基于UKDE和XGBoost的航班过站时间动态预测

为了提高机场运行高峰时航班过站时间预测的精度及可靠性,研究了一种结合无偏核密度估计（Unbiased kernel density estimation, UKDE）和极端梯度提升决策树（Extreme gradient boosting, XGBoost）模型的航班过站时间动态预测方法。首先,考虑模型输入变量航班密度的连续性和不确定性变化,利用UKDE法估计机场航班密度,将其作为动态指标输入模型。其次,引入量子粒子群（Quantum particle swarm optimization, QPSO）法优化XGBoost模型。最后,考虑前序航班延误发生前后输入特征的变化,利用初始预测结果对航班密度进行修正,得到二阶段预测结果。研究结果表明：本文方法在高峰时段的预测平均绝对误差为7.365 min,效果优于随机森林（Random forest, RF）、粒子群（Particle swarm optimization, PSO）-XGBoost和XGBoost,修正后的预测结果平均绝对误差减少了3.373 min;模型输入参数按敏感性程度由高到低依次为航班密度、前序航班提前到港时间和延误...     

基于排队论的终端区航班进场时间预测

为了提高终端区航班运行效率,本文将基于排队模型对终端区航班进场时间进行预测,以便尽早发现进场时间过长、进场效率低的航班,从而提前采取应对措施,确保航班正常运转。以天津滨海国际机场为例的研究结果表明,终端区内航班到达规律服从泊松分布,服务时间服从Gamma分布,本文建立的一般服务时间M/G/1排队模型能较好地预测航班进场时间,以15 min为单位的终端区航班进场时间预测的平均绝对误差在1 min左右。本文所建排队模型通过抓住进场交通流的整体流动特征来对进场时间进行预测,降低了现有模型难度,预测结果可以为改善管制工作带来更直接的指导建议。     

基于改进的状态空间模型进化算法的航班优化调度

单跑道进离港航班优化调度是将某一时间窗内进离港航班看作一个整体,对进离港航班进行统一优化排序,属于典型的组合优化问题。改进的状态空间模型序号编码进化算法（MOSEA）采用序号编码,不使用交叉算子,且通过构造状态进化矩阵来实现基因换位等遗传算子功能,使种群不断地进化,并结合选种池的选择操作实现种群的优胜劣汰。MOSEA算法将问题的解答过程表示为离散状态空间模型的动力学过程,突破了遗传算法的计算模式,简化了遗传操作,并研究了其在航班进离港优化调度中的应用。仿真实验表明：MOSEA算法与遗传算法、先到先服务（FCFS）航班排序相比,航班总延误时间分别降低了22.13%、32.06%,且运算速度更快。     

北京航天计量测试技术研究所

北京航天计量测试技术研究所成立于1964年8月,是国防科技工业长度、热学、力学一。级计量站,电工、无线电、时间频率二级计量站,先后取得国家棱准／检测实验室认可、     

二中心参加第十八届CCTF TWSTT工作组国际会议

2010年9月16日至17日,第十八届时问频率咨询委员会（CCTF）卫星双向时间频率传递（TWSTT）工作组国际会议在国家计量院昌平园区举行。     

高韦伯数下煤油液滴的破碎机理研究

为了探究高韦伯数下气流速度及液滴初始直径对液滴破碎以及Rayleigh-Taylor不稳定波的影响，进行了煤油单液滴在气流中破碎的实验，采用高速摄影技术记录了液滴的破碎过程，应用包含粘性和表面张力的Rayleigh-Taylor不稳定性理论分析了液滴的破碎过程，对Rayleigh-Taylor不稳定波波长与液滴破碎时间进行了理论计算，并与实验结果做了对比研究。结果表明:当We为321左右时，煤油液滴开始呈现灾型破碎模式；气流速度、液滴初始直径对液滴表面的最大增长率Rayleigh-Taylor不稳定波的波长、增长率和临界波长均有影响；Rayleigh-Taylor不稳定性理论在预测最不稳定波长时，结论与实验结果的误差不超过6%；取经验参数M为8.9时，液滴破碎时间理论与实验误差最小。     

航空发动机转子径向振动测试技术研究

建立了航空发动机转子径向振动模型,研制了一套专门用于航空发动机转子径向振动测量的测试系统。通过获取转子叶片叶尖间隙、叶片到达时间的信息,采用离散周期信号频谱分析方法,获得发动机压气机转子径向振动数据。结果表明,随着转速的升高,转子径向振动的幅值、频率及相位角度均增大。该结果对发动机的结构设计起指导作用,为转子径向振动主动抑制技术研究提供了基础数据。     

基于经验模分解的PPP时间比对数据消噪方法CSCD

精密单点定位(PPP)时间比对数据会受到观测噪声的影响,因此对时间比对数据进行消噪是一项重要工作。提出一种基于经验模分解(EMD)的PPP时间比对数据消噪方法,并将该方法与Vondrak滤波方法的消噪效果进行对比。结果表明,两种方法的消噪效果相当,均能有效滤除PPP时间比对数据中的随机噪声,明显改善时间比对的稳定度。     

弹道导弹飞行时间的BP神经网络控制方法

时间协同攻击是提高弹道导弹突防能力和作战效能的一种重要手段。由于发动机推力偏差等干扰因素造成导弹的飞行时间偏差较大,为精确控制弹道导弹的飞行时间,运用BP神经网络算法,建立了一种适用于较大飞行时间偏差修正的飞行时间调控模型。该模型用视加速度偏差表征推力偏差等干扰的影响,根据视加速度偏差调整导弹飞行中某一时段的程序角来实现对飞行时间的精确控制。由BP神经网络建立满足飞行时间偏差要求下视加速度与飞行程序角速率、转弯结束时间之间的映射关系。导弹实际飞行时,根据实际视加速度,由BP神经网络在线计算出飞行程序角速率及转弯结束时间,使导弹在干扰条件下仍以预定飞行时间到达目标。最后,通过仿真验证了该模型的有效性和可行性。