基于时效信息和深度学习的离港航班延误预测

针对离港航班延误预测问题,利用深度神经网络模型,结合时效航班信息数据和时效气象数据,提出了一种基于时效信息和深度学习的离港航班延误预测模型。利用真实数据开展数值试验,结果表明了所构建的延误预测模型可以在较短时间内获得较高的航班延误预测精度,并且具有较大的航班延误预测时效;同时随着延误时间阈值的增加,预测精度不断提高,损失值不断降低;尤其以60分钟为阈值时,模型的预测精度可以达到91.26%,说明了模型的有效性。     

基于SMTE算法和条件生成对抗网络的到港航班延误分类预测

由于航班延误数据集类别分布不均,传统分类器的性能受到一定程度的制约。为了能够对到港航班延误情况进行精准预测,提出了一种基于合成少数类过采样技术算法(synthetic minority oversampling technique, SMOTE)和条件生成对抗网(conditional generative adversarial nets, CGAN)的航班延误预测模型。首先,利用SMOTE算法对原始数据集进行上采样,并融合经过训练的CGAN生成指定样本数据集,缓解原始数据集中某些类别样本量少和数据非平衡等问题;再次,采用XGBoost模型在四种模式训练集上进行训练和超参数寻优;最后,以K近邻、支持向量机和随机森林为基准模型进行性能对比分析。经试验分析,通过分类器在融合样本集的训练,整体上可以在一定程度上提高模型的泛化性,尤其在轻度延误和中度延误类别中提升较为明显,与不采用融合方法比较,宏平均下的Precision、Recall、F1-score值分别提升了0.16、0.29、0.24个百分点。实验结果表明,该方法能够有效地对航班延误非平衡数据进行建模,在保持模型整体性能较高的前提下,能够显著的提升少数类的预测能力,可以为空管、航空公司和机场等提供决策依据。     

离场航班多目标优化排序研究

为缓解大面积、长时间的离场航班延误现状,研究了多目标离场航班优化排序问题,考虑连续航班对离场航班影响,建立了具有多个目标函数的混合整数规划模型,并基于多目标优化问题的Pareto最优解概念,设计了一种带精英策略的非支配排序遗传算法(NSGA-Ⅱ)求解模型.选取上海浦东机场3 h内离场航班进行仿真验证,并将仿真结果与其他算法优化方案比较,与FCFS策略相比,航班总延误降低了20. 1%,延误架次减少了20.较单一目标优化,该算法具有保持多个目标函数优异性的特点,且115架航班优化时间仅为302 s,能够较好的满足实际运行效率需求.所提方法能够有效解决离场航班多目标优化排序问题.     

基于多机场终端区交通态势的航班延误预测

为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立了6个描述终端区交通态势的指标。接着,构建反向传播（back propagation,BP）神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法（particle swarm optimization,PSO）优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型（genetic algorithm and back propagation,GA-BP）。     

基于航班计划的空域交通流量实时预测模型

空中交通流量预测是空中交通管理的基础,实时的空中流量预测能够有效地保证空中交通有序顺畅的运行,对保证飞行安全和解决空中交通拥挤、减少航班延误有很大的帮助。为了准确预测空域内实时的交通流量,本文首先建立了空域内单航路有N个转弯点情况下的实时流量预测模型,然后将模型推广到了空域内有任意条航路的情况,最后进行了算例仿真。仿真结果证实了文中所建模型能够很好对空域内的实时流量进行预测,模型是可行和有效的。     

考虑相邻跑道干扰的多目标进离场航班排序优化模型

为研究并构建一类考虑相邻跑道干扰的进离场航班排序多目标优化模型,该模型综合考虑了跑道运行模式、管制员工作负荷、飞机类型、航空器安全间隔等多种因素,以航班延误最少、跑道利用率最高为目标.根据该模型特征,设计出带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)求解该非线性问题,揭示了不同目标下Pareto最优解之间的关系,将航班分配给不同跑道,确定其进离场时间.最后,本文以某机场的航班进离场为例,给出了优化方案,并将改进后优化模型与传统模型进行了对比,同时,对模型的参数进行了灵敏度分析,从而验证了该模型的正确性.     

航班到港延误时长预测及特征分析

为破除XGBoost模型的黑盒特性,增强模型的说服性,提出一种基于SHAP的可解释性航班到港延误时长预测模型。首先,对航班历史数据、天气数据进行融合,在融合数据的基础上进行异常值处理,并利用递归特征消除方法进行特征选择;其次,构建航班延误时长预测模型,利用遗传算法进行参数调优,并与目前常用的模型进行对比;最后,在航班延误时长预测的基础上结合SHAP模型,从总体特征和特征间的相互关系2个角度分析特征的重要程度。实验结果表明,经过遗传算法调优的XGBoost模型预测精度更高,其中MAE降低了8.94%,RMSE降低了19.85%,MAPE降低了6.15%,且其模型精度更高。因此,SHAP模型破除了XGBoost模型的黑盒特性,增强了模型的可解释性,可为降低航班延误时长提供技术支持。     

基于航空公司的航班计划优化与延误预测

随着中国民航业的快速发展,航班延误情况一直较为严重.建立了航班计划优化模型,将软备份运力分配在飞行时间和过站时间中,提高了航班的正常率、起飞的准点率和航班串的鲁棒性;为了进一步提高航班的正常率,追踪航班串中各航班的过站机场和离场时间,用加权马尔科夫链预测处在该时间段的过站机场的延误状态,并针对不同的延误状态作出相应的延误预警,提高了航班运营的可靠性.     

基于时序卷积网络的云服务器性能预测模型

目前基于深度学习的主机性能预测模型大部分缺乏普适性，实验数据缺乏公正性，无法准确预测能耗或性能峰值点且时间开销较大.为解决这些问题，文章提出了一种基于改进时序卷积网络的云服务器性能预测模型(ATCN模型).该模型将CPU利用率作为主机过载的衡量标准，利用多维性能指标构建N+1维能耗向量，建立输入向量与预测标准之间的关系；调整TCN中的卷积核大小并不断增大扩张因子，实现长期记忆效果.基于阿里云开源数据集的实验结果表明:ATCN模型具有强自适应性，在不同硬件配置和资源使用情况下，预测准确率和效率方面比LSTM模型提升大约20%.     

基于航班离场成本的离场航空器滑行策略优化

针对大型枢纽机场日益严重的场面拥堵及由此导致的航班延误问题,推出率控制策略可利用机位等待代替滑行道及跑道口等待,控制场面离场航班的滑行数量,缓解场面拥挤.基于推出率控制策略同时结合场面滑行路径优化,提出了基于航班离场成本的离场航空器滑行策略.首先,构建了基于推出率控制策略的航班离场成本计算模型;然后,提出离场航空器滑行策略优化方法;最后,以航班离场成本最小为目标,采用遗传算法开展算例仿真,并选取三种策略进行对比分析.结果表明:基于航班离场成本的滑行策略不仅能减少离场航班的总滑行时间,提高场面运行效率,还能减少燃油消耗和气体排放量,具有一定的环保性.     

离港航班滑出时间的支持向量机预测模型

为解决BP神经网络在离港航班滑出时间预测精度欠佳的问题,构建了基于支持向量机(Support Vector Mac, SVM)的离港航班滑出时间预测模型。首先,分析了影响离港航班滑出时间的可量化因素,构建了基于相关性分析的离港航班滑出时间预测模型;并对比分析了基于SVM和BP神经网络的滑出时间预测结果。结论表明：(1)离港航班滑出时间与同时段推出航班数量、同时段起飞航班数量、同时段落地航班数量、1小时平均滑出时间呈现强相关性,与滑行距离、转弯个数、延误时间相关但不显著,与起飞时刻所在时段不相关。(2)基于SVM和BP神经网络的预测结果趋势是一致的,考虑强相关和中度相关影响因素的七元组预测结果准确率达到最佳;引入不相关因素后模型的预测精度会下降。(3)基于SVM的滑出时间预测模型精度显著高于BP神经网络预测模型,滑出时间误差范围在内的预测准确率可达98%。     

离港航班延误时间预测方法

在如今的民航运行体系里,航班延误已经成为了机场和航空公司为了提高效率与控制成本的主要研究目标。为了构建更准确的离港航班延误时间预测模型,论文首先分析了导致离港航班延误发生的主要因素,并利用皮尔逊相关度系数对各因素进行相关性分析。其次基于基本BP神经网络算法（Back Propagation, BP）,构建离港航班延误时间预测模型,并进行优化;然后采用自动编码器（AutoEncoder）对BP算法进行改进;接着构建了基于支持向量机（Support Vector Machine, SVM）的预测模型并与优化后的BP模型进行对比;最后基于上海浦东机场实际历史航班数据进行仿真检验,验证了本文优化模型的准确性和高效性。     

大面积航班延误下空中交通网络流系统的拥堵识别

近些年来,大面积航班延误问题已经成为空中交通流量管理部门的难题之一。为了从宏观上描述发生大面积航班延误时的交通状态,提出了空中交通网络流系统的拥堵定义,并对其拥堵程度进行识别和划分。首先从空中交通网络流系统的要素航线和机场的航班运行角度出发,建立了拥堵识别指标体系。其次,根据历史统计数据和熵值法计算权值,并基于模糊综合评价法建立了拥堵程度识别模型。最后,结合实例验证,表明该模型能真实的反映空中交通网络流系统的拥堵状况。     

基于BTS数据集的航班延误分类和预测算法

针对神经网络分类模型对美国联邦运输统计局(Bureau of Transportation Statistics, BTS)航班数据集中的不均衡数据预测误差较大的问题,采用自适应合成采样算法(adaptive synthetic sampling approach, ADASYN)和合成少数类过采样算法(synthetic minority over-sampling technique, SMOTE)对航班延误类别进行平衡处理,并用随机森林(random forest, RF)模型进行训练和贝叶斯调参。结果表明：与不经过平衡采样的方法比较,该方法在权重平均下的精确率、召回率和F₁评分分别提高了19%、8%和16%;分类预测准确率提升8.03%,模型拟合指数AUC(area under curve)提升5.4%。同时,采用多特征相融合的图神经网络模型Graph WaveNet对航班平均延误时间进行预测。实验结果表明：与单特征模型比较,该模型平均绝对误差和均方根误差分别降低了16%和12.45%。这些方法和结果对研究航班延误分类和预测算法研究具有参考价值。     

一种基于反向神经网络的航空器飞行轨迹预测

为了缓解终端区空域拥堵和降低航空器运行风险,提出一种基于反向神经网络(BP)的航空器飞行轨迹预测模型。首先,对航空器历史数据进行筛选和降噪处理,得到基准轨迹;其次,建立基于Hausdorff距离的轨迹相似性矩阵,采用模糊C-均值聚类(FCM)对所有轨迹进行自动分类;最后,综合考虑飞行轨迹的三维位置、速度和航向特征,利用BP神经网络对轨迹特征进行训练学习,建立飞行轨迹预测模型,用于对未来时刻的短期飞行轨迹多维特征进行预测。试验结果表明:该网络模型预测误差小、预测效果好,可以更加准确地进行航空器的飞行轨迹预测。     

基于SSA-BP的离港航班滑出时间预测

针对传统BP神经网络在离港航班滑出时间预测时存在对初始权值和阈值敏感、准确性和稳定性不好等缺点,提出了一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)获取BP神经网络的最优权值和阈值的方法。首先分析了离港航班滑出时间的可量化影响因素及相关性,然后构建了基于SSA-BP的离港航班滑出时间预测模型,并采用我国中南某枢纽机场2周的实际运行数据对预测模型进行了验证。结果表明：①离港航班滑出时间与同时段滑行的离港航班数量强相关,与同时段滑行的进港航班数量、同时段推出的离港航班数量、平均滑出时间中度相关,与滑行距离和转弯个数弱相关;②基于SSA优化后的BP神经网络预测结果误差在±60s内的准确率提升了20%,误差±180s内的准确率提升了12%,误差±300s内的准确率提升了7%;预测结果的平均绝对误差百分比提升了2.61%,平均绝对误差减少了11.73s,均方根误差减少了61.03s。研究成果为提升大型枢纽机场场面运行效率提供了思路。     

基于时空图注意力神经网络的交通道路拥塞和异常预测

为全面捕获交通路网的时空特性,分析路况的复杂多变性,实现道路拥堵和突发情况的高效准确预测,研究提出一种时空图注意力神经网络模型,通过将道路网络建模成一系列随时间变化的图,利用图注意力机制(graph attention network,GAT)关注路网图关键节点的空间特性并捕获动态的全图空间特征,再利用门控循环单元(g...     

基于交叉点复杂度的空域通行能力优化方法

为解决空域拥挤导致通行能力下降的问题,提出了一种考虑交叉点复杂度的通行能力优化方法。首先,分析了实际民航运行中存在的痛点和难点,以及以往有关通行能力的研究缺少交叉点建模、管制员负荷测量困难和求解时间复杂度高的缺陷;第二,从高度层、交叉点和航班运行三个方面提出了空域的数学抽象方法,并根据节点的交叉数对空域的数学模型进行简化,剔除了没有交叉的导航台点,降低了空中交通网络抽象后节点矩阵稀疏的问题;第三,分析了交叉点对于通行能力的影响主要在于流量和交叉数两个方面,以这两个方面建立了交叉点的费用函数;第四,以延误最小为目标,以流量平衡、扇区和航路容量、流控容量和非负整数作为约束,建立了通行能力优化模型;第五,分析并指出存在负容差的空中交通网络更容易发生延误,并根据网络延误的特性提出了一种考虑延误反向传播的迭代算法。最后,以华北地区空域为例,从不同流控等级下的延误时间、受影响的航班数和算法计算时间三方面进行仿真。结果表明,模型和算法平均能降低33.58%的延误,且通过合理地分配改航、调时和调减最大程度减少延误。