基于时间间隔的飞机着陆跑道容量模型研究

随着民航业的快速发展,飞机着陆跑道容量已经不能满足未来需要。目前,我国主要实行的是过于保守的基于距离的间隔（DBS),针对这一问题,本文引入基于时间间隔的飞机着陆间隔。首先建立基于时间间隔（TBS）的飞机着陆跑道容量模型,在ICAO RECAT的基础上计算出TBS间隔,然后通过比较飞机在无风和15 m/s大逆风条件下应用TBS与DBS的飞机着陆跑道容量,得出尤其在逆风影响下,应用TBS可以显著提高飞机着陆效率。本文的研究结果对提高空管运行效率和飞机着陆跑道容量具有实际应用价值。     

结合ResNet和特征工程的QAR数据预测方法

为解决QAR数据存在的数据缺失、数据异常等问题,提出一种将神经网络模型与特征工程相结合的方法,用于实现对飞机的QAR数据中飞行状态参数的精准预测。首先通过引入ResNet(残差神经网络)模型大幅加深了预测网络模型的深度,同时缓解了深层网络带来的梯度消失/爆炸问题,完成了预测精度的一次提升。之后通过Pearson相关系数与随机森林相结合的特征提取方法提取训练特征,训练后得到更加精确的预测模型,完成了预测精度的二次提升。结果表明,特征工程与模型优化相结合的处理方法更加精确、高效,为QAR缺失数据补充和QAR数据异常检测提供了一种新方法,提升了数据的质量,可更好地进行数据分析与挖掘工作。