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MHSA和C- BiGRU的航班延误预测研究

针对普通神经网络预测人为因素造成的航班延误能力不足的问题,提出了一种基于多头自注意力机制和卷积双向门控循环单元的预测模型(MHSA-C-BiGRU)对航班延误问题进行研究。模型采用卷积双向门控循环单元(C-BiGRU)提取局部信息和上下游数据的时序信息,利用多头自注意力机制(MHSA)的并行能力从不同位置提取数据内部之间的特征,强化重要信息的权值,使模型聚焦到对当前任务更重要的信息,从而增强模型分析人为因素造成的航班延误的能力。研究使用2018年上海浦东机场的航班数据和气象数据。结果表明,预测模型相对于基础模型的预测准确率提高了4.4%,各项宏平均值有8%的提高,各项权重平均值有5%的提高。     

基于生成对抗网络的航班起飞风险预测

航班的安全运行是民航的第一要素。根据历史数据对航班运行过程中可能存在的风险进行提前评估和预测是保障航班安全运行的有效手段。针对航班起飞阶段的风险问题,提出了一种基于生成对抗网络的航班起飞风险预测模型。对收集到的机组、飞机和环境3方面数据进行清洗、变换和融合,得到初始的起飞风险预测数据集;针对数据集存在的严重类不平衡问题,使用生成对抗网络进行数据增强以提高数据质量;在不同增强程度的数据集上,采用3种不同结构的神经网络训练航班起飞风险预测模型。实验结果表明,生成对抗网络能有效提高实测数据集的质量从而提高了航班起飞风险预测的精度。     

基于CDBN与BiLSTM的多元退化设备剩余寿命预测

基于多传感器对复杂工业设备的多元健康状态进行监测,进而实现设备更全面准确的性能评估、剩余寿命预测与健康管理已逐渐推广应用。针对一类监测数据呈现大规模、非线性、高维化等特点的多元退化设备,提出了一种基于连续深度置信网络(CDBN)与双向长短期记忆(BiLSTM)网络的剩余寿命预测方法。首先,通过CDBN对监测到的性能退化数据进行分析,提取出反映多元退化设备隐含深层次特征的健康指标;然后,根据构造的健康指标,利用BiLSTM网络挖掘其时序信息和退化趋势,预测多元退化设备的剩余寿命;最后,利用蒙特卡洛仿真技术得到剩余寿命的区间估计,并通过商用模块化航空推进系统数据集验证所提方法的有效性和先进性。结果表明：所提方法能够有效提高此类设备的剩余寿命预测准确度,具有潜在的应用价值。     

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BP神经网络的航班需求预测模型

航班需求预测是航空公司收益管理的关键技术。BP神经网络用大量的历史数据进行学习,能够记忆复杂的历史订座规律和销售趋势,提出了一种基于BP神经网络的航班需求预测模型。通过对历史数据进行主成分分析获得该模型,用一元回归法和相关系数法对训练质量进行评估,对模型作了置信区间分析。将该模型与增量法、回归法进行了对比,具有在线预测速度快、预测精度相对较高等优点。     

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.     

区域管制空域航班延误实时预测模型

目前航班延误是航空运输业亟待解决的问题之一,建立有效的预测模型实现较准确的实时延误预测,对管制员解决空中交通拥挤、减少航班延误意义重大.基于航班计划,建立区域管制空域内单航路的平均延误时间实时预测模型,通过求和可得到空域内多航路的延误预测模型.算例分析表明,模型能够实时预测区域管制空域平均延误时间,是可行有效的.     

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。     

基于PSO-BiLSTM神经网络的机身筒段应力预测

飞机机身部件在装配对接前，通常需要使用形状控制工装调节机身筒段形状以达到对接标准，为避免出现控形过程中筒段局部应力过大损坏机身的情况，需实时监测机身筒段应力变化，为此提出基于粒子群优化算法和双向长短期记忆（PSO-BiLSTM）神经网络的应力预测方法。通过机身筒段控形历史数据对应力预测模型进行训练和测试，采用粒子群优化算法迭代优化神经网络超参数，实验结果表明，PSO-BiLSTM神经网络凭借长记忆细胞和高模型容量优势在处理序列式数据方面具有明显优势，应力预测损失在0.3%的均方根误差范围内收敛。与竞争模型循环神经网络（RNN）、标准长短期记忆（LSTM）神经网络和双向长短期记忆（BiLSTM）神经网络相比，PSO-BiLSTM神经网络模型不仅预测结果更准确，训练效率也明显提高。     

基于蚁群改进 BP算法的组合预测模型在军械器材需求预测中的应用

针对在军械器材采购计划制定环节中的器材需求测算问题,提出基于蚁群改进BP算法的组合预测模型。先结合历史数据,利用多元线性回归预测法和自回归滑动平均模型（ARMA）进行初步预测,将初步预测的结果作为蚁群改进BP网络的输入,从而得到最终的预测结果。实验结果表明,基于蚁群改进BP算法的组合预测模型能够对积累的历史数据进行充分的应用,并且有较高的预测准确性。     

基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测

针对传统航空发动机性能参数时间序列预测方法存在的不足,提出了基于滑动时窗策略自适应优化支持向量机(Support Vector Machine,SVM)在线预测模型。该方法解决了训练样本动态适应性差的特点和老旧数据信息影响预测模型精度的问题。在该方法中,滑动时窗策略实时更新时窗数据训练样本,最终误差预报准则(Final Prediction Error,FPE)自适应地确定嵌入维数,遗传算法(Genetic Algorithm,GA)则实时自适应优化SVM建模参数。应用航空发动机排气温度偏差值(Delta Exhaust Gas Temperature,DEGT)数据进行实例验证,结果表明基于滑动时窗策略的自适应GA优化的SVM (GASVM)在线预测模型比传统的GASVM预测模型预测精度有显著提高。进一步分析了预测模型不同时窗宽度对短期预测精度的影响,展示了1步～10步预测的效果,结果表明在线预测模型在不同时窗宽度下短中期(5步以内)预测效果良好且稳定。文中提出的在线预测模型可用于航空发动机性能参数的预测,实现对航空发动机未来性能变化的预警。     

考虑应力比修正的应力梯度影响指数计算方法

基于考虑应力梯度的寿命预测模型,深入研究了不同应力比对应力梯度影响指数的影响。通过引入新的参数,对模型进行修正,并以典型合金的试验数据为基础,进行寿命预测并考核计算精度。结果表明:修正后的模型能够更合理地考虑局部应力比对应力梯度影响指数的影响,寿命预测结果相比于修正前更接近试验值,对TC4(200 ℃)、GH4169(500、650 ℃)缺口试件的疲劳寿命预测结果多在2.0倍分散带以内,部分数据的预测结果可在1.5倍分散带以内。      

基于增量式排列支持向量机的机场航班延误预警

目前航班延误已经成为世界范围内一个日益严峻的问题,对于大型机场进行航班延误预警工作显得日趋紧迫。在空运需求与机场容量冲突导致航班延误的观点下,提出了用排列支持向量机来进行航班延误预警。针对机场航班数据不断更新的特点,给出了增量式排列支持向量机算法来进行航班延误预警。不仅通过人工数据上的实验说明了该增量式算法更能满足在线预警的要求,而且在收集到的中国某国际机场两周的航班数据上也取得了80%及以上的预测准确率。     

霍尼韦尔创新技术助力破解航班延误迷局

春节前,民航局预测,2012年春运期间民航旅客运输量将达3488万人次,航班准点率再次成为社会关注点之一。霍尼韦尔的综合视景系统及Smart系列创新技术能够有效提升飞行的效率与安全,减少因天气原因造成的航班延误,提升普通乘客的消费体验并减少随之而来的经济损失。     

基于当地变量的横流转捩预测模型的研究与改进

Langtry和Menter提出的转捩预测模型需要改进以具备预测横流转捩的能力。当地变量Helicity参数可以指示边界层内的横流信息,因而可用来构造适用于复杂构型以及当代计算流体力学(CFD)并行计算的横流转捩预测模型。实现了基于Helicity参数的横流转捩预测模型,对于后掠角为45°的NLF(2)-0415无限展长后掠翼,模型能够预测不同雷诺数对横流转捩的影响,但是对6:1椭球的横流转捩预测结果与试验数据相差较多。针对实现的横流转捩预测模型的缺点,考虑横流速度因素进行改进。横流速度的求解经过简化近似可以当地求解,因而保证了改进的模型完全基于当地变量的优势。采用改进后的横流转捩预测模型分别对NLF(2)-0415机翼、6:1椭球以及DLR-F5机翼进行数值模拟,并与试验数据进行对比分析,结果显示改进后的横流转捩预测模型可以较为准确地捕捉横流转捩现象。     

基于KPCA-BLSTM的航空发动机多信息融合剩余寿命预测

复杂航空发动机在运行过程中易出现多退化信息而导致寿命预测不精确的问题,为此提出基于核主成分分分析（KPCA）和双向长短时记忆（BLSTM）神经网络的多信息融合寿命预测模型。首先采用KPCA 对多维退化数据集进行降维处理和信息融合,得到能够表征设备退化的低维特征数据集;然后利用BLSTM 神经网络模型对带有多维退化信息的航空发动机剩余寿命进行预测,得到监测数据与剩余寿命的映射关系;最后采用C-MAPSS 航空发动机退化数据集对提出的多信息融合寿命预测模型进行仿真验证,并与其他三种模型结果进行对比。结果表明：KPCA-BLSTM 能够对多维退化信息下的剩余寿命进行精准预测,本文提出的预测模型的误差与得分优于其他三种模型,而且预测精度更高。     

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。     

首都机场飞行流量的灰色区间预测

首都机场是中国航班最为密集的机场之一,科学准确地预测飞行流量的发展趋势,是首都机场各级决策部门制定发展规划的重要依据。区间预测相对于以往的单一值预测而言,能更好地反应出飞行流量的长期发展趋势,为辅助决策提供了一定的选择余地。针对飞行流量的长期预测存在影响因素较多、相关数据不足等特点,提出了以GM(1,N)模型为基础的灰色区间预测新模型,该模型利用指数回归模型得出的地区GDP的长期预测值,预测出年飞行流量未来的取值区间。通过对首都机场年飞行流量的仿真计算,说明该模型能够较好地显示出飞行流量的发展趋势。