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HCTC_Ptri网的机场主要资源调度模型

针对多跑道机场主要资源调度问题,结合层次Petri网、有色Petri网、时延Petri网和受控Petri网理论,构建一种面向机场主要资源调度的混合Petri网——HCTC_Petri (hierarchical colored timed controlled Petri)网模型.通过设置合理的控制策略、动态调节模型参数,提高运行结果的稳定性.以多个新的航班时刻表为基础,预测机场的资源调度情况.实验结果表明,HCTC_Petri网模型在模拟机场主要资源调度时具有较高的准确性和稳定性,且中转航班进站前的延误总时间和总架次对过站后的延误情况影响较大.     

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.     

基于集成学习的离港航班延误预测方法

为解决稀疏数据对预测模型带来的负面影响,提高以机场为主体的离港航班延误预测效果,提出一种基于Xgboost模型与Logistic模型相集成的离港航班延误预测方法.将Xgboost模型作为特征转换器,把森林中每棵决策树的叶节点作为新特征向量输入到Logistic模型中进行航班延误预测.通过在未经规范化的稀疏数据上和其它预...     

基于HTCPN的牵引车动态优化调度

针对机场牵引车动态调度问题,基于层次赋时着色Petri网(hierarchical timed colored Petri net,HTCPN)搭建牵引车动态调度仿真系统.在充分考虑实际运行过程中各个步骤的随机性后,根据航空器实时发送的推出申请完成牵引车的动态分配.在保障航班延误最少的基础上依次实现不同车辆间工作负荷均...     

融合关联规则多级输入ANN航班态势预测

针对航班延误后航班运行态势状况预测的问题，提出一种融合动态关联规则的多级输入层人工神经网络预测模型，将通过动态关联规则产生的强关联关系融合进多级输入层人工神经网络中，用于处理天气预报，达到对航班运行态势实时在线预测的目的。通过实验对比，该模型可以用于处理海量数据和标称变量，相比其它模型，该模型在预测准确率、内存占用率、运行效率以及召回率等性能的表现上都有较大提升。     

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。     

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.     

基于时空图卷积网络的机场地铁短时客流预测

机场地铁短时客流预测是实现机场旅客快速疏解、航站楼现场运力资源指挥调度的关键。考虑到机场复杂的空间结构与航班波动的影响，建立基于图卷积神经网络（GCN）和组合门控卷积（GLU）的机场地铁短时客流预测模型。通过图卷积神经网络融合机场空间路径点与地铁口的空间结构关系，同时，设计一种组合门控卷积模块挖掘航班波动下地铁客流的时变特征，有效地捕捉地铁客流的波动性。基于首都机场T3航站楼真实客流数据对模型的有效性进行检验，经多次实验结果表明，提出的时空图卷积短时客流预测模型在均方根误差、平均绝对误差和平均绝对百分比误差均小于传统ARIMA预测模型与深度学习中LSTM、STGCN模型，该模型能捕捉地铁客流与航班客流的波动变化关系，具有较高的预测精度，提高了模型预测的鲁棒性。     

多机场地面等待策略的建模与仿真

针对我国空中交通流量管理中出现的大规模航班延误情况,根据多个机场实际起飞和降落容量的约束,建立了一种考虑航班取消的多机场地面等待策略数学模型,并提出求解该模型的有效算法。在所提模型与算法的基础上,选择我国三大机场实际数据进行仿真。对比了取消航班与不取消航班两种情况结果,仿真结果验证了模型与方法的有效性与实用性,给出了最优排序的航班时刻表,从而支持了关键航班的运行,减少了航班总延误。     

基于 TCPN 的复杂航班推出问题的建模与仿真

为了解决对机场实际运营中存在的共用同一中间机坪滑行道的航空器相对推出型冲突问题,文中根据时间有色Petri 网的相关理论,分析了导致机场的运行效率降低的航班的推出问题,结合成都双流国际机场的相对推出型廊桥,提出了基于时间有色 Petri 网(Timed -Colored Petri Net,TCPN)的复杂情况下航空器推出模型.依据此模型将航空器从滑行道到停入机位的全过程进行模拟和说明.最后结合 TCPN 仿真软件 CPN Tools 中的状态空间分析法,对模型的可行性进行分析,对保障航班推出过程的运行安全、提高繁忙机场的运行效率具有重要的现实意义     

基于高斯分布的进出港航班延误免疫检测方法

为了对机场航班延误情况做出较准确的检测,提出了一种基于高斯分布的进出港航班延误免疫检测模型。该模型利用生物免疫机制与航班运行机制的联系,建立了相应的自体集合、检测细胞及它们之间的匹配模型,同时针对每一架飞机每天要执行多个航班,机场进港航班与出港航班形成的前序后继关系,采用高斯分布进行拟合航班链延误波及影响。对国内某机场仿真实验结果表明,该模型有较好的效果。     

民航机场运动目标实时运动仿真

对机场地面保障过程中的地面运动目标实时运动过程建立数据关联模型和运动仿真数学模型, 基于GIS 地理数据与图形设备接口 (GDI+), 结合多线程技术与并发同步机制对仿真程序加以改进; 仿真过程中利用改进的 A^*算法确定机场运动目标行驶最佳路径, 结合数据可视化技术实时监测目标运动状态, 最终利用复演法进行多次试验对仿真结果进行统计分析. 该仿真模型现已应用于机场地面保障流程推演、机场应急预案验证、机场航班运输决策等多个领域, 对提高机场航班过站保障能力具有重要意义.     

基于TCPN的复杂航班推出问题的建模与仿真

为了解决对机场实际运营中存在的共用同一中间机坪滑行道的航空器相对推出型冲突问题,文中根据时间有色Petri网的相关理论,分析了导致机场的运行效率降低的航班的推出问题,结合成都双流国际机场的相对推出型廊桥,提出了基于时间有色Petri网（Timed—ColoredPetri Net,TCPN）的复杂情况下航空器推出模型。依据此模型将航空器从滑行道到停入机位的全过程进行模拟和说明。最后结合TCPN仿真软件CPNTools中的状态空间分析法,对模型的可行性进行分析,对保障航班推出过程的运行安全、提高繁忙机场的运行效率具有重要的现实意义。     

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。     

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。     

基于遗传算法的离场航班时刻优化

针对枢纽机场航班延误和放行正常率低的现象,对离场航班进行合理的调度,将航班延误降到最低,提高放行正常率。作者从机场运行角度出发,考虑了机场实际放行能力、航班调度难度和管制间隔、跑道容量等因素,建立了离场航班优化调度模型,引入遗传算法对该模型进行求解。并利用AirTop对优化结果仿真验证,以上海虹桥国际机场为例,利用所提算法对离港航班时刻进行优化,AirTop仿真结果表明,优化后的航班总延误时间减少了32.3%,延误航班数量也减少了28%。因此,上述算法可以有效地提高机场运行效率,减少航班延误,从而提高经济效益。     

基于贝叶斯网络的航班保障服务时间动态估计

针对航班保障服务时间估计的问题,考虑到航班保障服务流程的特殊性、复杂性以及影响因素的不确定性,提出了一种基于贝叶斯网络（BN）的航班保障服务时间估计模型。该模型把航空领域的专家知识与历史数据的机器学习相结合,使用贝叶斯网络的增量学习特性动态地调整BN模型,使其适应新的变化,进而不断更新航班保障服务时间的估计值。使用国内某大型枢纽机场信息系统内提取的数据,通过期望最大化（EM）方法对模型进行训练,得到了测试结果。实验结果分析与模型评价表明,所提方法能有效估计航班保障服务时间且具有较高的准确度。敏感性分析表明,航班到达时段的航班密度对航班保障服务时间影响最强。