基于循环神经网络的航班延误预测模型

在民航飞行航班量持续攀升的背景下,航班延误对民航生产的影响越来越大,准确有效的航班延误预测能够有效降低延误所带来的不利影响,提高民航生产的运行效率和服务质量。文章通过引入循环神经网络来挖掘航班延误在时间维度上的潜在关系,设计了深度机器学习算法,建立了基于RNN及LSTM单元相混合的延误预测模型,文章所设计模型使用民航空管的历史真实数据,也是对机器学习技术在空管行业应用的有益探索。     

基于CBAM-CondenseNet的航班延误波及预测模型

针对航班延误衍生的航班延误波及问题,该文提出一种基于CBAM-CondenseNet的航班延误波及预测模型。首先,通过分析航班延误在航空网络内产生的延误波及现象,确定会受前序延误航班影响的航班链;其次,对选定的航班链数据进行清洗,将航班信息与机场信息进行数据融合;最后,提出改进的CBAM-CondenseNet算法对融合后的数据进行特征提取,构建Softmax分类器对首班离港航班延误波及的后续离港航班延误等级进行预测。该文提出的CBAM-CondenseNet算法融合了CondenseNet和CBAM的优势,采用通道和空间注意力机制来加强网络结构深层信息的传递。实验结果表明,算法改进后有效提升网络性能,预测准确率可达97.55%。     

基于GP-LVM和LS-SVM航班延误等级预测研究

针对气象条件导致航班延误难以准确预测的问题,文章提出基于GP-LVM和LS-SVM的航班延误等级预测算法。通过GP-LVM对经过预处理的气象数据非线性降维,得到影响航班延误的显著变量;对航班延误进行LS-SVM的延误等级预测。仿真结果表明,文章提出的组合预测方法相对于单一SVM模型,能够提高航班延误等级预测准确率。     

融合注意力机制SimAM的CNN-MogrifierLSTM航班延误波及预测

连续航班中的延误波及往往会引起大规模的航班延误产生,提前对航班延误波及问题进行预测可以为民航部门提供有效参考,减少相关的经济损失。本文首先对航班数据进行清洗与数据融合,针对空管部门实际航班运行情况提出强空间航班链数据集与强时序航班链数据集两种不同的构造方法;然后根据航班延误波及传播的空时特性提出融合注意力机制SimAM的CNN-MogrifierLSTM网络模型,先使用卷积神经网络（Convolutional Neural Network, CNN）结合注意力机制SimAM模块对空间特征进行提取,再用形变的长短时记忆网络（Mogrifier Recurrent Neural Network, MogrifierLSTM）对时序信息进行学习;最后使用Softmax分类器对延误等级进行分类预测。本文提出的预测方法,在航班延误波及进行预测的实验中取得了93.16%的准确率,相比单独使用CNN或LSTM大有提升,加上SimAM注意力机制后相比CNN-MogrifierLSTM网络在不同数据集上准确率也提升了0.6%左右。      

融合气象数据的并行化航班延误预测模型

针对航空数据呈现高维化、海量化趋势但传统模型处理大数据时单机计算资源不足的问题,本文提出一种基于Spark并融合气象数据的并行化航班延误预测模型。该模型利用数据框完成航班数据和气象数据的融合,从而在单个航班数据后加入不同小时的气象数据。然后,采用并行化方式进行随机森林的特征划分和树的生成,可快速进行航班延误预测。实验结果表明融入气象数据后查全率和正确率均有提高,针对不同阈值的延误时间进行预测时,大阈值的预测准确率更高。同时,并行化模型较单机模型更快收敛,具有较强的加速比。      

基于轻量化网络MobileNetV2的航班延误预测模型

针对民航业中航班延误状况的日益凸显,传统算法存在准确率低、计算量以及参数量大的问题,且面对旅客主要使用移动设备查询的需求,传统算法难以直接部署在移动端,本文提出一种基于轻量化网络MobileNetV2的航班延误预测模型。模型首先对数据集做数据融合、编码等预处理;然后将其输入到网络中进行特征提取;最后利用Softmax分类器输出航班延误等级。应用于国内数据集,准确率最高为99.07%,模型参数量为1.31Million、计算量为40.58Million。本文模型在保障准确率的同时,尽可能降低模型的参数量和计算量,其性能优于传统网络,有助于在移动端实现航班延误预测。      

终端区管制延误的原因分析

随着我国民航业的高速发展和空中交通流量的增加,航班延误问题也越来越突出,减少航班延误己成为当务之急。终端管制区的延误是造成空中交通管制延误的主要方面。因此终端区管制延误原因分析是整个空管运行系统正常运行的关键。     

基于多任务NR-DenseNet网络的航班延误预测模型

不同于目前大多数只倾向于研究单一的分类或回归任务的航班延误预测方法,该文提出一种基于多任务NR-DenseNet网络的航班延误预测模型,旨在同时实现航班延误等级分类预测与延误时间回归预测。首先,预处理相关数据;其次,建立多任务学习特征提取共享层,使用NR-DenseNet网络提取任务之间的共享参数,深度挖掘任务之间的相关特征;然后,建立多任务学习特定任务层,通过回归器与分类器分别输出特定任务的预测结果;最后,采用损失加权方法对两个任务损失函数进行优化,平衡任务间的收敛速度,提高模型泛化性。将模型应用在宁波机场数据集中,与单任务模型相比回归任务平均MSE降低了23.4%,平均MAE降低了14.2%,分类平均准确率提升了2.7%。实验结果表明,该文方法提升了分类任务的准确率降低了回归任务的误差,可以有效提升模型性能。     

基于DBSCAN-GRU算法的终端区4D航迹预测

终端区空域环境复杂、航班密集,精确的航迹预测能极大地提高空中交通服务水平,保障航班飞行安全。针对终端区的高精度多航班4D航迹预测问题,本文提出了一种基于密度的带噪声空间聚类算法（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）和门控循环单元（Gated Recurrent Unit, GRU）相结合的航迹预测方法,通过DBSCAN聚类,将终端区中航迹相近的航班聚类到一簇中,对每一簇航班建立基于GRU神经网络的航迹预测模型,对终端区航班进行预测时,先判断该航班属于哪一簇,然后采用与该簇对应的航迹预测模型,进行4D航迹预测。与仅研究单一航班的传统预测方法相比,本算法有效地利用了终端区的航迹数据,所建模型可以针对多架航班进行航迹预测,扩大了模型的适用范围,提高了航迹预测的预测精度。     

基于线性回归的航班延误预测研究与系统开发

航班延误预测在航空领域有着广泛的应用,不仅可以减少航空公司在经济和信誉等方面的损失,而且可以给旅客提供更多的便利和更好的服务。利用线性回归方法设计一个Web服务,用来预测航班是否延误。用户输入航班号、出发时间、出发机场和到达机场,系统利用航班的历史记录和天气等信息预测航班到港时间。     

Airport delay prediction model based on regional residual and LSTM network

Nowadays,the civil aviation industry has a high precision requirement of airport delay prediction,so an airport delay prediction model based on the RR-LSTM network was proposed.Firstly,the airport information,meteorological information and related flight information were integrated.Then,the RR-LSTM network was used to extract the features of the fused airport data set.Finally,the Softmax classifier was adopted to classify and predict the airport delay.The proposed RR-LSTM network model can not only extract the time correlation of airport delay data effectively,but also avoid the gradient disappearance problem of deep LSTM network.The experimental results indicate that the RR-LSTM network model has a prediction accuracy of 95.52%,which achieves better prediction results than the traditional network model.The prediction accuracy can be improved about 11% by fusing the weather information and the flight information of the airport.     

基于Skip-LSTM的机场群延误预测模型

针对目前机场群发展不平衡，国际枢纽机场的延误率居高不下，航班时刻短缺，资源紧张，而区域枢纽机场却存在资源空闲的问题，提出一种基于跳过门的长短时记忆网络 (Skip-LSTM，Skip Long Short Term Memory)的机场群延误预测模型。该模型首先将机场群中各个机场的信息，机场群航班信息以及机场群地区的气象信息进行融合及处理，然后搭建Skip-LSTM网络对融合后的数据信息进行特征提取，最后利用Softmax分类器对机场群的延误状况进行分类预测。Skip-LSTM网络在传统的长短时记忆网络(LSTM， Long Short Term Memory)的基础上增加了Skip门，能更加充分地提取机场群数据信息的时间相关性，获得更高的准确率。实验结果表明，基于Skip-LSTM的机场群延误预测模型的准确率可达95.35%，预测性能优于传统的网络模型，能对机场群的延误状况进行有效的预测。      

基于混合编码和长短时记忆网络的机场延误预测方法

为充分利用机场延误状态信息的时间相关性,提高机场延误预测精度,提出一种基于混合编码和长短时记忆网络（Long Sort Term Memory, LSTM）的机场延误预测方法。该方法首先将机场信息、航班信息和气象信息进行数据预处理,得到机场延误数据;然后,利用LSTM网络对机场延误数据进行特征提取;最后,构建Softmax分类器对机场延误分类预测。实验结果表明,本文基于机场延误数据在数据预处理阶段提出的混合编码方法,可使预测准确率提高约5%。同时,利用LSTM网络来提取数据的时间相关特征信息,网络模型的预测准确率最终可达94.01%。并且由不同机场数据对网络的普适性分析结果表明,该算法更适合于原始数据量大的中大型枢纽机场。      

星载激光测高仪大气传输延迟对测距精度的影响

地球表层的大气折射可对激光测高仪的激光脉冲传输造成延迟,该延迟对激光飞行时间的测量精度以及地球表面三维轮廓的监测造成显著影响.因此,激光测高仪测距精度需要通过大气传播误差函数进行修正.着重讨论了激光脉冲基于天顶延迟的计算方法和相关映射函数模型的选择,并采用NMF连分式映射函数分别对干项和湿项进行计算.结果表明,在1.0...