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%。     

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。      

基于ResGCN-GRU的大气污染风险源识别

重污染天气是“十四五”时期大气污染治理的重点工作,在重污染天气时期对风险源进行精准识别,可以及时发出预警,做好环境污染治理,防止污染事件进一步加重.基于网格化监测技术获取的数据,本文提出一种结合残差网络(ResNet)、图卷积网络(GCN)和门控循环网络(GRU)的深度学习模型ResGCN-GRU,该模型主要应用于重污染天气时期识别风险源.重污染天气的风险源往往都是区域性的,具有明显的时空特征,因而本文先利用GCN网络提取监测点位之间的空间特征,同时利用ResNet解决多层GCN带来的过平滑以及梯度消失问题;再利用GRU提取风险源的时间特征,最后将全连接层融合的时空特征输入到Softmax激活函数得到二分类概率值,再根据概率值得到分类结果.为验证本文提出的模型性能,本文基于沈阳市72个监测点位的数据,通过精确度、召回率以及综合评价指标对GCN、LSTM、GRU和GCN-GRU进行对比,实验结果表明ResGCN-GRU模型分类效果的精确度分别要好16.9%、4.3%、3.1%、2.9%,证明了本文提出的模型在大气风险源识别方面更加有效,可以根据风险源数据的时空特征达到对风险源的精准识别.