[發(fā)明專利]航班延誤預(yù)測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202211243543.7
• 申請日: 2022-10-12
• 公開（公告）號: CN115310732B
• 公開（公告）日: 2022-12-20
• 發(fā)明（設(shè)計）人: 曾宇;鄭福君;楊磊;李德斌;李劍華;李衛(wèi)坤;伍偉略
• 申請（專利權(quán)）人: 珠海翔翼航空技術(shù)有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/10;G06Q50/30;G06K9/62;G06N3/04
• 代理公司: 北京市恒有知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種航班延誤預(yù)測方法，其特征在于，所述方法包括：

獲取目標(biāo)航班的航班運(yùn)行信息、所述目標(biāo)航班在預(yù)設(shè)運(yùn)行時間內(nèi)起降城市的天氣信息，以及與所述目標(biāo)航班關(guān)聯(lián)機(jī)場的關(guān)聯(lián)延誤信息；

將所述航班運(yùn)行信息、所述天氣信息以及所述關(guān)聯(lián)延誤信息轉(zhuǎn)換為特征向量后，通過預(yù)先構(gòu)建的航班延誤預(yù)測模型，預(yù)測所述目標(biāo)航班是否會延誤，

若預(yù)測所述目標(biāo)航班會延誤，則進(jìn)一步確定所述目標(biāo)航班的延誤等級，根據(jù)預(yù)先獲取的對應(yīng)關(guān)系，確定與所述延誤等級對應(yīng)的處理方案，其中，

所述航班延誤預(yù)測模型基于多個神經(jīng)網(wǎng)絡(luò)模型構(gòu)建，在先神經(jīng)網(wǎng)絡(luò)模型的輸出作為在后神經(jīng)網(wǎng)絡(luò)模型的輸入，用于對目標(biāo)航班進(jìn)行延誤預(yù)測；

所述方法還包括訓(xùn)練航班延誤預(yù)測模型，

訓(xùn)練航班延誤預(yù)測模型的方法還包括訓(xùn)練航班延誤預(yù)測模型的在先神經(jīng)網(wǎng)絡(luò)模型，其中，所述在先神經(jīng)網(wǎng)絡(luò)模型基于深度神經(jīng)網(wǎng)絡(luò)模型構(gòu)建，包括輸入層、卷積層、隱藏層以及輸出層，

所述卷積層對訓(xùn)練特征向量進(jìn)行批量歸一化處理，并確定各隱藏層對應(yīng)的輸出特征；

基于所述在先神經(jīng)網(wǎng)絡(luò)模型的第一損失函數(shù)確定所述輸出特征對應(yīng)的預(yù)測值，并根據(jù)所述預(yù)測值與預(yù)設(shè)目標(biāo)值的損失值判斷所述在先神經(jīng)網(wǎng)絡(luò)模型是否收斂，

若不收斂，則根據(jù)所述損失值通過反向傳播算法確定所述隱藏層的梯度值，并根據(jù)所述梯度值更新所述在先神經(jīng)網(wǎng)絡(luò)模型各層的權(quán)重值，直至所述在先神經(jīng)網(wǎng)絡(luò)模型收斂，其中，

所述在先神經(jīng)網(wǎng)絡(luò)模型收斂的判斷依據(jù)包括判斷在先神經(jīng)網(wǎng)絡(luò)模型輸出的航班預(yù)計到達(dá)時間與航班實(shí)際到達(dá)時間的時間差值是否在預(yù)設(shè)時間范圍內(nèi)；

訓(xùn)練航班延誤預(yù)測模型的方法還包括訓(xùn)練航班延誤預(yù)測模型的在后神經(jīng)網(wǎng)絡(luò)模型，其中，所述在后神經(jīng)網(wǎng)絡(luò)模型基于卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建，所述在后神經(jīng)網(wǎng)絡(luò)模型包括卷積層、池化層以及分類層，

通過所述在后神經(jīng)網(wǎng)絡(luò)的卷積層對輸入特征信息進(jìn)行局部連接和權(quán)值共享提取后，自適應(yīng)標(biāo)定所輸入特征信息的權(quán)重值，其中，所述輸入特征信息為所述在先神經(jīng)網(wǎng)絡(luò)模型輸出的航班預(yù)計到達(dá)時間；

所述池化層將所述輸入特征信息以及對應(yīng)的權(quán)重值融合為綜合特征值；

通過所述分類層的softmax分類器根據(jù)所述綜合特征值輸出輸入特征信息對應(yīng)類別的概率；

循環(huán)迭代訓(xùn)練在后神經(jīng)網(wǎng)絡(luò)模型直至輸出輸入特征信息對應(yīng)類別的概率滿足預(yù)設(shè)條件，其中，

所述輸入特征信息對應(yīng)類別包括延誤等級。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括訓(xùn)練航班延誤預(yù)測模型，所述訓(xùn)練航班延誤預(yù)測模型的方法包括：

構(gòu)建模型訓(xùn)練數(shù)據(jù)集，其中，所述模型訓(xùn)練數(shù)據(jù)集包括預(yù)設(shè)時間段內(nèi)歷史航班運(yùn)行信息、歷史天氣信息以及歷史關(guān)聯(lián)延誤信息；

將所述模型訓(xùn)練數(shù)據(jù)集轉(zhuǎn)換為訓(xùn)練特征向量，并輸入待訓(xùn)練的航班延誤預(yù)測模型，并基于待訓(xùn)練的航班延誤預(yù)測模型的訓(xùn)練輸出結(jié)果更新所述模型訓(xùn)練數(shù)據(jù)集，直至達(dá)到預(yù)設(shè)訓(xùn)練收斂條件完成對待訓(xùn)練的航班延誤預(yù)測模型的訓(xùn)練，其中，

待訓(xùn)練的航班延誤預(yù)測模型包括在先神經(jīng)網(wǎng)絡(luò)模型和在后神經(jīng)網(wǎng)絡(luò)模型，所述在先神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述訓(xùn)練特征向量進(jìn)行在先訓(xùn)練學(xué)習(xí)，并將第一輸出結(jié)果輸出至所述在后神經(jīng)網(wǎng)絡(luò)模型，所述在后神經(jīng)網(wǎng)絡(luò)根據(jù)所述第一輸出結(jié)果進(jìn)行在后訓(xùn)練學(xué)習(xí)，輸出訓(xùn)練預(yù)測值。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，將所述訓(xùn)練特征向量輸入待訓(xùn)練的航班延誤預(yù)測模型之前，所述方法還包括：

根據(jù)所述模型訓(xùn)練數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)特征，確定與所述訓(xùn)練數(shù)據(jù)特征對應(yīng)的數(shù)據(jù)預(yù)處理方法，篩除所述模型訓(xùn)練數(shù)據(jù)集中的臟數(shù)據(jù)，得到標(biāo)準(zhǔn)模型訓(xùn)練數(shù)據(jù)集，其中，所述標(biāo)準(zhǔn)模型訓(xùn)練數(shù)據(jù)集包括標(biāo)準(zhǔn)航班運(yùn)行信息、標(biāo)準(zhǔn)天氣信息以及標(biāo)準(zhǔn)關(guān)聯(lián)延誤信息；

將所述標(biāo)準(zhǔn)模型訓(xùn)練數(shù)據(jù)集的標(biāo)準(zhǔn)航班運(yùn)行信息、標(biāo)準(zhǔn)天氣信息以及標(biāo)準(zhǔn)關(guān)聯(lián)延誤信息分別轉(zhuǎn)換為對應(yīng)的標(biāo)準(zhǔn)數(shù)據(jù)特征；

按照標(biāo)準(zhǔn)數(shù)據(jù)特征對應(yīng)的數(shù)據(jù)類型對標(biāo)準(zhǔn)航班運(yùn)行信息、標(biāo)準(zhǔn)天氣信息以及標(biāo)準(zhǔn)關(guān)聯(lián)延誤信息進(jìn)行評分，并將評分超過預(yù)設(shè)閾值的信息轉(zhuǎn)換為訓(xùn)練特征向量。