TW201441099A - 一種飛機行爲預測系統及預測方法 - Google Patents

一種飛機行爲預測系統及預測方法 Download PDF

Info

Publication number
TW201441099A
TW201441099A TW103103882A TW103103882A TW201441099A TW 201441099 A TW201441099 A TW 201441099A TW 103103882 A TW103103882 A TW 103103882A TW 103103882 A TW103103882 A TW 103103882A TW 201441099 A TW201441099 A TW 201441099A
Authority
TW
Taiwan
Prior art keywords
area
prediction
data
behavior
flight
Prior art date
Application number
TW103103882A
Other languages
English (en)
Other versions
TWI642598B (zh
Inventor
Hong Chi
bao-guang Xu
ming-liang Qi
ning-ning Zang
xue-yan Shao
Min-Gang Gao
Biao Shi
xian-chun Tan
Original Assignee
Air China Ltd
Inst Of Policy And Man Chinese Academy Of Sciences
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 Air China Ltd, Inst Of Policy And Man Chinese Academy Of Sciences filed Critical Air China Ltd
Publication of TW201441099A publication Critical patent/TW201441099A/zh
Application granted granted Critical
Publication of TWI642598B publication Critical patent/TWI642598B/zh

Links

Classifications

    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/003—Flight plan management
    • G08G5/0039—Modification of a flight plan
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0043—Traffic management of multiple aircrafts from the ground
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0047—Navigation or guidance aids for a single aircraft
    • G08G5/0056—Navigation or guidance aids for a single aircraft in an emergency situation, e.g. hijacking

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Emergency Management (AREA)
  • Tourism & Hospitality (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Operations Research (AREA)

Abstract

本發明提供一種飛機行為預測系統，包括：模型生成單元，其根據兩個或兩個以上飛行行為資料維度構建資料空間，並根據搜索條件和約束條件生成飛行行為預測模型；資料獲取單元，其獲取飛行行為資料；以及預測單元，其根據該飛行行為資料，利用該飛行行為預測模型在該資料空間上搜索非正常飛行行為高占比區域。

Description

一種飛機行為預測系統及預測方法
本發明係關於一種飛機相關技術，特別係關於一種飛機行為預測系統及預測方法。
在飛機運行中，飛行安全必須得到保證。當出現可能影響到飛行安全的情況時，就需要對飛機的正常飛行行為做出調整，以確保飛行安全。飛機的非正常飛行行為包括航班取消、航線變更、晚點、返航和備降等。飛機的非正常飛行行為會降低飛行可靠性，影響飛行安全；同時也極大地損害旅客乘坐的舒適度和滿意度。所有的航空公司都在努力研究飛機的非正常行為，希望能找出辦法來盡可能減少飛機的這些行為。所以，對飛機的非正常行為進行合理預測也成為各個航空公司研究的重要課題。然而，這一技術問題困擾各個航空公司多年，始終沒有得到解決。
針對現有技術中存在的一個或多個技術問題，根據本發明的一個方面，提出一種飛機行為預測系統，包括：模型生成單元，其根據兩個或兩個以上飛行行為資料維度構建資料空間，並根據搜索條件和約束條件生成飛行行為預測模型；資料獲取單元，其獲取飛行行為資料；以及預測單元，其根據該飛行行為資料，利用該飛行行為預測模型在該資料空間上搜索非正常飛行行為高占比區域。
如果飛機的航班出現在高占比區域中，則預測該航班有很大的可能性出現非正常行為。因此，在考慮將該航班的時間調整到非高占比區域。換言之，本發明的預測下，在航班排期時應當盡可能避免非正常飛行行為高占比區域，由此確保飛機飛行安全，提高旅客乘坐的舒適度。
根據本發明的另一個方面，提出一種飛機行為預測方法，包括：根據兩個或兩個以上飛行行為資料維度構建資料空間，並根據搜索條件和約束條件生成飛行行為預測模型；獲取飛行行為資料；以及根據該飛行行為資料，利用該飛行行為預測模型在該資料空間上搜索非正常飛行行為高占比區域。如果飛機的航班出現在高占比區域中，則預測該航班有很大的可能性出現非正常行為。
700‧‧‧飛機行為預測系統
701‧‧‧資料獲取單元
702‧‧‧模型生成單元
703‧‧‧資料庫
704‧‧‧預測單元
800‧‧‧預測單元
801‧‧‧統計模組
802‧‧‧搜索模組
803‧‧‧解約束模組
804‧‧‧排序模組
900‧‧‧飛機非正常飛行行為預測方法
910‧‧‧步驟
920‧‧‧步驟
930‧‧‧步驟
940‧‧‧步驟
950‧‧‧步驟
960‧‧‧步驟
圖1是飛機返航備降過程實例的示意圖；圖2是根據本發明的一個實施例的飛機返航備降預測原理示意圖； 圖3是根據本發明的一個實施例的搜索目標示意圖；圖4是根據圖3的實施例的第一搜索目標示意圖；圖5是根據圖3的實施例的第二搜索目標示意圖；圖6是根據圖3的實施例的第三搜索目標示意圖；圖7是根據本發明實施例的一個飛機行為預測系統的結構示意圖；圖8是根據本發明的一個實施例的預測單元的結構示意圖；以及圖9是根據本發明的一個實施例的飛機非正常飛行行為預測方法的流程圖。
為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
通常而言，造成飛機非正常飛行行為的因素可以分為兩個方面。一方面是飛機自身的因素，例如維修保養、油料補給、飛行故障等。另一方面是非飛機自身的因素，例如天氣、場地條件等。
對於飛機自身引起的非正常飛行行為可以通過提高飛機的維護水準盡可能降低。而對於非飛機自身因素引起的非正常飛行行為則存在著一定的客觀規律。利用資料挖掘技術，通過對非飛機自身因素引起的非正常飛行行為的歷史資料進行分析，構建起合適的數學模型，可以對飛機的此類非正常飛行行為做出合理的預測。
本發明主要針對由於非飛機自身因素引起的非正常飛行行為。如背景技術 中所提及的，非正常飛行行為包括但不限於航班取消、航線變更、飛機晚點、飛機返航和備降。
以下以飛機的返航和備降為例，進一步說明本發明的技術方案。對於其他的非正常飛行行為，也可以採用與返航備降的實施例類似的方法進行預測。
圖1是飛機返航備降過程實例的示意圖。如圖1所示，飛機在起飛機場順利地放行起飛。在正常飛行過程中，出現了必須返航備降的情況。在某一位置(如圖中星形符號所示)做出返航或者備降的決策。之後，飛機沒有沿虛線所示飛往目的機場，而是返航飛回起飛機場或者飛到備降機場。如圖1中所示的返航和備降就是本發明所關注的非正常飛行行為。
對於某一個特定的目的機場而言，場地條件是固定的。因此，可以將所有與之有關的返航備降情況作為一個獨立的資料空間，通過評估其上特定條件下出現返航備降的概率來實現對飛機返航備降行為的預測。
圖2是根據本發明的一個實施例的飛機返航備降預測原理示意圖。如圖2所示，由於月份和時間段都是離散的，月份和時間段可以組成一個二維平面。一年的12個月和一天的24個小時將這個二維平面劃分為288個矩形。每一個小的矩形定義為“區塊”。某幾個月份的連續時間段或者某幾個時間段的連續月份定義為“區域”。兩個或兩個以上連續區塊構成的較大矩形即為區域。圖2中示出了1月到2月和6：00-7：00時間段所組成的區塊。
根據航班的歷史資料，包括正常航班和返航備降航班在內的所有航班的落地時刻都落在這288個矩形內。對於每個區塊，該區塊返航備降的占比水準為該區塊內返航備降的航班數與該區塊內所有航班數的比值，即：返航備降占比=返航備降的航班數/所有航班數
對於每個區域而言，同樣的該區域返航備降的占比水準為該區域內返航備降的航班數與該區域內所有航班數的比值。每個區塊的占比水準存在差異。因此，不同區域的占比水準也不相同。因此，通過演算法模型可以在該二維平面內尋找出那些返航備降占比水準較高的區域。
返航備降占比超過某一閾值，並且相比該區域周圍的其他區域返航備降占 比更高的區域可以被認為是高占比區域。該閾值可以根據實際情況設定，例如返航備降占比的平均值。設定不同的閾值，返航備降高占比區域也可能不同。例如，圖2中的目的機場有三個返航備降高占比區域A、B和C，其對應不同的月份和時間段。如果飛機的預訂落地時間正好落在返航備降高占比區域，即可以預測飛機非正常的返航備降行為出現的概率將相對很大。通過上述方法，飛機返航備降行為的預測可以轉換為在上述二維空間中滿足特定條件的區域的搜索。
如何構建合適的二維或多維資料空間是困難的。如果資料空間構建的不合適，飛機出現特定的非正常飛行行為將是分散的，而不是集中的。這樣無法取得滿意的預測結果。根據本發明的一個實施例，可選擇的資料維度包括：降落的時間段、日期、月份、農曆的日期或月份、距離特定事件，如節氣、暴雨、大風、降雪等的時間等。圖2所述的實施例是一個二維平面空間的例子。採用多於二維的多維度空間也是可行的。
根據本發明的一個實施例，上述搜索可以不在整個資料空間上進行，而是在資料空間的一部分上進行，例如在區域Z上進行。通過一系列的搜索條件來搜索最為合理的高占比區域，例如，可以採用如下的搜索條件：1.該區域的返航備降占比水準越高越好，盡可能地趨於1；2.該區域的面積越大越好，盡可能地趨於整個區域Z；3.該區域包含的返航備降航班個數盡可能的多。
根據本發明的一個實施例，上述搜索的約束條件可以為該區域返航備降航班數或者航班總數達到一定的數量，從而將搜索問題轉化為多目標規劃問題。約束條件可以為：4.該區域返航備降航班數和/或航班總數達到一定的數量。
圖3是根據本發明的一個實施例的搜索目標示意圖，即在區域Z上搜索滿足搜索條件和約束關係的區域S。圖4是根據圖3的實施例的第一搜索目標示意圖，圖5是根據圖3的實施例的第二搜索目標示意圖；圖6是根據圖3的實施例的第三搜索目標示意圖。如圖3-5所示，在本實施例中採用了與圖2實施 例相同的時間段和月份作為二維平面的維度。三個搜索目標對應於如上的三個搜索條件。
以下是具體的搜索表達：
(1)區域Z變數設置
1.1.設返航備降比較集中的區域為Z
1.2.區域Z包含的基本區塊的個數記為
1.3.區域Z記憶體在的返航備降航班數記為
1.4.區域Z記憶體在的航班數記為
1.5.區域Z在月份維度的開始月份為SM Z
1.6.區域Z在月份維度的結束月份為EM Z
1.7.區域Z在時間段維度的開始時間段為ST Z
1.8.區域Z在時間段維度的結束時間段為ET Z
如上則區域Z的面積可以表示為Z square =(EM Z -SM Z +1)*(ET Z -ST Z +1)
(2)區域S變數設置
1.1.設搜索區域為S sm_em_st_et 。
1.2.區域S sm_em_st_et 的返航備降占比水準大小為p S
1.3.區域S sm_em_st_et 記憶體在返航備降航班的基本區塊的個數為
1.4.區域S sm_em_st_et 包含的基本區塊的個數為
1.5.區域S sm_em_st_et 記憶體在返航備降航班個數為
1.6.區域S sm_em_st_et 包含的航班個數為
1.7.區域S sm_em_st_et 在月份維度上的開始月份為SM S
1.8.區域S sm_em_st_et 在月份維度上的結束月份為EM S
1.9.區域S sm_em_st_et 在時間段維度上的開始時間段為ST S
1.10.區域S sm_em_st_et 在時間段維度上的結束時間段為ET S
如上則區域S的面積可以表示則S square =(EM S -SM S +1)*(ET S -ST S +1)
(3)區域變數設置
1.1.區域Z除去區域S sm_em_st_et 之後的剩餘區域記為
1.2.區域的返航備降占比水準大小為
1.3.區域包含的基本區塊的個數為
1.4.區域存在返航備降航班個數為
1.5.區域包含的航班個數為
1.6.區域的面積
(4)決策變數
決策變數，即搜索變數為在時間段和月份兩個維度上的切點和步長：
1.1.區塊在月份維度上的開始月份記為sm
1.2.區塊在月份維度上的結束月份記為em
1.3.區塊在時間段維度上的開始時間段記為st
1.4.區塊在時間段維度上的結束時間段記為et
(5)目標函數
目標1：矩形區域返航備降占比水準盡可能地趨於1，可以表示為：
目標2：該區域包含的返航備降個數所占區域Z中返航備降數越大越好，可以表示為：
目標3：該矩形區域盡可能的趨於整個Z，即包含的基本區塊的數量盡可能地覆蓋整個區域Z的區塊個數，可以表示為：
(6)約束條件
約束條件1：區域S返航備降航班個數達到一定的數量水準，公式表示為：
av fhbj =value fhbj /存在返航備降航班的區塊個數
約束條件2：區域S航班總量達到一定的數量水準，公式表示為：
av tt =value tt /存在航班的區塊個數
約束條件3：區域S的返航備降占比必須達到一定得水準，公式表示為：
(7)其他變數設置
P1,P2,P3分別為goal1,goal2,goal3的優先等級。數值越大代表優先等級越高。
由此，經過整體優化後，該搜索的數學優化模型可以表示為：
其中，決策變數為：sm,em,st,et，決定了S sm_em_st_et 。
圖7是根據本發明實施例的一個飛機行為預測系統的結構示意圖。如圖7所示，飛機行為預測系統700包括資料獲取單元701、模型生成單元702、資料庫703和預測單元704。
資料獲取單元701用來從原始資料中直接獲取所需維度的資料；或者利用原始資料經過調整後得出所需維度的資料。以下以返航備降的資料獲取為例，說明資料的獲取過程。
提取航班記錄中的欄位“FLT_ID”表示航班號、“DEP_APT”表示起飛機場、“ARR_APT”表示目的機場、“STD”表示班表起飛時間、“STA”表示班表到達時間、“OFF_TIME”表示實際起飛時間、“ON_TIME”表示實際落地時間、“CANCEL_FLAG”表示航班狀態、“MEMO”表示航班狀態說明。
通常情況下，欄位“CANCEL_FLAG”欄位取值為“0”表示正常；取值為“1”表示取消；取值為“3”表示備降航班備降階段；取值為“4”表示備降航班複飛階段；取值為“5”表示返航航班返航階段；取值為“6”表示航班複飛階段。根據需要，剔除“CANCEL_FLAG”欄位為“1”的記錄。
根據本發明的一個實施例，對於“CANCEL_FLAG”欄位為“3”或者“5”的記錄，獲取欄位“MEMO”並進行匹配，保留“MEMO”欄位包含“雨”、“雪”、“風”、“霧”、“雲”、“冰”、“能見度”或“天氣”的記錄。
根據本發明的一個實施例，對於欄位“CANCEL_FLAG”取值為3或者5的欄位，調整ON_TIME欄位。ON_TIME=OFF_TIME+(STA-STD)。將欄位“CANCEL_FLAG”取值為4或者6的欄位調整為取值0。
對於ON_TIME欄位，進行如下處理：將時間欄位ON_TIME拆分，將年、月、日、時間(時)分別用欄位“ON_Y”表示年，“ON_M”表示月，“ON_D”表示日，“ON_T”表示小時進行保存。例如ON_TIME為“2009-10-1 6：05”，則ON_Y=2009，ON_M=10，ON_D=1，ON_T=6。
對於“ARR_APT”欄位，用某一段時間內正常航班的目的機場調整該段時間內返航備降航班記錄的目的機場。
具體而言，即對欄位“CANCEL_FLAG”取值為3或者5的記錄的“ARR_APT”欄位進行如下調整：
1.提取“CANCEL_FLAG”取值為3或者5的記錄的“FLT_ID”-航班號、“DEP_APT”-目的機場、“ON_Y”，分別記為FLT_ID_FHBJ，DEP_APT，ON_Y_FHBJ，ON_M_FHBJ；
2.提取“CANCEL_FLAG”取值為0，“FLT_ID”取值為FLT_ID_FHBJ，“DEP_APT”取值為DEP_APT，“ON_Y”取值為ON_Y_FHBJ的記錄的欄位“ARR_APT”，記作AP。
3.用AP調整前者記錄的“ARR_APT”欄位內容。
經過上述處理之後，就可以提取目的機場資料的資料了。其中，CANCEL_FLAG=0的記錄為正常航班記錄，CANCEL_FLAG=3或者5的記錄為返航備降航班記錄。兩者加和便為所有分析的航班記錄。在每個記錄中提取目的機場資料進行分析。
資料獲取單元701獲取資料後，將資料發送到資料庫703中存儲或者直接發送到預測單元704進行處理。
資料庫703用來存儲航班歷史資料，並且接受預測單元704的查詢，提供相應的資料以供預測單元704使用。根據本發明的一個實施例，資料庫703可以根據模型生產單元702中生成的模型，對資料庫中存儲的歷史資料進行格式的調整，或生成新的資料表以備使用。
根據本發明的一個實施例，對所有的返航備降航班進行初步統計，建立落在目的機場、實際落地時間月份和實際落地時間段三個維度上的航班總量、返航備降航班總量和返航備降占比的分佈，分別記作：
1.落在目的機場、月份和時間段三個維度上的航班總量tt(ap,mon,time)
2.落在目的機場、月份和時間段三個維度上的返航備降航班數量fhbj(ap,mon,tim)
3.落在目的機場、月份和時間段三個維度上的返航備降占比p(ap,mon,tim)
其中，ap為目的機場的編號；mon為月份，取值為 mon=1,2,3,4,5,6,7,8,9,10,11,12；tim為時間段，tim=1,2,3,4,…,22,23。
模型生成單元702根據輸入的搜索條件和約束條件生成相應的搜索模型。模型生成單元702的功能在之前已經詳細說明，這裏不再贅述。
預測單元704，根據模型生成單元702的模型，在資料庫中獲取相應的資料上，搜索特定的非正常飛行行為的高占比區域，從而實現對特定非正常飛行行為的預測。本領域技術人員應當理解，模型生成單元702所生成的模型也可以保存在資料庫中或者飛機行為預測系統的記憶體中。因此，不必每次預測單元704執行預測時都重新利用模型生成單元生成模型。
本文中所提到的“單元”可以是完成特定功能的電路。因此，“單元”這一術語也可以用“電路”來代替。根據本發明的一個實施例，這些電路包括但不限於處理器、數位信號處理器(DSP)、通用微處理器、專用積體電路(ASIC)、現場可編程邏輯陣列(FGPA)或其他等效積體電路或離散邏輯電路。
圖8是根據本發明的一個實施例的預測單元的結構示意圖。圖8所示的實施例可以應用於圖7實施例中的預測單元704中。如圖8所示，預測單元800包括統計模組801、搜索模組802、解約束模組803和存儲和排序模組804。
統計模組801用來完成統計功能，例如返航備降航班整體月份分佈統計或者某目的機場返航備降月份分佈統計。
根據本發明的一個實施例，返航備降航班整體月份分佈統計可以包括如下步驟：步驟1：設定年份，可以是一年或者連續幾年；步驟2：當月份mon分別取1,2,3,4,5,6,7,8,9,10,11,12時，根據返航備降在目的機場、月份和時間段三個維度上的分佈情況fhbj(ap,mon,tim)，計算在每個月份上返航備降的航班數，記作value_fhbj(mon)；步驟3：當月份mon分別取1,2,3,4,5,6,7,8,9,10,11,12時，根據航班在目的機場、月份和時間段三個維度上的分佈情況tt(ap,mon,tim)，計算在每個月份上的 航班數，記作value_tt(mon)；步驟4：計算在某年度或者某幾個年度在各個月份上返航備降占比value_per(mon)=value_fhbj(mon)/[value_tt(mon)+0.000000001],mon=1,2,3,4,5,6,7,8,9,10,11,12
根據本發明的一個實施例，某目的機場返航備降月份分佈統計可以包括如下步驟：步驟1：設定目的機場i，年份可以是一年或者連續幾年；步驟2：當月份mon分別取1,2,3,4,5,6,7,8,9,10,11,12時，根據返航備降在目的機場、月份和時間段三個維度上的分佈情況fhbj(ap,mon,tim)，計算目的機場i在每個月份上返航備降的航班數，記作value_i_fhbj(mon)；步驟3：當月份mon分別取1,2,3,4,5,6,7,8,9,10,11,12時，根據航班在目的機場、月份和時間段三個維度上的分佈情況tt(ap,mon,tim)，計算目的機場i在每個月份上的航班數，記作value_i_tt(mon)；步驟4：計算目的機場i在某年度或者某幾個年度在各個月份上返航備降占比，計算公式表示為：value_i_per(mon)=value_i_fhbj(mon)/[value_i_tt(mon)+0.00000001] 其中mon=1,2,3,4,5,6,7,8,9,10,11,12
搜索模組802是預測單元中重要的部件。根據本發明的一個實施例，搜索模組根據資料庫中的資料以及模型的要求，對整個資料空間進行遍曆。然後將遍曆的結果輸出到解約束模組803。解約束模組803判斷遍曆的結果是否符合約束條件，並且將符合約束條件的遍曆結果輸出到存儲和排序模組804。存儲和排序模組804存儲所有符合條件的遍曆結果，並對遍曆結果進行綜合排序；然後根據排序的結果輸出非正常飛行時間的高占比區域。
根據本發明的一個實施例，搜索模組802在資料空間中生成非正常飛行行為概率超過閾值的區域Z；然後再對區域Z進行遍曆。
本文中所提到的“模組”可以是完成特定功能的電路。因此，“模組”這一術語也可以用“電路”來代替。根據本發明的一個實施例，這些電路包括但 不限於處理器、數位信號處理器(DSP)、通用微處理器、專用積體電路(ASIC)、現場可編程邏輯陣列(FGPA)或其他等效積體電路或離散邏輯電路。
圖9是根據本發明的一個實施例的飛機非正常飛行行為預測方法的流程圖。圖9所示的預測方法可以應用到圖7和圖8所示的實施例中。在圖9的實施例中，飛機的非正常飛行行為是返航備降行為，資料空間是時間段與月份的二維平面。
如圖9所示，飛機非正常飛行行為預測方法900，在步驟910，利用搜索模組形成一個區域Z。區域Z包括多個連通的區塊。區域Z的返航備降占比水準高於p_level，或者該區塊內的返航備降航班個數大於或等於av fhbj ，其中p_level是預設的返航備降占比閾值或者平均的返航備降占比，其中av fhbj 是預設的返航備降數量閾值或者平均的返航備降量。
以下通過一個具體的實例，說明如何實現步驟910的Z區域搜索。
根據本發明的一個實施例，搜索返航備降占比水準大於p_level的區塊，並用標記k對連通的區塊進行標記，並用結構體keypoint記錄區塊資訊，包括月份、時間段以及標記k。
輸入：p(i,mon,tim),p_level,av fhbj ；其中p(i,mon,tim)為所有區塊的返航備降占比，其中i為機場標記。
輸出：結構體keypoint[屬性：目的機場(.ap)，月份(.mon)，時間段(.tim)，區域標識(.mark)]，以及區域Z的個數num_keyzoon
910.1.初始化步驟：mon=1,tim=1,m=1,n=1,k=1
910.2.尋找返航備降占比大於p_level的區塊或者區塊內返航備降航班數量不小於av fhbj ，並作標記k。具體包括：尋找第一個p(i,mon,tim)>p_level或者區塊內返航備降航班數量不小於av fhbj 的mon,tim組合，並用結構體陣列keypoint記錄，即 keypoint(n).mon=mon,keypoint(n).tim=tim,keypoint(n).mark=mark=k，並使p(i,mon,tim)=0,m=n,n=n+1。
910.3.尋找與keypoint(m)相連的並且返航備降占比大於p_level或者區塊內返航備降航班數量不小於av fhbj 的區塊，並作標記k。
mon=keypoint(m).mon+1,tim=keypoint(m).tim，當mon 12並且p(i,mon,tim)>p level 或者區塊內返航備降航班數量不小於av fhbj 時，用結構體陣列keypoint記錄，mon=keypoint(m).mon+1,tim=keypoint(m).tim,keypoint(n).mark=k，並使p(i,mon,tim)=0，n=n+1，否則轉入下一步。
mon=keypoint(m).mon-1,tim=keypoint(m).tim，當mon>0並且p(i,mon,tim)>p level 或者區塊內返航備降航班數量不小於av fhbj 時，用結構體陣列keypoint記錄，mon=keypoint(m).mon-1,tim=keypoint(m).tim,keypoint(n).mark=k，並使p(i,mon,tim)=0，n=n+1，否則轉入下一步。
mon=keypoint(m).mon,tim=keypoint(m).tim+1，當tim 23並且p(i,mon,tim)>p level 或者區塊內返航備降航班數量不小於av fhbj 時，用結構體陣列keypoint記錄，mon=keypoint(m).mon,tim=keypoint(m).tim+1,keypoint(n).mark=k，並使p(i,mon,tim)=0，n=n+1，否則轉入下一步。
mon=keypoint(m).mon,tim=keypoint(m).tim-1，當tim>0並且p(i,mon,tim)>p level 或者區塊內返航備降航班數量不小於av fhbj 時，用結構體陣列keypoint記錄，mon=keypoint(m).mon,tim=keypoint(m).tim-1,keypoint(n).mark=k，並使p(i,mon,tim)=0，n=n+1，否則轉入下一步。
910.4.當m<n時，m=m+1，重複910.3，否則轉入下一步。
910.5.當mon 12並且tim 23時轉入910.2,k=k+1，否則終止。
根據本發明的一個實施例，搜索結構體keypoint的區塊組成的全部區域，用結構體keyzoon記錄。具體如下：輸入：結構體keypoint，區域Z的個數num_keyzoon，陣列fhbj(i,mon,tim)，tt(i,mon,tim)，其中輸出：結構體keyzoon[屬性：目的機場(.ap)，開始月份(.sm)，結束月份(.em)，開始時間段(.st)，結束時間段(.et)，返航備降航班個數(.fhbj)，航班總數(.tt)]
910.6.mark=1；
910.7.用sm,em記錄標記等於mark的所有區塊的mon屬性的最小值和最大值。用st,et記錄標記等於mark的所有區塊的tim屬性的最小值和最大值。
910.8.用結構體keyzoon對區域進行記錄，即keyzoon(mark).sm=sm,keyzoon(mark).em=em,keyzoon(mark).st=st,keyzoon(mark).et=et並且，用屬性value_fhbj記錄區域返航備降的航班個數，用屬性value_tt記錄區域航班數量，用屬性num_z記錄該區域的大小，mark=mark+1.
910.9.當mark k-1的時候，轉入步驟910.7。
然後，計算約束av tt ,av fhbj 。該步驟可以在約束步驟930之前的任意步驟中進行。具體如下：輸入：fhbj(i,mon,tim),tt(i,mon,tim)
輸出：av tt ,av fhbj
910.10.value fhbj =0,value tt =0,mon=1,tim=1
910.11.如果tt(i,mon,tim)>0,value tt =value tt +tt(i,mon,tim)
910.12.如果fhbj(i,mon,tim)>0,value fhbj =value fhbj +fhbj(i,mon,tim)
910.13.如果tim=tim+1並且tim<24，返回步驟920.11，否則tim=1，轉入920.14
910.14.如果mon=mon+1並且mon<13，返回步驟920.11
910.15.av fhbj =value fhbj /存在返航備降航班的區塊個數，av tt =value tt /存在航班的區塊個數。
通過步驟910，得到了一個結構體keyzoon表示的區域Z，該結構體包括多條記錄，每一條記錄對應一個返航備降占比水準高於p_level，或者該區塊內的返航備降航班個數大於或等於av fhbj 的區域。
在步驟920，利用搜索模組對步驟910得到的區域Z上進行遍曆。
輸入結構體keyzoon,index,P1,P2,P3，其中index表示區域Z的編號。然後，對第index區域Z進行遍曆，並對每一次遍曆區域S，用結構體list1記錄相關資訊：用屬性min_m記錄區域S的開始月份，用屬性max_m記錄區域S的結束月份，用屬性min_t記錄區域S的開始時間段，用屬性max_t記錄區域S的結束時間段，用屬性value_fhbj記錄區域S的返航備降航班數，用屬性value_tt記錄區域S的航班總數，用屬性num_s記錄區域S的面積大小。
在步驟930，判斷每個遍曆的結果是否滿足約束條件，並對每一次滿足約束條件的遍曆的結果用結構體List進行記錄。具體如下：對每個區域的遍曆結果，求解三個優化目標值，並進行單個目標值的排序，進而對每個遍曆的三個目標值求均值，選擇出最小值遍曆作為該區域的最優值。
930.1.對list1的記錄進行約束條件判斷，對滿足下列兩個條件之一的記錄用結構體list進行記錄。約束判斷條件：
930.2.計算所有遍曆區域的第一個目標函數值，並用goal1進行記錄。
930.3.計算所有遍曆區域的第二個目標函數值，並用goal2進行記錄。
930.4.計算所有遍曆區域的第三個目標函數值，並用goal3進行記錄。
930.5.對所有遍曆區域根據三個目標的大小進行排序，最大記作1，其次記為2，分別用結構體list的屬性goal1 index ,goal2 index ,goal3 index 進行記錄。
在步驟950，計算綜合排名。具體包括：並計算每個遍曆三個目標的綜合排名，並分別用結構體list的屬性goal_total進行記錄。結構體list的第i條記錄的綜合排名的計算公式為：list(i).goal total =P1*list(i).goal1 index +P2*list(i).goal2 index +P3*list(i).goal3 index
在步驟960，搜索結構體list中屬性goal total 最小的遍曆區域，返回開始月份sm，結束月份em，開始時間段st，結束時間段et。
通過上述步驟，最後輸出第index區域Z的高占比區域S(sm,em,st,et)。
以上對本發明的具體實施例進行了詳細描述，但其只是作為範例，本發明並不限制於以上描述的具體實施例。對於本領域技術人員而言，任何對本發明進行的等同修改和替代也都在本發明的範疇之中。因此，在不脫離本發明的精神和範圍下所作的均等變換和修改，都應涵蓋在本發明的範圍內。
700‧‧‧飛機行為預測系統
701‧‧‧資料獲取單元
702‧‧‧模型生成單元
703‧‧‧資料庫
704‧‧‧預測單元

Claims (31)

  1. 一種飛機行為預測系統，包含：一模型生成單元，其根據兩個或兩個以上飛行行為資料維度構建資料空間，並根據搜索條件和約束條件生成飛行行為預測模型；一資料獲取單元，其獲取飛行行為資料；以及一預測單元，其根據該飛行行為資料，利用該飛行行為預測模型在該資料空間上搜索非正常飛行行為高占比區域。
  2. 如請求項1所述的預測系統，進一步包括資料庫，其中該預測單元從該資料獲取單元或資料庫獲取該飛行行為資料。
  3. 如請求項1所述的預測系統，其中該預測單元的搜索在一待檢索區域上進行，該待檢索區域是該資料空間的一部分。
  4. 如請求項3所述的預測系統，其中該模型生成單元的搜索條件為：該高占比區域的非正常飛行行為占比越高越好，盡可能地趨於1；該高占比區域的面積越大越好，盡可能地趨於整個待檢索區域；以及該高占比區域包含的非正常行為航班個數盡可能的多。
  5. 如請求項4所述的預測系統，其中該模型生成單元 的約束條件為：該高占比區域非正常行為的航班數和/或航班總數達到超過預設的一閾值。
  6. 如請求項5所述的預測系統，其中該模型生成單元的約束條件進一步包括：該高占比區域非正常飛行行為占比超過另一閾值。
  7. 如請求項1所述的預測系統，其中該資料獲取單元利用原始飛行行為資料經過調整後得出該資料維度的資料。
  8. 如請求項3所述的預測系統，其中該預測單元進一步包括：搜索模組，其對待搜索區域進行遍曆；解約束模組，其判斷遍曆的結果是否符合約束條件；以及存儲和排序模組，其存儲所有符合條件的該遍曆結果，並綜合排序；然後根據該綜合排序的結果輸出非正常飛行時間的高占比區域。
  9. 如請求項8所述的預測系統，其中該搜索單元在整個資料空間上檢索該待檢索區域。
  10. 如請求項9所述的預測系統，其中該搜索單元搜索非正常飛行行為占比水準大於第一閾值的區塊，並用對連通的區塊進行標記。
  11. 如請求項10所述的預測系統，其中該搜索單元進一步搜索該非正常飛行行為占比水準大於第一閾值的區塊組成的區域。
  12. 如請求項11所述的預測系統，其中該解約束模組對每個區域的遍曆結果，求解該搜索條件，並進行單個目標值的排序，選擇出最小值遍曆作為該區域的最優值。
  13. 如請求項12所述的預測系統，其中該解約束模組對該最小值遍曆進行約束條件判斷。
  14. 如請求項13所述的預測系統，其中該解約束模組對該最小值遍曆進行約束條件判斷。
  15. 如請求項8所述的預測系統，其中該存儲和排序模組計算所有遍曆區域每個檢索條件的值，並進行排序。
  16. 如請求項15所述的預測系統，其中該存儲和排序模組根據所有遍曆區域的各個檢索條件的值，計算所有遍曆區塊的綜合排名。
  17. 一種飛機行為預測方法，包含：根據兩個或兩個以上飛行行為資料維度構建資料空間，並根據搜索條件和約束條件生成飛行行為預測模型；獲取飛行行為資料；以及根據該飛行行為資料，利用該飛行行為預測模型在該資料空間上搜索非正常飛行行為高占比區域。
  18. 如請求項17所述的預測方法，搜索在待檢索區域上進行，該待檢索區域是該資料空間的一部分。
  19. 如請求項18所述的預測方法，其中搜索條件為：該高占比區域的非正常飛行行為占比越高越好，盡可能地趨於1；該高占比區域的面積越大越好，盡可能地趨於整個待檢索區域；以及該高占比區域包含的非正常行為航班個數盡可能的多。
  20. 如請求項19所述的預測方法，其中約束條件為：該高占比區域非正常行為的航班數和/或航班總數達到超過預設的閾值。
  21. 如請求項20所述的預測方法，其中該約束條件進一步包括：該高占比區域非正常飛行行為占比超過另一個閾值。
  22. 如請求項17所述的預測方法，進一步包括利用原始飛行行為資料經過調整後得出該資料維度的資料。
  23. 如請求項19所述的預測方法，進一步包括：對待搜索區域進行遍曆；判斷遍曆的結果是否符合約束條件；以及存儲所有符合條件的該遍曆結果，並綜合排序；然後根據該綜合排序的結果輸出非正常飛行時間的高占比區域。
  24. 如請求項23所述的預測方法，進一步包括在整個資料空間上檢索該待檢索區域。
  25. 如請求項24所述的預測方法，進一步包括搜索非正常飛行行為占比水準大於第一閾值的區塊，並用對連通的區塊進行標記。
  26. 如請求項25所述的預測方法，進一步包括搜索該非正常飛行行為占比水準大於第一閾值的區塊組成的區域。
  27. 如請求項26所述的預測方法，進一步包括對每個區域的遍曆結果，求解該搜索條件，並進行單個目標值的排序，選擇出最小值遍曆作為該區域的最優值。
  28. 如請求項27所述的預測方法，進一步包括對該最小值遍曆進行約束條件判斷。
  29. 如請求項28所述的預測方法，進一步包括對該最小值遍曆進行約束條件判斷。
  30. 如請求項23所述的預測方法，進一步包括計算所有遍曆區域每個檢索條件的值，並進行排序。
  31. 如請求項30所述的預測方法，進一步包括根據所有遍曆區域的各個檢索條件的值，計算所有遍曆區塊的綜合排名。
TW103103882A 2013-02-07 2014-02-06 一種飛機行爲預測系統及預測方法 TWI642598B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
??201310049949.6 2013-02-07
CN201310049949.6A CN103164617B (zh) 2013-02-07 2013-02-07 一种飞机行为预测系统及预测方法

Publications (2)

Publication Number Publication Date
TW201441099A true TW201441099A (zh) 2014-11-01
TWI642598B TWI642598B (zh) 2018-12-01

Family

ID=48587699

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103103882A TWI642598B (zh) 2013-02-07 2014-02-06 一種飛機行爲預測系統及預測方法

Country Status (9)

Country Link
US (1) US9412072B2 (zh)
EP (1) EP2767878B1 (zh)
JP (1) JP6258057B2 (zh)
KR (1) KR102002996B1 (zh)
CN (1) CN103164617B (zh)
AU (1) AU2014200568B2 (zh)
CA (1) CA2841779C (zh)
SG (1) SG2014009211A (zh)
TW (1) TWI642598B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10248742B2 (en) * 2012-12-12 2019-04-02 University Of North Dakota Analyzing flight data using predictive models
KR20160025664A (ko) * 2014-08-27 2016-03-09 삼성에스디에스 주식회사 이상 조기 감지 장치 및 방법
US9824513B2 (en) 2016-04-14 2017-11-21 United Airlines, Inc. Method of detecting elevator tab failure
WO2018034142A1 (ja) * 2016-08-18 2018-02-22 日本電気株式会社 航空管制支援システム、航空管制支援方法、及び、記録媒体
US10228692B2 (en) 2017-03-27 2019-03-12 Gulfstream Aerospace Corporation Aircraft flight envelope protection and recovery autopilot
JP6903535B2 (ja) * 2017-09-25 2021-07-14 株式会社Ｎｔｔドコモ 情報処理装置
US11587448B2 (en) * 2019-07-26 2023-02-21 General Electric Company Systems and methods for manifolds learning of airline network data

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4410709A1 (de) * 1994-03-28 1995-10-05 Bodenseewerk Geraetetech Überwachungs-Einrichtung zur Überwachung der Flugsicherheit von Flugzeugen
JPH08292988A (ja) * 1995-04-21 1996-11-05 N T T Data Tsushin Kk 交通流管理装置および交通流管理方法
GB2322611B (en) * 1997-02-26 2001-03-21 British Aerospace Apparatus for indicating air traffic and terrain collision threat to an aircraft
US6937924B1 (en) 2004-05-21 2005-08-30 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Identification of atypical flight patterns
US7769608B1 (en) * 2004-05-27 2010-08-03 Allstate Insurance Company Systems and methods for optimizing property risk ratings
US20060155432A1 (en) * 2005-01-07 2006-07-13 United Technologies Corporation Methods and systems for monitoring atmospheric conditions, predicting turbulent atmospheric conditions and optimizing flight paths of aircraft
US8024111B1 (en) 2008-04-02 2011-09-20 Strategic Design Federation W, Inc. Travel route system and method
US8289187B1 (en) * 2008-07-08 2012-10-16 Nationwide Mutual Insurance Company Accident prone location notification system and method
US20100145552A1 (en) * 2008-12-04 2010-06-10 Lockheed Martin Corporation Route planning using ground threat prediction
TW201142339A (en) * 2010-05-20 2011-12-01 Jiung-Yao Huang Remote sensing satellite positioning device and method thereof
WO2012092161A2 (en) * 2010-12-26 2012-07-05 The Travelers Indemnity Company Systems and methods for utilization of risk zones
KR101711025B1 (ko) * 2011-04-21 2017-02-28 한국전자통신연구원 우선 관제 대상 선정 장치와 방법 및 대상물 관제 장치
CA2843192C (en) * 2011-07-27 2021-03-23 Intelligent Mechatronic Systems Inc. Selective vehicle tracking and vehicle routing
CN102495949A (zh) * 2011-11-23 2012-06-13 西北工业大学 一种基于飞行数据的故障预报方法
JP5964696B2 (ja) * 2012-08-23 2016-08-03 富士重工業株式会社 滑走路最適化システム、滑走路最適化方法及び滑走路最適化プログラム

Also Published As

Publication number Publication date
AU2014200568B2 (en) 2018-05-10
US20140250042A1 (en) 2014-09-04
EP2767878B1 (en) 2018-04-11
KR102002996B1 (ko) 2019-07-23
AU2014200568A1 (en) 2014-08-21
CN103164617A (zh) 2013-06-19
US9412072B2 (en) 2016-08-09
EP2767878A2 (en) 2014-08-20
KR20140100914A (ko) 2014-08-18
CN103164617B (zh) 2016-11-23
SG2014009211A (en) 2014-09-26
TWI642598B (zh) 2018-12-01
EP2767878A3 (en) 2014-09-10
JP6258057B2 (ja) 2018-01-10
CA2841779A1 (en) 2014-08-07
JP2014151912A (ja) 2014-08-25
CA2841779C (en) 2018-09-25

Similar Documents

Publication Publication Date Title
TWI642598B (zh) 一種飛機行爲預測系統及預測方法
US11635545B2 (en) Real-time weather forecasting for transportation systems
Coffel et al. Climate change and the impact of extreme temperatures on aviation
Pagoni et al. Calculation of aircraft fuel consumption and CO2 emissions based on path profile estimation by clustering and registration
US7664596B2 (en) Air traffic demand prediction
Lovegren et al. Estimation of potential aircraft fuel burn reduction in cruise via speed and altitude optimization strategies
CN107818382B (zh) 航班到达时间预测方法
CN113449915A (zh) 一种基于知识图谱的航班延误预测方法
US20180230967A1 (en) Wind turbine curtailment control for volant animals
AU2018215876B2 (en) A method of predicting a traffic behaviour in a road system
US12031828B2 (en) Method for optimising a flight plan
CN112465336A (zh) 一种航班数据优化方法、系统及电子设备
CN110751359B (zh) 一种自动化航线网络评估方法、电子设备及存储介质
Grabbe et al. Similar days in the NAS: an airport perspective
CN112926809B (zh) 一种基于聚类和改进的xgboost的航班流量预测方法及系统
Bardach et al. Predicting flight delay risk using a random forest classifier based on air traffic scenarios and environmental conditions
Chandramouleeswaran et al. Machine learning prediction of airport delays in the US air transportation network
Tian et al. Assessment of flight block time reliability under different delay time windows: A case study
US20150170079A1 (en) Providing guidance for recovery from disruptions in airline operations
Kim et al. System for assessing Aviation’s Global Emissions (SAGE), version 1.5: technical manual
Eikelenboom et al. A Decision-Support Tool for the Integrated Airline Recovery Using a Machine Learning Resources Selection Approach
US20240312350A1 (en) Systems, methods, and storage media for forecasting aircraft operation data
Issoufou et al. Analysis of Flight Disruption Data to Determine Problem Areas Utilizing Database Applications
Ayhan Airspace Planning for Optimal Capacity, Efficiency, and Safety Using Analytics
Garani et al. Meteorological Data Warehousing and Analysis for Supporting Air Navigation. Informatics 2022, 9, 78