基于PN和CNN-LSTM-ATT的航班延误预测

航班延误预测对提高机场地面保障效率具有重要参考意义。针对目前航班地面保障流程复杂多变以及航班过站延误预测精度不高的问题,提出了一种基于Petri Net和融合预测模型CNN-LSTM-ATT的航班延误预测模型。首先,根据机场航班实际地面保障流程抽象构建离港航班地面保障作业Petri Net模型,获取保障流程中的关键作业时长成为动态特征;其次,将动态特征、航班信息、延误信息和天气信息输入CNN-LSTM-ATT模型中进行特征提取和分类预测,模型中引入注意力机制,通过注意力权重突出关键数据信息的影响,进一步挖掘重要特征之间的内部规律。实验结果显示,该融合模型准确率相比独立模型提升了6%,达到98.1%。通过对不同模型的对比表明该模型能较好地应对场面流程变化并且具备较好的延误预测能力。     

基于多粒度时间注意力RNN的航班客座率预测

准确预测航班客座率有利于处理航班机票超售、座位虚耗等问题,然而传统时间序列预测方法只关注航班近期每日客座率的变化特点,无法同时考虑其他因素的影响,预测效果不够理想。针对该问题,提出一种基于多粒度时间注意力机制的循环神经网络模型MTA-RNN。通过构建多级注意力机制获取航班客座率在不同时间粒度下的时序相关性,同时考虑航班自身属性及节假日等其他因素,得到未来一段时间内的目标航班客座率。在真实历史航班客座率数据集上的实验结果表明,MTA-RNN模型的预测准确率高于ARIMA模型、LSTM模型和Seq2seq模型。     

离港航班延误的动态预测研究

现有航班延误预测方法大多是对航班延误进行非动态预测,不能随着航班数据的不断增加而有效更新,进而使得预测结果的实时性较差.因此,提出一种基于时间序列的航班延误动态预测方法.首先,利用小波分解技术对延误时间序列进行平稳化处理;然后,采用自回归滑动平均(ARMA)模型对离港航班延误进行预测;最后,利用支持向量机模型对预测结果进行修正,得到最终的离港航班延误预测值.结果表明,该动态预测方法能较好地提高预测精度.     

基于深度全连接神经网络的离港航班延误预测模型

针对提升离港航班延误预测精确度困难的问题,提出一种基于深度全连接神经网络（DFCNN）的离港航班延误预测模型。首先,在考虑航班信息、机场气象与航班延误历史的基础上,考虑航班网络结构对预测模型的影响;然后,从激活函数、输入数据项及延误时间阈值三个维度进行实验,以对模型抑制梯度弥散与提升学习表现能力的能力进行了优化与验证;最后,通过调控神经网络层数的纵向拓展方式与随机丢失层的Dropout参数,提升模型的泛化能力。实验结果表明：所提模型使用tanh、指数线性函数（ELU）,预测精确度比使用线性整流函数（ReLU）分别提升了1.26、1.28个百分点;考虑航班网络结构后,所提模型采用ELU函数计算时,预测精确度比未考虑航班网络结构时提升了3.12个百分点;在时间阈值为60 min时,通过调控Dropout参数,模型的损失值不断降低;在5层隐含层网络和Dropout参数为0.3时,所提模型可以取得92.39%的预测精确度。因此,所提模型能够对国内航班延误做出较为准确的判断。     

基于贝叶斯网的离港航班滑行时间动态估计

为提升离港航班运行效率，根据机场协同决策规范（A-CDM）中关于离港航班可变滑行时间（EXOT）的有关规定，分析了相关影响因素。根据数据分析处理和民航专家知识建立了一种基于贝叶斯网的离港航班滑行时间动态估计模型。贝叶斯网是一种将概率统计应用于复杂领域、进行不确定性推理和数据分析的工具。应用其增量学习特点对模型进行动态调整，实现了对场面实时变化的把控。以国内某大型枢纽机场为例，使用期望优化（EM）算法实现了对随机缺失数据的处理，并验证了模型的有效性。对实验结果与该机场实际运行数据对比表明，所建模型能有效地估计离港航班滑行时间且具有较高的置信度。     

基于关联规则挖掘的航班协同保障数据知识发现研究

随着我国民航业的迅猛发展,各大枢纽机场累积了海量的航班协同保障数据,挖掘其中潜在隐藏的知识具有重要意义。结合机场航班协同保障业务规则及航班协同保障数据的特征,利用关联规则挖掘技术,挖掘隐藏在航班协同保障数据中的知识,进而借助其优化航班保障流程,提升机场服务保障质量。通过实例验证,关联规则算法能够较好地发掘隐藏在航班协同保障数据中的潜在知识,将其应用于实际中能够为优化航班保障流程、提高航班准点率、提升机场服务保障能力提供有效的支撑和决策依据。     

基于团簇随机连接的CliqueNet航班延误预测模型

针对目前民航运输业延误率较高,而传统算法难以解决高精度延误预测的问题,提出一种基于随机连接团簇网络（CliqueNet）航班延误预测模型。该模型首先对航班数据和相关气象数据进行融合;然后,充分利用改进后的网络模型对融合后的数据集进行特征提取;最后,使用Softmax分类器进行航班离港延误各等级的高精度预测。模型的主要特点是：在团簇特征层的随机连接,以及在转换层引入通道和空间注意力残差（CSAR）模块。前者以更为有效的连接方式传递特征信息;后者则对特征信息进行通道和空间维度的双重标定,以提高准确率。实验结果表明,对融合数据进行预测,引入随机连接和CSAR模块后,新模型的准确率分别提高了0.5%、1.3%,最终准确率能达到93.40%。     

基于双通道卷积神经网络的航班延误预测模型

针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限的问题,提出一种基于双通道卷积神经网络（DCNN）的航班延误预测模型。首先,该模型将航班数据和气象数据进行融合,应用DCNN进行自动特征提取,采用批归一化（BN）和Padding策略优化,提升到港延误等级的分类预测性能;然后,在卷积神经网络（CNN）基础上加入直通通道,以保证特征矩阵的无损传输,增强深度网络的畅通性;同时引入卷积衰减因子对卷积通道的特征矩阵进行稀疏性限制,控制不同网络深度的特征叠加比例,维持模型的稳定性。实验结果表明,所提模型与传统模型相比,具有更强的数据处理能力。通过数据融合,航班延误预测准确率可提高1个百分点;加深网络深度后,该模型能保证梯度的稳定,从而训练更深的网络,使准确率提升至92.1%。该基于DCNN算法的模型特征提取充分,预测性能优于对比模型,可更好地服务于民航决策。     

融入稀疏因子编码约束的航班座位需求预测

为解决航班座位需求预测中，由于对座位需求量呈现“周”特性和影响因素考虑不足导致预测准确性低的问题，提出融入稀疏因子编码约束的航班座位需求预测模型。利用稀疏因子编码过程对影响航班座位需求的航班、日期、节假日、天气特征等多个特征学习，将学习的特征输入到梯度提升决策树模型。实验结果表明，该模型在考虑多个特征的基础上能够得到更准确的预测结果。     

基于DCS-DES组合的机场航班延误预测方法

航班延误对民航运输业的影响较为明显,针对机场航班运行的特点,将生物免疫机制与航班运行机制相对应,依据航班的延误率对检测器进行划分,用机场航班运行数据对检测器进行训练,提出了基于动态克隆选择算法和动态指数平滑法组合的机场航班延误预测方法,简称为DCS-DES组合方法.对这两种方法采用均方误差各所占比例加权组合预测的方式进行了实验,实验结果表明,该方法能较准确地预测下一时段航班的延误数量,且实时性较好.     

基于C_均值聚类的航班预测模型

航班预测是航空公司收益管理的关键技术．本文提出了一种基于C 均值聚类的航班预测模型，并将该模型和广泛应用的增量法、回归法进行了对比．该模型基于聚类方法分析航班销售特征，依靠归类决定预测结果，屏蔽了日期和季节特性对预测过程的影响，降低了算法复杂度．该模型具有运算速度快、鲁棒性强、预测精度相对较高等优点,已应用于厦门航空公司的实际系统中     

基于机器学习与大数据分析的无线通信系统安全态势感知预测

以提升无线通信系统安全态势感知预测精度为目标,基于机器学习与大数据分析研究无线通信系统安全态势感知预测。采集无线通信系统内的报警信息,通过数据清洗、数据集成等步骤预处理所采集数据,将完成预处理数据存储于数据库中,便于大数据分析技术挖掘关联规则过程中随意调取;利用模糊分区聚类的大数据关联挖掘算法区域分割处理海量关联数据挖掘关联规则,将完成关联规则挖掘的数据利用GA-RBF算法实现安全态势感知预测,并将预测结果发送至态势展示界面。实例分析结果表明,采用该方法感知预测无线通信系统安全态势精度高于99%,可满足无线通信系统安全态势预测需求。     

大型枢纽机场大面积航班延误预警方法研究

航班延误问题是近年来大型枢纽机场运行管理的一个难题,为了对航班延误波及情况做出较准确的预测,提出了带有权值调整的马尔可夫模型,给出了一种动态状态转移概率矩阵的计算方法.针对首都机场航班延误4个预警等级,以一小时为预警间隔预测了离港航班的延误率,仿真实验结果表明,在出现大面积航班延误的情况下,航班延误预测准确率平均在90%以上,为大型枢纽机场实施及时的航班延误预警管理提供了良好的方法支持.     

基于时空序列的Conv-LSTM航班延误预测模型

精准的航班延误预测结果可以为大面积航班延误的预防提供巨大的参考价值。航班延误预测是在特定空间下做时间序列预测,然而目前已有预测方法多为两种或多种算法的结合,存在算法间的融合问题。针对上述问题,提出了一种综合考虑时空序列的卷积长短时记忆（Conv-LSTM）网络航班延误预测模型。所提模型在长短时记忆（LSTM）网络提取时间特征的基础上,将网络的输入和权重矩阵进行卷积来提取空间特征,从而充分利用数据集包含的时间和空间信息。实验结果表明,与LSTM、仅考虑空间信息的卷积神经网络（CNN）模型相比,Conv-LSTM模型的准确率分别提高了0.65个百分点和2.36个百分点。由此可见,同时考虑时空特性可以在航班延误问题中获得更精确的预测结果。此外,基于所提模型设计并实现了基于浏览器/服务器（B/S）架构的航班延误分析系统,并且该系统也可以应用于空中交通管理局流量控制中心。     

航班计划优化模型及其应用研究

以利润最大化为目标函数，构造了航空公司航班计划优化模型。采用禁忌搜索算法对其进行求解，通过对航班数据的预处理和技巧，加快了算法的处理效率，对航空公司编制航班计划具有实际意义。以某航空公司特定机型的航班计划数据进行实证，验证了该模型和算法的可行性。     

动态预测技术在航班运行风险中的应用

为了解决静态评估技术无法适应航班运行风险要素频繁动态变化的问题,通过对中国民航近10年5000余项不安全事件的系统分析,识别风险关键指标,构建以航班运行过程为对象的动态贝叶斯网络,并根据统计结果初始化网络参数;通过对真实航班仿真计算,使用原有风控系统中的航行情报、气象预报等数据对参数实时修正,得到对飞行全程风险的预测结果.结果表明:航班在起飞前和巡航过程中,安全度高;在进近和着陆阶段,受机场风切变的影响,风险值剧烈变化,低风险概率降低到17.2%,中等风险升至70.9%,表明安全着陆可能性低,建议措施为返航或备降,该策略与实际运行结果一致,说明预测方案可行有效.进而,从单一案例扩大至2017年雷雨和冰雪季规模性数据验算,验证预测结果与实际运行状况吻合率达到80.4%,进一步证实了所提方案的可靠性.     

一种面向航班准点率保障的航班协同调度评价模型

为了保障航班的准点率,对航班调度过程中空管、航空公司和机场之间的协同状况进行评价,构建一种面向航班准点率保障的航班协同调度评价模型。基于某一时间段内机场航班进港时间平均偏离值、出港时间平均偏离值、保障完成时间平均偏离值、目标撤轮挡时间准确率和计算起飞时间准确率,建立航班协同调度的指标体系;采用关联规则挖掘的方法确定各指标对航班协同调度及航班延误影响的阈值;结合模糊层次分析法和综合评价法,对各单位在航班调度过程中的协同状况给出量级评价。实验表明:该模型能够科学有效地评价各单位在航班调度过程中的协同状况,对于优化航班保障、提高航班放行正常率具有重要意义。     

基于人工神经网络的航班延误预测

随着空中交通规模的不断扩大,航班延误的概率和频率节节攀升。但这给航空公司带来巨额的不必要的开支。因此,如果能提前预测航班情况,使得航空公司能够在保证天气预报等先验信息的准确性的情况下,合理安排航班起飞时间或者是否取消航班,就能给航空公司节省额外预算。因此,本篇文章分析可能导致航班延误的因素,使用机器学习算法,基于人工神经网络,将起飞机场天气、到达机场天气、航班里程、航空公司作为输入量,航班延误时长作为输出量,进行航班延误的预测。     

基于神经网络的智能电表计量误差建模与试验

为了提高智能电表的计量精度，文章基于人工神经网络和黑箱建模方式，建立了电表计量误差预测模型，将运行温度、电压、相角、电流以及序号作为输入层参数，将计量误差作为输出层指标，收集单相和三相智能电表的运行数据，分别进行模型训练和检验，并借助该预测模型设计电表的温度补偿功能。结果显示，计量误差模型不仅能有效预测误差值，还可以改善计量准确性。     

灰色Markov模型动态关联规则趋势度挖掘方法

针对动态关联规则趋势度随时间变化的特点,在分析原有定义以及对动态关联规则趋势度建立预测模型的基础上,提出一种把灰色-Markov模型应用到动态关联规则趋势度挖掘中的方法。该方法利用动态关联规则趋势度定义得到规则的趋势度;对于不满足趋势度阈值的规则的支持度计数序列运用灰色-Markov模型进行预测;将预测数据添加到原规则支持度序列中,并且得到该规则新的趋势度,进而判定此规则的趋势度是否满足阈值要求。通过一个实例进行分析,结果不仅证明了该方法的有效性并且能在一定程度上提高了挖掘的精度和效率,从而使动态关联规则挖掘能够得到更全面、更精确的结果。