述所述的方法。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明通过融合业务逻辑与时序依赖关系进行数字孪生体的构建，结合航班地面保障业务事件分级模型，解决了现有航班地面保障动态解析灵活度差的问题；通过对航班地面保障业务的解析与断点状态规律的建模，实现了实时数据驱动的仿真推演，能有效解决现有的离线式仿真方法从最开始进行整体仿真导致的误差累计的问题；通过构建基于时空动态知识图谱的延误及传播诊断算法，利用延误传播树结合贝叶斯网络进行延误及传播诊断推理，能够有效解决现有的航班地面保障过程诊断能力不足和实时管控效率低下的问题。
附图说明
图1为本发明实施例1提供的数字孪生驱动的航班地面保障延误诊断方法的流程示意图。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
参见图1所示，图1为本发明实施例所提供的数字孪生驱动的航班地面保障延误诊断方法的流程示意图，
具体地，该方法步骤如下：
步骤一、基于航班地面保障业务场景中物理实体的三维模型数据、属性数据、实时运行数据以及业务逻辑关系网，构建虚拟空间中的数字孪生体，所述业务逻辑关系网是通过航班地面保障业务场景、业务处理流程以及物理实体的应用功能确定的。
本实施例构建数字孪生体利用的孪生体构建模型包括：三维模型层、孪生单体层、孪生业务流层以及孪生应用算法层；其中，所述三维模型层用于对航班地面保障业务场景中物理实体的几何信息进行建模映射，构建三维物理模型，所述物理实体包括机场的航空器、保障车辆以及飞行区地图；所述孪生单体层用于构建数字孪生体的对象和属性，并将物理实体中移动对象的移动信息、时间信息以及未来调度计划信息实时同步至数字孪生体中；所述孪生业务流层用于基于解析的航班地面保障业务规则对各个数字孪生体进行关联，构建航班地面保障业务流程的图谱网络；所述孪生应用算法层用于对解析规则和解析方法进行动态维护和更新应用。
在本实施例的一种实施方式中，孪生单体层和孪生业务流层分别进行如下定义：孪生单体层将航班地面保障业务场景中需要获取的映射数据定义为：
上式中，表示移动对象的移动信息，/>表示从实时传感器中获得的航天器的位置信息和速度信息，/>表示在虚拟空间中的映射位置信息，/>表示速度信息，/>表示从实时传感器中获得的保障车辆的位置信息和速度信息，用于驱动航空器和保障车辆在虚拟世界中进行移动以便与物理空间中的实体保持同步；/>表示航班地面保障环节及其时间，/>表示航班地面保障过程中的保障车辆根据实时传输的时间进行动态更新，/>表示对应环节的真实完成时间，如果作业未完成，则/>用null表示；/>表示未来调度计划信息，/>表示计划的航班，表示按照未来调度计划服务于航班/>的各种保障车辆。
孪生业务流层将航空器滑行路径的解析定义为：
上式中，表示由变量/>和/>决定的函数，/>表示航空器的滑行路径，每个航空器的滑行路径由其所在的跑道号和机位决定，/>表示航空器所在的跑道号，/>表示航空器所在的机位；
将保障车辆路径的解析定义为：
上式中，每种保障车辆的服务路径由保障车辆的起点和终点决定，表示由变量/>和/>决定的函数，/>表示车辆的服务路径，/>表示第/>类保障车辆的起点，/>表示第/>类保障车辆的终点。
需要说明的是，本发明步骤一通过融合业务逻辑与时序依赖关系进行数字孪生体的构建，结合航班地面保障业务事件分级模型，解决了现有航班地面保障动态解析灵活度差的问题。
步骤二、通过对虚拟空间中航班地面保障过程数据进行网格化处理，并利用历史数据解析网络参数的建模，以及捕捉断点时刻的航班地面保障运行状态和未来调度计划信息，获取断点状态规律的建模，构建基于网格化的实时断点仿真模型，基于所述实时断点仿真模型进行实时数据驱动的断点仿真推演，构建时空动态知识图谱，所述网络参数包括航空器路径、保障车辆路径以及服务时间参数。
在本实施例的一种实施方式中，所述步骤二具体包括：
步骤21、进行建立航班智能体、保障车辆智能体以及控制中心，并通过数字孪生实现各智能体的全局通信以及信息共享的建模。
其中，所述航班智能体的定义如下：根据航班未来调度计划信息生成相应的航班智能体，由航班智能体/>执行各项航班地面保障业务流程，所述航班智能体/>的属性包括航班位置信息、航班计划到达时间、航班计划离开时间以及保障车辆调度任务。
所述保障车辆智能体的定义如下：按照调度计划服务于航班智能体，根据航班智能体/>向控制中心发送的保障车辆调度任务，计算保障车辆的出发时间，并根据动态位置信息计算行驶时长，所述保障车辆智能体的属性包括保障车辆位置信息、保障车辆可用服务时间以及保障车辆状态信息。
所述控制中心的定义如下：负责接收航班智能体发送的保障车辆调度任务，基于保障车辆位置信息、保障车辆可用服务时间以及保障车辆状态信息进行保障车辆的调度。
步骤22、进行基于正态分布、伽马分布、贝塔分布、指数幂分布、柯西分布、t分布、幂律分布、拉普拉斯分布、KL散度其中的一种或多种分布函数对断点状态参数进行解析的建模。具体到本实施例的一种实施方式中，所述对断点状态参数进行解析，包括：利用正态分布、伽马分布、贝塔分布、指数幂分布、柯西分布对断点状态参数进行分布拟合，利用t分布、幂律分布、拉普拉斯分布对服务过程的规律进行拟合，利用KL散度对拟合结果差异进行评价。
以下对各分布函数的定义进行说明：
关于正态分布，正态分布又名高斯分布，用于描述数据的离散趋势，在总体方差已知或者在样本数量足够多时使用，分布曲线为钟形（中间高两端低），期望为μ、方差为的正态分布概率密度函数为：
当μ=0，=1时则称服从标准正态分布，/>表示以/>为底的指数函数。
伽马分布是一种连续概率函数，其中指数分布与分布都属于伽马分布，假设随机变量x为等到第α件事发生所需之等候时间，且每个事件之间的等待时间是互相独立的，α为事件发生的次数，β代表事件发生一次的概率，那么这α个事件的时间之和服从伽马分布，其概率密度函数为：
其中，均值μ与方差/>分别为：
当α=1、β=1/λ时，伽马分布为参数为λ的指数分布；当α=n/2、β=1/2时，伽马分布即为自由度为n的分布。
贝塔分布是一组定义在(0,1)区间的连续概率分布，有两个参数α、β，分布函数如下：
指数幂分布又称指数分布，均值为的指数分布概率密度函数为：
柯西分布是一个数学期望不存在的连续型概率分布，其概率密度函数为：
其中，为定义分布峰值位置的位置参数，/>为最大值一半处的一半宽度的尺度参数。
t分布用于根据小样本来估计呈正态分布且方差未知的总体的均值，假设服从标准正态分布，/>服从自由度为n的/>分布，则称/>服从自由度为n的t分布。
幂律分布是指某个具有分布性质的变量，且其分布密度函数是幂函数，假设变量x服从参数为α的幂律分布，则其概率密度函数可以表示为：
拉普拉斯分布是一种连续概率分布，其密度函数为：
其中α为位置参数，β为尺度参数。
KL散度表示一个概率分布相对于另一个概率分布的差异程度，在信息论中又称为相对熵。假设离散概率空间X上有两个概率分布P、Q，那么P相对于Q的KL散度定义为：
对于连续型随机变量，设概率空间X上有两个概率分布P和Q，其概率密度分别为p和q，那么，P相对于Q的KL散度定义为：
对于断点状态的计算，以下进行举例说明：
对于正在服务中的车辆和航空器，通过断点时刻往前回溯获得车辆的起始出发位置信息，然后推断在断点时刻车辆的服务路径，计算方法如下：
C
上式中，表示车辆的起始位置，/>表示航班/>的机位信息；
同理，可根据航空器的当前位置索引其所在的机位以及跑道号/>，最后根据断点时刻的位置信息，驱动航空器和保障车辆完成后续的仿真模拟。
步骤23、基于步骤21和步骤22的建模，构建基于网格化的实时断点仿真模型，基于所述实时断点仿真模型进行实时数据驱动的断点仿真推演。
需要说明的是，本发明实施例步骤二通过对航班地面保障业务的解析与断点状态规律的建模，实现了实时数据驱动的仿真推演，能有效解决现有的离线式仿真方法从最开始进行整体仿真导致的误差累计的问题
考虑到多个航班地面保障过程构成的网络并不是严格的贝叶斯网络结构，影响每个航班受到的前序节点是变化的，而且跟各种车辆的调度计划密切相关；因此，本实施例的步骤三构建一种基于知识图谱的贝叶斯网络。
步骤三、将时空动态知识图谱的延误传播路线引入到贝叶斯网络结构中，利用延误传播树结合贝叶斯网络进行延误及传播诊断推理。
在本实施例的一种实施方式中，在融合了延误传播树后，各个节点的条件概率分为三种情况：首部节点、中部节点以及尾部节点，其中，首部节点只受到前序关联保障车辆的影响，条件概率函数为：
, i=1,2,3
上式中，表示前序关联保障车辆/>发生延误条件下保障车辆/>的延误概率，/>表示前序关联保障车辆/>发生延误的概率，/>表示保障车辆/>和前序关联保障车辆/>同时发生延误的概率；
中间节点还受到航班内部前序保障车辆的影响，概率密度函数为：
上式中，表示前序关联保障车辆/>和航班内部前序保障车辆/>发生延误条件下保障车辆/>的延误概率，/>表示航班内部前序保障车辆/>发生延误的概率，/>表示前序关联保障车辆/>和航班内部前序保障车辆同时发生延误的概率；
尾部节点只受到航班内部前序保障车辆的影响，概率密度函数为：
上式中，表示航班内部前序保障车辆/>发生延误条件下保障车辆/>的延误概率，/>表示保障车辆/>和航班内部前序保障车辆/>同时发生延误的概率。
进一步地，在所述延误及传播诊断推理中，当诊断出某个或多个节点延误状态时，从根节点出发利用贝叶斯网络概率分布进行延误传播推理，表达式如下：
上式中，表示根节点/>发生延误条件下后续关联节点/>的延误概率，表示后续关联节点的先验概率，/>表示根节点的发生概率，/>表示根节点/>和后续关联节点/>同时发生延误的概率。
需要说明的是，本发明实施例步骤三通过构建基于时空动态知识图谱的延误及传播诊断算法，利用延误传播树结合贝叶斯网络进行延误及传播诊断推理，能够有效解决现有的航班地面保障过程诊断能力不足和实时管控效率低下的问题。
实施例2
本实施例提供数字孪生驱动的航班地面保障延误诊断系统，包括：
数字孪生体构建模块，用于基于航班地面保障业务场景中物理实体的三维模型数据、属性数据、实时运行数据以及业务逻辑关系网，构建虚拟空间中的数字孪生体，所述业务逻辑关系网是通过航班地面保障业务场景、业务处理流程以及物理实体的应用功能确定的，所述物理实体包括航空器、保障车辆以及飞行区地图；
仿真模块，用于通过对虚拟空间中航班地面保障过程数据进行网格化处理，并利用历史数据解析网络参数的建模，以及捕捉断点时刻的航班地面保障运行状态和未来调度计划信息，获取断点状态规律的建模，构建基于网格化的实时断点仿真模型，基于所述实时断点仿真模型进行实时数据驱动的断点仿真推演，构建时空动态知识图谱，所述网络参数包括航空器路径、保障车辆路径以及服务时间参数；
诊断模块，用于将时空动态知识图谱的延误传播路线引入到贝叶斯网络结构中，利用延误传播树结合贝叶斯网络进行延误及传播诊断推理。
实施例3
本实施例提供一种电子设备，包括：存储器，所述存储器存储执行指令；以及处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行如实施例1所述的方法。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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.数字孪生驱动的航班地面保障延误诊断方法，其特征在于，方法步骤如下：
步骤1、基于航班地面保障业务场景中物理实体的三维模型数据、属性数据、实时运行数据以及业务逻辑关系网，构建虚拟空间中的数字孪生体，所述业务逻辑关系网是通过航班地面保障业务场景、业务处理流程以及物理实体的应用功能确定的，所述物理实体包括航空器、保障车辆以及飞行区地图；
步骤2、通过对虚拟空间中航班地面保障过程数据进行网格化处理，并利用历史数据解析网络参数的建模，以及捕捉断点时刻的航班地面保障运行状态和未来调度计划信息，获取断点状态规律的建模，构建基于网格化的实时断点仿真模型，基于所述实时断点仿真模型进行实时数据驱动的断点仿真推演，构建时空动态知识图谱，所述网络参数包括航空器路径、保障车辆路径以及服务时间参数；
步骤3、将时空动态知识图谱的延误传播路线引入到贝叶斯网络结构中，利用延误传播树结合贝叶斯网络进行延误及传播诊断推理。
2.如权利要求1所述的数字孪生驱动的航班地面保障延误诊断方法，其特征在于，构建所述数字孪生体采用的孪生体构建模型包括：三维模型层、孪生单体层、孪生业务流层以及孪生应用算法层；
其中，所述三维模型层用于对航班地面保障业务场景中物理实体的几何信息进行建模映射，构建三维物理模型；
所述孪生单体层用于构建数字孪生体的对象和属性，并将物理实体中移动对象的移动信息、时间信息以及未来调度计划信息同步至数字孪生体中；
所述孪生业务流层用于基于解析的航班地面保障业务规则对各个数字孪生体进行关联，构建航班地面保障业务流程的图谱网络；
所述孪生应用算法层用于对解析规则和解析方法进行动态维护和更新应用。
3.如权利要求2所述的数字孪生驱动的航班地面保障延误诊断方法，其特征在于，在所述孪生体构建模型的孪生单体层中，航班地面保障业务场景中需要获取的映射数据被定义为：
上式中，表示移动对象的移动信息，/>表示从实时传感器中获得的航天器的位置信息和速度信息，/>表示在虚拟空间中的映射位置信息，/>表示速度信息，/>表示从实时传感器中获得的保障车辆的位置信息和速度信息；
表示航班地面保障环节及其时间，/>表示航班地面保障过程中的保障车辆根据实时传输的时间进行动态更新，/>表示对应环节的真实完成时间，如果作业未完成，则用null表示；
表示未来调度计划信息，/>表示计划的航班，/>表示按照未来调度计划服务于航班/>的各种保障车辆。
4.如权利要求2所述的数字孪生驱动的航班地面保障延误诊断方法，其特征在于，在所述孪生体构建模型的孪生业务流层中，航空器滑行路径的解析被定义为：
上式中，表示由变量/>和/>决定的函数，/>表示航空器的滑行路径，/>表示航空器所在的跑道号，/>表示航空器所在的机位；
保障车辆路径的解析被定义为：
上式中，表示由变量/>和/>决定的函数，/>表示车辆的服务路径，表示第/>类保障车辆的起点，/>表示第/>类保障车辆的终点。
5.如权利要求1所述的数字孪生驱动的航班地面保障延误诊断方法，其特征在于，所述步骤2具体包括：
步骤21、进行建立航班智能体、保障车辆智能体以及控制中心，并通过数字孪生实现各智能体的全局通信以及信息共享的建模；
其中，所述航班智能体的定义如下：根据航班未来调度计划信息生成相应的航班智能体，由航班智能体/>执行各项航班地面保障业务流程，所述航班智能体/>的属性包括航班位置信息、航班计划到达时间、航班计划离开时间以及保障车辆调度任务；
所述保障车辆智能体的定义如下：按照调度计划服务于航班智能体，根据航班智能体/>向控制中心发送的保障车辆调度任务，计算保障车辆的出发时间，并根据动态位置信息计算行驶时长，所述保障车辆智能体的属性包括保障车辆位置信息、保障车辆可用服务时间以及保障车辆状态信息；
所述控制中心的定义如下：负责接收航班智能体发送的保障车辆调度任务，基于保障车辆位置信息、保障车辆可用服务时间以及保障车辆状态信息进行保障车辆的调度；
步骤22、进行基于正态分布、伽马分布、贝塔分布、指数幂分布、柯西分布、t分布、幂律分布、拉普拉斯分布、KL散度其中的一种或多种分布函数对断点状态参数进行解析的建模；
步骤23、基于步骤21和步骤22的建模，构建基于网格化的实时断点仿真模型，基于所述实时断点仿真模型进行实时数据驱动的断点仿真推演。
6.如权利要求5所述的数字孪生驱动的航班地面保障延误诊断方法，其特征在于，在所述步骤22中，所述对断点状态参数进行解析，包括：利用正态分布、伽马分布、贝塔分布、指数幂分布、柯西分布对断点状态参数进行分布拟合，利用t分布、幂律分布、拉普拉斯分布对服务过程的规律进行拟合，利用KL散度对拟合结果差异进行评价。
7.如权利要求1所述的数字孪生驱动的航班地面保障延误诊断方法，其特征在于，在所述延误传播树中，首部节点只受到前序关联保障车辆的影响，条件概率函数为：
, i=1,2,3
上式中，表示前序关联保障车辆/>发生延误条件下保障车辆/>的延误概率，/>表示前序关联保障车辆/>发生延误的概率，/>表示保障车辆和前序关联保障车辆/>同时发生延误的概率；
中间节点还受到航班内部前序保障车辆的影响，概率密度函数为：
上式中，表示前序关联保障车辆/>和航班内部前序保障车辆发生延误条件下保障车辆/>的延误概率，/>表示航班内部前序保障车辆/>发生延误的概率，/>表示前序关联保障车辆/>和航班内部前序保障车辆同时发生延误的概率；
尾部节点只受到航班内部前序保障车辆的影响，概率密度函数为：
上式中，表示航班内部前序保障车辆/>发生延误条件下保障车辆/>的延误概率，/>表示保障车辆/>和航班内部前序保障车辆/>同时发生延误的概率。
8.如权利要求7所述的数字孪生驱动的航班地面保障延误诊断方法，其特征在于，在所述延误及传播诊断推理中，当诊断出某个或多个节点延误状态时，从根节点出发利用贝叶斯网络概率分布进行延误传播推理，表达式如下：
上式中，表示根节点/>发生延误条件下后续关联节点/>的延误概率，/>表示后续关联节点的先验概率，/>表示根节点的发生概率，/>表示根节点/>和后续关联节点/>同时发生延误的概率。
9.数字孪生驱动的航班地面保障延误诊断系统，其特征在于，包括：
数字孪生体构建模块，用于基于航班地面保障业务场景中物理实体的三维模型数据、属性数据、实时运行数据以及业务逻辑关系网，构建虚拟空间中的数字孪生体，所述业务逻辑关系网是通过航班地面保障业务场景、业务处理流程以及物理实体的应用功能确定的，所述物理实体包括航空器、保障车辆以及飞行区地图；
仿真模块，用于通过对虚拟空间中航班地面保障过程数据进行网格化处理，并利用历史数据解析网络参数的建模，以及捕捉断点时刻的航班地面保障运行状态和未来调度计划信息，获取断点状态规律的建模，构建基于网格化的实时断点仿真模型，基于所述实时断点仿真模型进行实时数据驱动的断点仿真推演，构建时空动态知识图谱，所述网络参数包括航空器路径、保障车辆路径以及服务时间参数；
诊断模块，用于将时空动态知识图谱的延误传播路线引入到贝叶斯网络结构中，利用延误传播树结合贝叶斯网络进行延误及传播诊断推理。
10.一种电子设备，其特征在于，包括：存储器，所述存储器存储执行指令；
以及处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323419.4A CN117933840B (zh) | 2024-03-21 | 2024-03-21 | 数字孪生驱动的航班地面保障延误诊断方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410323419.4A CN117933840B (zh) | 2024-03-21 | 2024-03-21 | 数字孪生驱动的航班地面保障延误诊断方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117933840A true CN117933840A (zh) | 2024-04-26 |
| CN117933840B CN117933840B (zh) | 2024-05-31 |
Family
ID=90752224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410323419.4A Active CN117933840B (zh) | 2024-03-21 | 2024-03-21 | 数字孪生驱动的航班地面保障延误诊断方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117933840B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118586673A (zh) * | 2024-08-01 | 2024-09-03 | 中国民用航空总局第二研究所 | 一种基于仿真模型的机场特种车辆调度方法及系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101546484A (zh) * | 2009-04-30 | 2009-09-30 | 南京航空航天大学 | 基于soa的航班延误波及分析与预测系统及其运作方法 |
| CN112053085A (zh) * | 2020-09-16 | 2020-12-08 | 四川大学 | 一种基于数字孪生的机场场面运行管理系统及方法 |
| CN112258898A (zh) * | 2020-10-16 | 2021-01-22 | 中国民用航空华东地区空中交通管理局 | 基于数字孪生技术的空中交通管制方法、系统、电子设备及存储介质 |
| US20210203577A1 (en) * | 2019-12-31 | 2021-07-01 | Cisco Technology, Inc. | Asymmetry compensation for private line emulation |
| CN114723904A (zh) * | 2022-04-13 | 2022-07-08 | 腾讯科技（深圳）有限公司 | 机场数据的动态管理方法、系统、计算机设备和存储介质 |
| CN115016913A (zh) * | 2022-06-21 | 2022-09-06 | 中国民用航空总局第二研究所 | 基于数字孪生模型的机场特种车辆实时调度方法及系统 |
| CN115086202A (zh) * | 2022-04-14 | 2022-09-20 | 安世亚太科技股份有限公司 | 一种基于网络数字孪生体的时延分析方法及系统 |
| CN115189908A (zh) * | 2022-05-24 | 2022-10-14 | 安世亚太科技股份有限公司 | 一种基于网络数字孪生体的随机攻击生存性评估方法 |
| CN115563680A (zh) * | 2022-10-09 | 2023-01-03 | 阿里云计算有限公司 | 数字孪生对象处理方法以及系统 |
| US20230004149A1 (en) * | 2021-07-02 | 2023-01-05 | Northeastern University | Digital twin modeling and optimization of production processes |
| US20230118644A1 (en) * | 2021-10-19 | 2023-04-20 | Ge Aviation Systems Llc | Network digital twin of airline operations |
| US20230123322A1 (en) * | 2021-04-16 | 2023-04-20 | Strong Force Vcn Portfolio 2019, Llc | Predictive Model Data Stream Prioritization |
| CN116305564A (zh) * | 2023-03-14 | 2023-06-23 | 东北大学 | 一种航空发动机转子系统数字孪生模型试验台设计方法 |
| CN116775940A (zh) * | 2022-03-10 | 2023-09-19 | 深圳顺丰泰森控股(集团)有限公司 | 基于数字孪生的货运机场数据处理方法及相关装置 |
| CN117252407A (zh) * | 2023-11-20 | 2023-12-19 | 中国民用航空总局第二研究所 | 基于数字孪生体的航空机场监控方法、装置、设备及介质 |
| CN117314123A (zh) * | 2023-11-28 | 2023-12-29 | 民航机场成都电子工程设计有限责任公司 | 一种基于数字孪生的自动调整航班进出港时间的方法 |
-
2024
- 2024-03-21 CN CN202410323419.4A patent/CN117933840B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101546484A (zh) * | 2009-04-30 | 2009-09-30 | 南京航空航天大学 | 基于soa的航班延误波及分析与预测系统及其运作方法 |
| US20210203577A1 (en) * | 2019-12-31 | 2021-07-01 | Cisco Technology, Inc. | Asymmetry compensation for private line emulation |
| CN112053085A (zh) * | 2020-09-16 | 2020-12-08 | 四川大学 | 一种基于数字孪生的机场场面运行管理系统及方法 |
| CN112258898A (zh) * | 2020-10-16 | 2021-01-22 | 中国民用航空华东地区空中交通管理局 | 基于数字孪生技术的空中交通管制方法、系统、电子设备及存储介质 |
| US20230123322A1 (en) * | 2021-04-16 | 2023-04-20 | Strong Force Vcn Portfolio 2019, Llc | Predictive Model Data Stream Prioritization |
| US20230004149A1 (en) * | 2021-07-02 | 2023-01-05 | Northeastern University | Digital twin modeling and optimization of production processes |
| US20230118644A1 (en) * | 2021-10-19 | 2023-04-20 | Ge Aviation Systems Llc | Network digital twin of airline operations |
| CN116775940A (zh) * | 2022-03-10 | 2023-09-19 | 深圳顺丰泰森控股(集团)有限公司 | 基于数字孪生的货运机场数据处理方法及相关装置 |
| CN114723904A (zh) * | 2022-04-13 | 2022-07-08 | 腾讯科技（深圳）有限公司 | 机场数据的动态管理方法、系统、计算机设备和存储介质 |
| CN115086202A (zh) * | 2022-04-14 | 2022-09-20 | 安世亚太科技股份有限公司 | 一种基于网络数字孪生体的时延分析方法及系统 |
| CN115189908A (zh) * | 2022-05-24 | 2022-10-14 | 安世亚太科技股份有限公司 | 一种基于网络数字孪生体的随机攻击生存性评估方法 |
| CN115016913A (zh) * | 2022-06-21 | 2022-09-06 | 中国民用航空总局第二研究所 | 基于数字孪生模型的机场特种车辆实时调度方法及系统 |
| CN115563680A (zh) * | 2022-10-09 | 2023-01-03 | 阿里云计算有限公司 | 数字孪生对象处理方法以及系统 |
| CN116305564A (zh) * | 2023-03-14 | 2023-06-23 | 东北大学 | 一种航空发动机转子系统数字孪生模型试验台设计方法 |
| CN117252407A (zh) * | 2023-11-20 | 2023-12-19 | 中国民用航空总局第二研究所 | 基于数字孪生体的航空机场监控方法、装置、设备及介质 |
| CN117314123A (zh) * | 2023-11-28 | 2023-12-29 | 民航机场成都电子工程设计有限责任公司 | 一种基于数字孪生的自动调整航班进出港时间的方法 |
Non-Patent Citations (4)
| Title |
|---|
| CHEN WANG 等: "Local airspace traffic prediction and flow control strategy recommendation system", IEEE XPLORE, 15 July 2021 (2021-07-15), pages 1 - 4, XP033976405, DOI: 10.1109/DTPI52967.2021.9540091 * |
| LIU CHANG 等: "Scheduling Strategy for Specialized Vehicles Based on Digital Twin in Airport:", WEB AND BIG DATA: 6TH INTERNATIONAL JOINT CONFERENCE, 1 July 2023 (2023-07-01), pages 42 - 54 * |
| 丁建立 等: "基于数字孪生的航班链延误动态预测模型", 南京航空航天大学学报, vol. 55, no. 5, 31 October 2023 (2023-10-31), pages 859 - 868 * |
| 王红微;杨鹏;靳慧斌;曹益铭;: "基于数字孪生的航班保障预警系统", 科学技术与工程, no. 24, 28 August 2020 (2020-08-28), pages 287 - 295 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118586673A (zh) * | 2024-08-01 | 2024-09-03 | 中国民用航空总局第二研究所 | 一种基于仿真模型的机场特种车辆调度方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117933840B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8843302B2 (en) | Conflict detection and resolution using predicted aircraft trajectories | |
| Saifutdinov et al. | Digital twin as a decision support tool for airport traffic control | |
| CN117933840B (zh) | 数字孪生驱动的航班地面保障延误诊断方法、系统及设备 | |
| US9053634B2 (en) | Conflict detection and resolution using predicted aircraft trajectories | |
| Sorkhoh et al. | Optimizing information freshness for MEC-enabled cooperative autonomous driving | |
| CN113140134B (zh) | 一种面向智慧空管系统的航班延误智能预测框架 | |
| CN110988880A (zh) | 一种基于smr目标轨迹的地理信息提取及目标跟踪方法 | |
| CN114281104A (zh) | 一种基于改进蚁群算法的多无人机协同调控方法 | |
| Zhang et al. | A hierarchical heuristic approach for solving air traffic scheduling and routing problem with a novel air traffic model | |
| CN113283666A (zh) | 一种卫星群的启发式智能任务推理与决策方法 | |
| CN109359151B (zh) | 一种船体分段物流大数据可视化平台 | |
| Bilen et al. | Digital twin evolution for hard-to-follow aeronautical ad-hoc networks in beyond 5g | |
| CN109062677A (zh) | 一种无人机系统计算迁移方法 | |
| Statsenko et al. | Developing software and hardware for automation of ground urban transport traffic management | |
| CN113505713A (zh) | 一种基于机场安全管理平台的视频智能分析方法及系统 | |
| CN114493206B (zh) | 基于bim的全局机场管理系统及方法 | |
| Wang et al. | OPM & color petri nets based executable system of systems architecting: A building block in FILA-SoS | |
| Ying et al. | Terminal Traffic Flow Prediction Method Under Convective Weather Using Deep Learning Approaches. | |
| CN115018001A (zh) | 基于Spark架构的时空大数据分析计算方法 | |
| Das et al. | Deep Learning Based Negotiation Strategy Selection for Cooperative Conflict Resolution in Urban Air Mobility | |
| CN114490061A (zh) | 基于语义威胁模型的无人机通信干扰任务生成方法 | |
| CN117629207B (zh) | 一种双层路径规划方法、装置、设备及存储介质 | |
| Dovgal | A Scheme of Data Analysis by Sensors of a Swarm of Drones Performing a Search Mission Based on a Fog Architecture Using the Internet of Things | |
| Godwin et al. | A distributed system for collaboration and control of uav groups: Experiments and analysis | |
| CN113190632A (zh) | 一种轨迹复原算法的模型建立方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |