基于LightGBM算法的机场聚合离场延误预测

航班延误预测具有非线性聚合的动力学特征。在保证准确率的前提下为提高预测效率,提出一种基于轻量级梯度提升机(Light gradient boosting machine, LightGBM)算法的机场聚合离场延误预测模型。通过对历史航班数据的分析处理,提取时间特征、飞行计划特征和延误特征三类重要特征,并以提取出的特征作为输入变量,采用LightGBM算法基于广州白云机场的历史运行数据对航班延误时间进行预测。结果表明：模型预测延误时间与实际延误时间吻合良好;与其他常用算法的预测结果相较而言,所提模型在各种预测指标上结果更优,效率更高。     

基于EEMD和BiLSTM的航班准点率预测研究

航班准点率问题是民航业最为关心的问题之一,准确地预测出航班的准点率能够有效降低航班延误所带来的不利影响、提高乘客满意度。为解决普通深度学习预测模型存在的航班准点率数据挖掘程度不足、预测准确度较低的问题,提出一种基于集合经验模态分解法(EEMD)和双向长短时记忆神经网络(BiLSTM)的机场短期航班准点率预测模型。模型使用EEMD算法将准点率时间序列进行分解,采用BiLSTM结构作为预测模型,使模型能够更深层、高效地处理航班准点率数据,提高预测准确度。实验数据为2018年上海虹桥机场航班准点率及天气数据,实验建立了多个参照模型与所提模型进行对比分析。结果表明：提出的EEMD-BiLSTM模型相较于一般模型预测误差更小,准确度更高。     

基于组合优化相关向量机的航空发动机性能参数概率预测方法

针对航空发动机性能参数预测过程中存在的不确定因素,提出一种基于组合优化相关向量机(CORVM)的概率预测方法.首先,通过正交小波变换将性能参数序列分解为具有不同特征尺度的随机分量和趋势分量,并分别建立各分量的相关向量机(RVM)回归预测模型.然后,以留一交叉验证误差最小作为优化目标,采用量子粒子群优化(QPSO)算法实现RVM核参数和嵌入维数的自适应优化选择.最后,组合各RVM回归预测模型得到最终预测均值及方差,进而得到预测值的概率分布.通过航空发动机排气温度变化量和滑油金属含量预测实例验证了方法的有效性,实验结果表明:该方法能够有效避免传统点预测方法可能导致的不可靠结果,并具有比单一模型更高的预测精度.     

基于Bi-IndRNN和PSO的航班延误预测

针对普通循环神经网络在航班延误预测问题上精度不高、调试时间长的问题,提出基于Bi-IndRNN和粒子群的机场短期航班延误预测模型。模型采用Bi-IndRNN结构作为预测模型,使用粒子群算法对模型超参数进行全局寻优,使模型不仅能够处理长序列的数据,还能够高效率地选择合适的参数,使其预测准确度更高。实验在2018年国内某机...     

基于时间序列分析的装备可用度预测方法

阐述了装备可用度预测的重要性,并以此为需求牵引,构建了具有非线性、非平稳的装备可用度时间序列。基于奇异值分解滤波算法,将原始序列分解为趋势成分和随机成分,分别应用粒子群训练的径向基神经网络模型和函数系数自回归模型进行组合预测,充分体现了2类模型的各自的优势。实例分析,验证了模型和算法的有效性。实验与应用结果表明,该组合方法的预测性能和效果比单一使用RBF和FAR进行预测更好。     

基于ABC-RBF神经网络的飞机燃油流量监测与故障诊断

为了检测飞机发动机的性能及故障,利用神经网络建立了燃油流量的预测模型,将人工蜂群（ABC）算法结合预测需求 在3维进行拓展,分别优化基于径向基函数（RBF）的神经网络泛化值和中心值,与经典RBF神经网络、K均值聚类算法等相比,3维拓展后的ABC算法对RBF神经网络进行的“反馈式更新”拥有更好的预测效果,其计算平均差值及预测误差更小,所需时间更短。随机选取短航程、中航程、长航程航班数据分别进行验证,结果表明：选择油门杆角度、飞行高度、马赫数、大气总温、发动机转速等参数能够反映发动机运行工况,预测效果理想;采用ABC算法对RBF神经网络进行优化后模型的更新能力较强,能够获得更高的预测精度,降低计算平均差值;通过航班故障数据验证了利用神经网络进行故障诊断的方法具有较大的实际应用价值。     

一种新型航班延误组合预测模型

为了克服单一的航班延误预测模型在预报时的缺陷,在分析航班延误的特点的情况下,提出了一种基于危险模式和灰色预测组合的新型航班延误预测的方法。对这两种预测方法的结果采用加权组合预测的方式来预测航班延误的趋势变化,预测结果是单一预测模型的加权和,加权系数动态确定。最后通过国内的某枢纽机场的航班延误情况进行了验证。实验表明该模型可以不受某一较差的预测模型影响,从而有较好的预测效果。     

基于EMD-SVR的光纤陀螺随机误差预测

为了提升光纤陀螺随机误差建模的准确性及补偿结果,提出了一种基于经验模态分解与支持向量机结合的随机误差预测方法。鉴于随机误差的非线性及不稳定性,直接进行预测时精度不高,采用经验模态分解对原始数据进行分解以降低时间序列的复杂程度;然后根据经验模态分解得到的各本征模态函数及趋势序列,构建基于支持向量机的预测模型;再将所得的各分量的预测结果综合以得到光纤陀螺随机误差的预测结果。以光纤陀螺随机误差数据作为验证,结果表明,相较于传统的预测方法,均方根误差与平均绝对误差分别降低了78.4%和75.5%,有效提高了回归精度。     

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。     

基于经济损失的航班延误恢复模型研究

分析了航班延误的恢复调度问题,并针对问题提出了一种机场大面积航班延误恢复模型,模型考虑了航班延误的延误时间,还考虑了不同机型对航班延误经济损失造成的影响。构造了基于免疫机制的免疫遗传算法来求解模型,此算法保留了标准遗传算法随机全局并行搜索的特点,又在相当大的程度上避免了未成熟收敛。用实际的航班信息进行仿真研究结果表明,文中的模型和算法切实可行。     

多机场协同决策进离场航班排序模型及算法研究

多机场终端区内的航线网络错综复杂,来往同一方向的航班会共用一个交接点,航班的起飞降落不仅要考虑各方向航空器的运行间隔和各受限单元容量的限制,还需着重考虑交接点的间隔限制.基于终端区多机场多元受限情况,建立了终端区多机场协同决策进离场航班排序模型,并设计了递归遗传算法.首先以各机场为单位采用遗传算法进行航班排序,得出各机场延误时间最小的排队序列,之后将各机场航班在交接点处进行聚类并排序,再将各交接点的排队序列反推回各机场,运用递归算法不断优化各机场的航班序列,在保证安全运行的基础上,最终得出各机场的航班排队序列.仿真结果表明,该算法优化效果显著,各机场的总延误时间减少了48.2％,可有效缓解多机场航班延误.     

不确定性因素下航班延误波及建模与分析

针对机场终端区日益严重的航班延误,提出了一种基于有色－时间Petri网的不确定性因素下航班延误波及分析模型。模型综合考虑航班运行尾流、跑道运行模式、跑道占用时间等运行安全间隔约束,同时根据连续航班间的信息更新,设计进离场航班序列动态调整流程,并由计算模型可得出航班延误总架次及时间。最后,依据历史延误数据分析得出不确定性因素延误的概率分布。选取上海浦东机场为背景对模型进行仿真验证,仿真结果表明,所构建模型可用于战略阶段的航班延误波及程度与过程的评估。     

基于遗传模拟退火算法的航班进离场调度

基于航班延误成本构成的复杂性，惩罚航空器单位时间延误成本以区分续航航班与非续航航班，且推导出与航班类型直接相关的续航航班单位时间延误成本表达式。建立了以航班总延误成本及跑道调度时间跨度最小的多目标跑道调度模型，并用遗传模拟退火算法求解模型。以国内某大型机场的两条近距平行跑道调度为例对算法进行验证，实验结果表明，运用遗传模拟退火算法求解多目标跑道调度问题，可显著提高航班延误成本分布的均衡性，且程序收敛性较强，具有很好的实用性。     

基于改进粒子群算法的离场航班排序

航班离场过程中,以时间或经济损失最小的单目标排序会导致延误时间分配不均和多目标排序在求解时存在算法收敛速度慢、易于陷入局部最优的缺陷,导致计算效率低。为解决这一问题,基于航班优先级、尾流间隔、航班延误时间、航班延误标准差构造航班离场排序模型,对粒子群算法的惯性权重和学习因子采用动态调整的改进策略。以厦门高崎机场非拥挤和拥挤场景下的共4 h离场航班进行优化排序验证,结果表明：与先到先服务(FCFS)方法、惯性权重线性递减粒子群(LDWPSO)算法相比,文中方法非拥挤场景下延误总时间减少了72%,26%,延误标准差减少了27%,28%;拥挤场景下,较FCFS延误总时间减少69%,延误标准差减少68%,与LDWPSO算法相比,优化效果上无明显差异,但在解空间的迭代收敛速度更快,达到最优罚值的迭代速度提升了55.6%。     

基于组合预测模型的飞行器健康预测

针对飞行器健康状况难以准确预测的问题,结合GM(1,1)模型和MGM(1,n)模型的各自优点,提出了基于组合预测模型对飞行器健康信息进行预测的新方法.首先对由声发射传感器募集到的飞行器关键部件原始声发射信号进行五级sym4小波分解,分别提取其第五层小波分解系数的绝对值平均值、标准差和奇异值三种特征向量;然后分别用GM(1,1)模型和MGM(1,n)模型对绝对值平均值进行预测,利用BP神经网络将这两种模型的预测结果作为输入、原始数据作为输出进行组合预测.实验表明,这种组合预测方法可以很好地实现对飞行器关键部件故障信息的准确预测,其预测准确度明显高于单一预测模型,从而证实了该方法的有效性.     

航空发动机磨损趋势RBF变权重组合预测方法研究

航空发动机滑油中金属元素的含量受许多复杂因素的影响,单一模型预测精度相对较低,本文针对这个问题提出了RBF网络变权重组合预测模型（RBFNN-VWCF）对航空发动机零部件的磨损趋势进行研究。首先引用C-C方法确定时间序列的嵌入维数和时间延时,重构相空间确定模型的输入输出样本,然后对两种模型进行组合预测,利用k均值聚类方法确定RBF网络的中心,利用固定法确定RBF网络的宽度,采用最小二乘法确定网络的权值。结果表明,RBFNN-VWCF模型充分利用了参与组合预测的两种模型的有效信息,更客观地反映发动机零部件的磨损趋势,预测结果更为稳健、相比单一模型精度更高,具有较强的工程实用价值,为发动机下一步的维修决策提供了有力支持。     

多跑道航班排序的改进蛙跳算法研究

为了保证飞机在多条跑道情况下安全、有序地降落,研究了基于蛙跳算法的多跑道航班排序问题。建立以航班总延误时间最小为目标函数的多跑道航班排序规划模型;针对传统混合蛙跳算法会产生无效解这一问题,引入单亲遗传算法中基因移位的思想,重新设计局部搜索策略,改进了蛙跳算法;利用增加种群个数的方法,克服蛙跳算法更新盲目性和收敛性差的缺点;基于上述改进的蛙跳算法,对多跑道航班排序规划模型进行求解。算例表明,改进蛙跳算法的优化结果明显优于先到先服务(First Come First Service,FCFS)方法和遗传算法的优化结果。     

到达航班排序与调度优化的遗传算法研究

解决机场到达航班的排序与调度(ASS)问题是保持空中交通通畅、减少航班延迟的主要途径.本文针对ASS问题的特点,建立了以航班总延误时间为目标函数的排序模型,提出了基于格里芬斯塔特编码和滚动时域优化策略的遗传算法,并对排序模型进行了仿真分析.结果表明:与先到先服务算法相比,本文算法能显著减少航班总延迟,同时较常规遗传算法...     

天气因素导致的航班延误问题研究

针对天气干扰下的分季节的航班过站衔接时间优化问题,在对各个航班的潜在延误风险等级评价的基础上,通过历史数据研究天气因素导致的航班延误概率分布,求得各航班波及延误的期望,以优化前后总的波及延误之差最大化为目标函数,分别建立分季节优化松约束模型和紧约束模型,对航班衔接过站时间进行优化.最后以国内某航空公司的航班数据为算例,进行验证并比较.研究结果表明,分季节的松约束模型和紧约束模型均比原计划减少了波及延误的时间,且松约束模型的优化效果更明显.     

航班延误预警指标体系与预警量级构建

为了对机场航班延误状况进行有效评价,考虑了航班延误的影响规模、影响程度、影响范围,采用了六个预警指标即延误率、平均延误时间、受影响航班架次、受影响航空公司数、受影响目的地机场数、延误旅客人数,构建了航班延误预警指标体系。由模糊层次分析法（FAHP）得到各指标权重,利用模糊综合评判法对航班延误状况进行综合评价。评价结果表明：预警指标能较准确地反映航班延误状况,评价结果客观,可作为机场航班延误预警参考使用。