基于支持向量回归的机场旅客吞吐量预测

在分析现有机场旅客吞吐量预测方法不足的基础上,利用基于结构风险最小化原则的支持向量回归方法,建立了机场旅客吞吐量预测模型。通过实际数据的检验及与BP神经网络等方法的预测结果比较,证明应用支持向量回归方法对机场旅客吞吐量进行预测具备可行性,同时具有较高的预测精度。     

机场旅客吞吐量的人工神经网络预测方法

利用人工神经网络对非线性系统的函数所具有的以任意精度逼近的良好特性,突破传统上基于统计学原理进行机场旅客吞吐量预测的限制,设计了具有成都双流国际机场特点的、低成本的机场旅客吞吐量的人工神经网络预测模型,经过BP网络预测软件运行检验,并与该机场以前采用的定量预测方法的综合比较,证明在该机场应用BP网络预测方法不仅可行,而且有更好的预测精度.     

机场安检资源动态分配方法研究

为缓解大型机场航班数的密集增加给机场安检带来的巨大压力，避免可能导致的服务时间延长、机场服务质量及旅客满意度下降等后果，针对不同时段的航班计划计算了合适的安检通道开放数量，并基于排队论计算了旅客的等待时间，比较了不同人员配置对安检效率和成本的影响。结果表明，根据不同时段的航班数动态分配安检资源，可以保证安检效率及机场服务质量并降低安检成本。     

航站楼安检布局及流程优化研究

为保证旅客出行安全,提高机场安检效率,对机场安检流程进行优化。以航站楼内旅客安检服务流程为研究对象,根据安检服务流程特性,分析并选择广义随机Petri网对航站楼内单通道安检服务流程进行建模与仿真分析。在验证模型可靠性的基础上,运用广义随机Petri 网和马尔科夫链的相关理论给出安检流程的性能评价。最后,以深圳宝安国际机场航站楼内旅客安检流程为实例分析对象,在对资源没有限制的条件下,对深圳机场单通道安检流程进行分析,验证模型的可靠性,找出安检过程中的瓶颈问题,提出改善建议。     

基于BP神经网络的翼型空气动力系数预测

本文介绍了BP神经网络的基本原理,建立了面向BP神经网络预测模型,对翼型的升力系数和阻力系数进行预测,并与风洞试验数据对比分析。结果表明,神经网络的预测精度很高,与试验数据的误差是可以接受的,验证了BP神经网络预测空气动力系数的可行性。     

基于BP神经网络的加油锥套运动预测方法

针对无人机自主空中受油需求,分析了影响加油锥套运动规律的各种因素,提出了基于BP神经网络的加油锥套运动规律的预测方案,利用所采集的锥套运动数据,建立相应的BP神经网络预测模型,在Matlab环境下,对所得预测模型进行检验,结果表明,该模型具有较高的预测精度。     

基于特征选择的BP神经网络算法滑行时间预测

为准确预测离港航班滑行时间,基于数理分析同时段场面航空器滑行数量、平均滑行时间等因素对离港航空器滑行时间的影响。将皮尔逊相关系数与随机森林算法相结合减少冗余特征变量,建立基于BP神经网络的滑行时间预测模型,提高离港航空器场面滑行时间预测精度,并通过交叉验证证明预测结果的稳定性。预测结果表明：通过皮尔逊相关系数与随机森林组合模型进行特征选择可提高BP神经网络预测结果的精度,离港航空器的滑行时间预测误差在±5min内的占比由88.23%提升至92.26%,且预测效果较为稳定。模型可以精确预测离港航班的滑行时间,为机场运行提供决策依据。     

BP神经网络在元器件贮存可靠性参数预测中的应用

元器件贮存可靠性受多个非线性因素的影响。时间序列预测实质是实现一个非线性映射。应用BP神经网络模型对某元器件贮存可靠性性能参数时间序列进行了预测,仿真表明BP神经网络预测模型有较高的精度。     

从单纯安全管理到至诚服务顾客——白云机场安检服务的改变

<正>机场安全检查是民航空防安全"地面防"的重要关口,是贯彻执行民航空防安全法规的第一线。长期以来,民航安检给人的印象就是威严有余而温馨不足,总是板着一副脸孔。然而,从去年开始,在白云机场出发的旅客高兴地看到,机场安检员的脸上多了微笑,声音变得亲切甜美,产生的亲和力着实让旅客惊喜。是什么力量推动白云安检这种服务形象的转变呢?安检服务难在哪里安检的工作性质就是从旅客及其货物中查堵威胁飞机和乘客安全的违禁物品,专家称为"索取型"服务,所以,民     

国外民用机场管理模式和政策

机场与企业的特征及区别民用机场是供飞机安全起降、滑行、停放和为旅客、货物运输提供良好服务的场所。主要有两部分,一是飞行区及设施。包括跑道、滑行道、联络道及灯光设施等,有的机场还包括塔台及指挥设施;二是运输服务区及设施,包括旅客候机楼及值机、安检消防、出入境检查、过站机务维修、供油、停车场等。 随着商品经济和航空运输的发展,一些大型机场还有商业区及设施,     

高空台特种调节阀建模方法对比研究

为了获得准确的轮盘式特种调节阀流量特性模型,提高高空舱进口流量预测精度,提出了基于BP神经网络和NARX网络的建模方法。在对调节阀与传感器测点位置分析的基础上,将调节阀和阀后容腔作为整体进行建模。对比研究了流量系数、静态BP神经网络以及基于Gamma Test的动态NARX网络建模方法,并给出了工程中选取建模方法的建议。以试验流量数据为基准,仿真对比了不同阀门开度变化时,各模型输出流量的稳态误差和动态误差。结果表明,BP神经网络方法和NARX网络方法建模精度要优于流量系数法。同时,BP神经网络模型最大稳态误差为0.52kg/s,优于NARX网络模型和流量系数模型。NARX网络模型的最大动态误差为2.04kg/s,相比于BP神经网络模型和流量系数模型,能够更准确地反映流量的动态特性。     

离港航空器滑出时间的BP神经网络预测模型

准确地预测离港航空器滑出时间可有效提升机场场面运行效率,降低运行成本。构建基于BP 神经网络的离港航空器滑出时间预测模型,分析影响离港航空器滑出时间的可量化因素,并对其相关性进行检验;通过我国中南某机场2 周实际运行数据对模型进行验证,并以均方根误差、平均绝对误差和平均绝对误差百分比检验预测结果的准确性。结果表明：同时...     

机场航站楼行李提取大厅面积计算方法

航站楼行李提取大厅是机场旅客最集中的重要区域之一,大厅的面积直接关系到航站楼空间资源配置、整体运行成本以及旅客服务水平,因此做好该区域面积规划尤为重要。然而,目前航站楼功能区面积确定方法过于粗糙和保守,并且忽略了旅客到达分布特性和服务设施利用的时间性。本方法借助旅客流和行李流累计到达概率分布曲线,通过引入停留时间的概念,将时间融入到空间需求中,实现了行李提取区面积优化。     

A geographical and operational deep graph convolutional approach for flight delay prediction

Flight delay prediction has attracted great interest in civil aviation community due to its significant role in airline planning, flight scheduling, airport operation, and passenger service. Flight delay is affected by numerous factors and irregularly propagates in air transportation networks owing to flight connectivity, which brings critical challenges to accurate flight delay prediction. In recent years, Graph Convolutional Networks (GCNs) have become popular in flight delay prediction due to the advantage in extracting complicated relationships. However, most of the existing GCN-based methods have failed to effectively capture the spatial–temporal information in flight delay prediction. In this paper, a Geographical and Operational Graph Convolutional Network (GOGCN) is proposed for multi-airport flight delay prediction. The GOGCN is a GCN-based spatial–temporal model that improves node feature representation ability with geographical and operational spatial–temporal interactions in a graph. Specifically, an operational aggregator is designed to extract global operational information based on the graph structure, while a geographical aggregator is developed to capture the similar nature among spatially close airports. Extensive experiments on a real-world dataset demonstrate that the proposed approach outperforms the state-of-the-art methods with a satisfying accuracy improvement.     

机场终端区跑道配置优化及容流调配模型研究

大型繁忙机场交通需求的持续增长导致的飞行流量与保障能力、机场容量之间的矛盾日益突出。为了充分利用跑道系统资源,合理配置跑道运行容量,优化飞行流,建立非线性0-1整数规划模型解决以下两个问题:确定跑道配置优化序列,匹配进离场飞机流。模型综合考虑机场交通流、跑道配置转换容量折损、跑道容量包络线等约束,以优化区间内航班总延误最小为目标,用LINGO建模求解,使用实际运行数据验证模型的有效性。结果表明,模型实现了跑道资源的优化利用,降低了航班延误。     

基于动态变结构BP神经网络的目标威胁评估

针对传统目标威胁估计方法和BP神经网络的不足,在BP神经网络的基础上,建立了基于动态变结构BP神经网络的目标威胁估计模型.该模型通过在权值向量更新公式中引入冲量函数,加快了网络的搜索速度和精度,保证了网络获得全局最优值;通过实时调整隐含层节点数目,可以将网络结构优化,极大地提升了网络的灵活性.仿真结果表明,与传统目标威胁估计方法和BP神经网络相比,动态变结构BP神经网络具有更好的预测能力和收敛速度,可以快速、准确地完成目标威胁估计.     

民用机场及附近空域空中交通流量优化

针对民航客运需求快速增长所带来的航班延误和空域拥塞问题,提出一种优化民用机场及附近空域空中交通流量的方法。通过空中交通走廊容量评估方法,对经典优化模型进行了发展和改进,建立起综合性优化模型;将机场和附近空域视为一个整体系统,根据交通需求和容量的相互关系动态调整航班流量和机场起降容量;在优化计算时,提出一种兼顾效率和准确性的新型优化算法。通过算例对所述优化方法进行了验证,该方法可以为空中交通管制人员进行流量优化分配提供参考。     

基于IPSO-Elman神经网络的飞机客舱能耗预测

为了提高飞机客舱使用地面空调制冷时客舱能耗的预测精度，提出了一种改进的粒子群优化（IPSO）Elman神经网络的飞机客舱能耗预测模型。依据对算法中惯性权重与学习因子的收敛域分析，得出了二者合理的取值范围，将粒子到全局最优位置间距离与参数的取值范围相结合，构造了惯性权重与学习因子的动态调节函数，对其进行非线性的动态调节，并引入了变异因子，提出了一种跳出局部最优的策略，防止粒子群优化（PSO）陷入局部最优。将IPSO-Elman应用于Boeing738飞机客舱能耗预测中，与PSO-Elman、Elman算法进行性能比较，仿真结果表明基于IPSO-Elman的客舱能耗预测模型在预测精度和收敛速度方面均有一定的提升。该研究结果为飞机客舱能耗预测模型的建立提供了理论依据，对飞机地面空调的节能与机场电能合理调配提供了支持。     

图论最大流理论在机场登机口分配中的应用

为提高登机口的利用率、提升航空旅客出行的便捷性与舒适性、提高机场的运行效率及航空公司的运营效益,在图论中网络最大流理论的基础上,将旅客步行距离、机场资源运行效率、飞机最短过站时间、＂航班对＂、机型等作为约束条件,考虑航站楼布局、始发/终到及中转旅客数量等因素对登机口分配结果的影响,建立旅客登机口分配的优化网络模型,并对该算法的复杂度和最优性进行分析和证明。最后,运用实例来验证该方法在缩短旅客步行距离和提高机场运行资源利用率方面的可行性,该算法也可用于飞机停靠机位的优化安排。     

基于Agent模型的机场网络延误预测

准确可靠的机场网络航班延误预测是科学认知空中交通运行态势,动态精准实施国家空域系统容流协同调配策略的重要依据。提出了基于Agent的机场网络延误模型,表征机场网络系统中各元素及子系统间的交互作用下的延误特征涌现。针对机场节点动态容量、预计起飞时间、最小飞行与周转时间等Agent模型中的关键参数,适应性选用了贝叶斯估计、模糊k近邻等数据挖掘方法建立参数模型,并采用2015—2017年全美历史航班和气象数据进行训练学习。为综合评价模型性能及泛化能力,选取全美2018年3个不同延误程度的典型日进行测试。实验结果表明,在全美34个核心机场组成的网络中,各节点在4小时预测区间内延误最大误差不过27.9 min,其中约80%的节点误差小于5 min,验证了所提延误预测模型在时空范围内的准确性和稳健性特征。另外,通过与其他模型对比,展示了本模型优良的延误预测性能。