[發(fā)明專利]一種面向延誤傳播的航班起降時(shí)間預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911333709.2
• 申請(qǐng)日: 2019-12-23
• 公開(kāi)（公告）號(hào): CN111401601B
• 公開(kāi)（公告）日: 2023-06-09
• 發(fā)明（設(shè)計(jì)）人: 楊磊;宋捷;趙征;王春政;謝華;胡明華
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/04;G06N3/082;G06F18/214;G06F18/21;G06Q50/26
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種面向延誤傳播的航班起降時(shí)間預(yù)測(cè)方法，其特征在于，步驟包括：

(1)基于歷史航班運(yùn)行數(shù)據(jù)，提出航班延誤特征參數(shù)的建模方法，建模方法的具體流程如下：

(1.1)建立原始?xì)v史航班運(yùn)行數(shù)據(jù)集；

(1.2)建立航空器連續(xù)航段歷史運(yùn)行數(shù)據(jù)集；

(1.3)延誤傳播特征關(guān)鍵參量建模；基于航空器連續(xù)航段歷史運(yùn)行數(shù)據(jù)集，分別針對(duì)每架航空器建立表征延誤傳播特征的關(guān)鍵參量，包括：A_i(i＝0,1,2,…)為連續(xù)航段的第i站機(jī)場(chǎng)，為航空器在第i站機(jī)場(chǎng)的計(jì)劃起飛時(shí)間、為航空器在第i站機(jī)場(chǎng)的實(shí)際起飛時(shí)間，為航空器在第i站機(jī)場(chǎng)的計(jì)劃落地時(shí)間、為航空器在第i站機(jī)場(chǎng)的實(shí)際落地時(shí)間、為航空器在第i站機(jī)場(chǎng)至第i+1站機(jī)場(chǎng)的計(jì)劃飛行時(shí)間、為航空器在第i站機(jī)場(chǎng)至第i+1站機(jī)場(chǎng)的實(shí)際飛行時(shí)間，為航空器在第i站機(jī)場(chǎng)的計(jì)劃周轉(zhuǎn)時(shí)間、為航空器在第i站機(jī)場(chǎng)的實(shí)際周轉(zhuǎn)時(shí)間、為航空器在第i站機(jī)場(chǎng)的起飛延誤、為航空器在第i站機(jī)場(chǎng)的落地延誤；

(2)選擇任意機(jī)場(chǎng)對(duì)，利用深度學(xué)習(xí)算法，建立基于人工神經(jīng)網(wǎng)絡(luò)的航班延誤預(yù)測(cè)模型，學(xué)習(xí)航空器在多航段運(yùn)行過(guò)程中的延誤傳播特征，具體流程如下：

(2.1)構(gòu)建預(yù)測(cè)輸入輸出數(shù)據(jù)集；

(2.2)根據(jù)確定的輸入輸出參數(shù)，并按照比例隨機(jī)劃分總數(shù)據(jù)集，構(gòu)建訓(xùn)練與測(cè)試數(shù)據(jù)集，完成航班延誤預(yù)測(cè)模型的構(gòu)建；模型構(gòu)建步驟如下：

S1：基于Tensorflow的環(huán)境下在Python平臺(tái)中導(dǎo)入Keras工具包，選取models模塊中的Sequential與layers模塊中的Dense與Dropout功能；

S2：分別導(dǎo)入已整合成輸入輸出參數(shù)格式的訓(xùn)練集與測(cè)試集，完成訓(xùn)練模型與測(cè)試模型的數(shù)據(jù)導(dǎo)入；

S3：調(diào)用models中Sequential功能，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)，調(diào)用layers模塊中的Dense與Dropout功能，構(gòu)建輸入層以及第一層隱藏層，設(shè)置相應(yīng)的神經(jīng)元數(shù)、網(wǎng)絡(luò)權(quán)重與初始化神經(jīng)元激活功能模型參數(shù)，并加入訓(xùn)練數(shù)據(jù)集的輸入?yún)?shù)數(shù)據(jù)；

S4：構(gòu)建后序隱藏層；調(diào)用layers模塊中的Dense與Dropout功能，設(shè)置合適的隱藏層數(shù)，針對(duì)每層隱藏層，設(shè)置相應(yīng)的神經(jīng)元數(shù)、網(wǎng)絡(luò)權(quán)重、初始化神經(jīng)元激活功能與丟棄比例模型參數(shù)；

S5：構(gòu)建輸出層；調(diào)用layers模塊中的Dense與Dropout功能，設(shè)置網(wǎng)絡(luò)權(quán)重與初始化神經(jīng)元激活功能等模型參數(shù)，并加入訓(xùn)練數(shù)據(jù)集的輸出參數(shù)數(shù)據(jù)；

S6：按要求配置訓(xùn)練模型；調(diào)用compile功能，設(shè)置優(yōu)化算法、目標(biāo)函數(shù)與訓(xùn)練和測(cè)試的模型評(píng)估標(biāo)準(zhǔn)參數(shù)；

S7：對(duì)訓(xùn)練模型進(jìn)行訓(xùn)練；調(diào)用fit功能，加入訓(xùn)練數(shù)據(jù)集的輸入與輸出參數(shù)數(shù)據(jù)，設(shè)置訓(xùn)練模型中的訓(xùn)練批量大小與遍歷次數(shù)模型參數(shù)；

S8：輸出預(yù)測(cè)模型的預(yù)測(cè)數(shù)據(jù)集誤差值和評(píng)估標(biāo)準(zhǔn)值；調(diào)用evaluate功能，加入預(yù)測(cè)數(shù)據(jù)集的輸入與輸出參數(shù)數(shù)據(jù)，設(shè)置訓(xùn)練模型中的訓(xùn)練批量大小模型參數(shù)；

S9：輸出預(yù)測(cè)模型的預(yù)測(cè)數(shù)據(jù)集預(yù)測(cè)結(jié)果；調(diào)用predict功能，加入測(cè)試數(shù)據(jù)集的輸入?yún)?shù)數(shù)據(jù)，設(shè)置訓(xùn)練模型中的訓(xùn)練批量大小，輸出相應(yīng)的預(yù)測(cè)結(jié)果；

S10：建模和預(yù)測(cè)結(jié)束；

(2.3)基于人工神經(jīng)網(wǎng)絡(luò)的航班延誤預(yù)測(cè)模型調(diào)優(yōu)；

(2.4)根據(jù)調(diào)參后得到的本站起飛延誤下站落地延誤的預(yù)測(cè)結(jié)果，則本站預(yù)計(jì)的起飛時(shí)間為計(jì)劃起飛時(shí)間加上本站起飛延誤下站預(yù)計(jì)的落地時(shí)間為計(jì)劃落地時(shí)間加上下站落地延誤

2.根據(jù)權(quán)利要求1所述的一種面向延誤傳播的航班起降時(shí)間預(yù)測(cè)方法，其特征在于，步驟(1.1)中所述建立原始?xì)v史航班運(yùn)行數(shù)據(jù)集包括采集航班歷史運(yùn)行數(shù)據(jù)，提取航班號(hào)、注冊(cè)號(hào)、機(jī)型、起降機(jī)場(chǎng)、預(yù)計(jì)起飛時(shí)間、預(yù)計(jì)落地時(shí)間、實(shí)際起飛時(shí)間、實(shí)際降落時(shí)間。

3.根據(jù)權(quán)利要求1所述的一種面向延誤傳播的航班起降時(shí)間預(yù)測(cè)方法，其特征在于，步驟(1.2)中建立歷史運(yùn)行數(shù)據(jù)集基于原始?xì)v史航班運(yùn)行數(shù)據(jù)集，通過(guò)注冊(cè)號(hào)提取每架航空器每日的連續(xù)飛行航段，將以航班號(hào)為索引的原始?xì)v史航班運(yùn)行數(shù)據(jù)集整合成以航空器為索引的連續(xù)航段運(yùn)行數(shù)據(jù)。