基于改进模拟退火的航空器起飞质量估算方法

航空器起飞质量作为航空器性能的重要参数，对于提高离场轨迹预测精度具有显著效果。考虑到质量参数属于航空公司商业运营数据，难以通过公开渠道获得，提出一种基于历史轨迹数据的航空器起飞质量估算方法。利用航空器的全能量方程，考虑风的影响，根据航空器性能数据库（BADA）性能模型建立航空器起飞质量迭代模型，将禁忌搜索算法中的禁忌表功能引入模拟退火算法，应用改进算法对模型进行高效求解。以典型样本航班为例，估算起飞质量与真实质量的相对误差为2.91%；与BADA参考质量相比，采用估算起飞质量进行轨迹预测时精度得到了有效提高；对15种机型、26 724个航班进行起飞质量估算，所有航班估算质量的平均相对误差值为3.45%，占比97.67%的航班估算质量相对误差绝对值在10%以内。可见，所建立的航空器起飞质量估算方法可适用于大批量航班，为高精度轨迹仿真与预测工作提供了技术支撑。     

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。     

基于双重注意力机制及S-BiGAN的机电设备故障诊断

标签样本少条件下机电设备的准确故障诊断对于提高复杂机电设备的健康管理能力具有重要意义。针对标签样本少条件下难以建立准确故障诊断模型的问题,在半监督生成对抗网络的基础上,将注意力模块引入生成对抗网络,并利用格拉姆角场将一维数据转换为二维图像;结合双向生成对抗网络特点,提出一种基于双重注意力机制的半监督双向生成对抗网络（S-BIGAN）机电设备故障诊断模型,以轴承数据为例进行验证。结果表明：与CNN-SVM、SGAN 等算法相比,本文提出的模型能够提高样本生成质量和故障分类特征,有效解决标签样本少情况下的故障诊断问题,极大地提高了故障诊断准确率。     

基于强化学习方法的航班滑出时间预测研究

航班的滑出时间是描述机场场面运行状态和周转效率的关键指标,其不确定性会降低航班到达目的机场的可预见性,进而带来航空资源的低效利用和燃油耗费问题。研究了一种基于强化学习的航班滑出时间预测模型。从交通状态和时序特性方面分析并提取影响滑出时间的主要特征集;利用马尔科夫决策过程建模滑出时间预测问题,并通过强化学习算法进行模型训练和测试。在真实机场场面运行数据中进行的实验表明,所提出方法不仅能够准确预测单个航班的滑出时间,还能够捕捉机场场面整体的滑行态势的变化情况,为智慧机场的建设提供新思路。     

基于优先级的航班时刻弹性优化

针对机场时刻分配效率低、滥用、航班延误等问题,结合航班在起飞和降落运行过程中造成机场与空域关键节点拥堵的严重情况和其他属性,建立航班运行优先级,提出了最少筛选调整航班的方法。考虑为时刻协调提供灵活性,满足不同层级需求,建立考虑优先级的最小化总偏移航班时刻弹性优化模型,设计出高效的最优化算法并且使用MATLAB工具箱进行求解。以浦东机场冬春航季典型日计划为例检验模型和算法的有效性,优化后的航班时刻表能够很好地满足航空公司偏好,生成多解也能够为时刻协调员提供多个辅助决策方案。     

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...     

一种面向时序数据的多品种小批量生产线性能预测模型研究

随着生产线数字化、自动化水平的提高,产生了大量的反映运行过程机理及运行状态的数据,这些数据为生产线性能分析和预测提供了可能。针对生产线的在制品数量、生产周期和生产效率性能指标,构建了一种面向时序数据的循环深度信念网络的生产线预测模型（Cycle–deep belife network,C–DBN）;针对传统基于SGD(Stochastic gradient descent)的训练方法存在的预测模型收敛速度慢以及精度低等问题,提出了基于AMM(Adam with momentum)算法的生产线性能预测模型训练方法;确定了面向时序数据的生产线性能预测模型训练流程。最终通过实例验证了生产线性能预测模型和训练方法的有效性。     

基于增量式在线学习飞行训练姿态预测研究

针对飞行训练安全,大规模训练数据更新时预测准确性较差等问题,研究提出一种基于增量学习的在线飞行训练姿态预测模型。模型针对飞行训练数据进行相关性分析,使用基于流数据的增量学习模型对飞行训练数据中的俯仰角进行预测研究。实验结果表明,模型在对飞行训练俯仰角进行预测时,预测准确率高,误差小。通过模型对比实验,模型相较于传统预测模型,精度高、误差小、泛化能力强,可以有效预测飞行数据,保障飞行安全。     

基于随机森林的风洞马赫数预测模型

在风洞试验中,马赫数的稳定性和快速性对风洞流场品质有着重要影响。为了实现马赫数的精确控制,必须对马赫数进行快速、准确的预测。风洞试验积累了大量数据,大数据集包含了更多的有益信息,为实现马赫数的精确预测提拱了可能性,但也增加了建模的复杂度。通常高度复杂的模型会加重其在实际使用时的计算负担。针对大数据集问题,本文将随机森林方法应用于风洞马赫数建模。随机森林是一种集成模型建模方法,它从3方面降低模型的复杂度:产生多个样本子集,减少了子模型的训练样本个数;具有并行集成结构,子模型可在不同的CPU上运行,提高了运行速度;以简单学习算法回归树作为基学习机,降低了子模型的复杂度。试验证明基于随机森林的马赫数预测模型能够有效利用试验积累的大数据,满足工程上预测速度及精度的要求。     

基于SVR选择性集成的机场噪声预测模型研究

机场噪声预测对机场规划设计、航班计划制定以及机场噪声控制具有十分重要的作用。针对机场周围各个监测点上的单飞行事件进行噪声预测。由于机场噪声数据的复杂性,用单一的SVR方法对其预测往往得出局部优化结果,不能达到理想的预测效果,针对这一问题,提出一种基于SVR选择性集成的机场噪声预测方法,通过Adaboost方法对机场噪声数据进行采样训练得到多个SVR预测模型,并结合一种排序方法对预测模型进行选择集成得到最终机场噪声预测值,取得了较好的预测效果。     

空中交通管制的可视化仿真模型

随着航班量日益增长,空域结构、扇区划分、程序设计等方面的是否合理显得尤为重要,构建仿真模型的主要原因是在没有真实航班的情况下生成数据。可以使用python运行模型来预测和观察进出港航班,而不需要在飞机或是地面管制单位安装传感器来测试新的思路或技术如何影响现实的空管工作。这有助于加速空管系统的优化和数据收集。利用HTML和python语言进一步分析数据,得到数据间的关联性并进行可视化的展示。智能空管的建设需要训练机器学习模型,这需要巨大的数据集,数据的收集和处理成本可能很高。通过仿真模型在程序上生成数据可以很容易地达到目标。     

基于数据挖掘的支线机场危险天气预估方法

近年来,支线机场航班运行数量逐步增加,伴随而来的是支线机场航班运行出现了一系列的危险天气下的安全运行风险。本文通过对机场历史数据的挖掘,研究了支线机场常见的大雾导致低能见以及大风等危险天气,运用统计学方法,通过中心极限定理计算大雾天气下的数据分布情况,找到其内在规律,将机场能见度的范围划分到不同的置信区间,通过对各个置信区间的假设检验计算,从而得到不同能见度范围下后续能见度的发展,对后续能见度进行预测。同时,利用皮尔逊相关系数法,计算相邻支线机场之间大风天气下的相关系数,通过计算机场序列的相关性,进而得到风场传播的趋势方向,从而有效提高支线机场的大风天气预估的准确性,达到避开危险天气,提高航班运行安全性的目的。通过预估这两类危险天气,增加对危险天气预警的准确性,提升支线机场航班运行的安全裕度,对今后支线机场的安全运行工作具备一定的借鉴意义。     

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。     

基于免疫进化算法的枢纽机场停机位调度模型

针对繁重机场日益严重的航班延误问题,以提高旅客的满意度和减少航班滑行时间为目标,提出了一种高效的停机位分配模型。模型基于免疫进化算法,以最少航班被分配到远机位和航班滑行时间的均方差最小为目标函数。模型可以用于在机场航班时刻已知的情况下,对不同时段的航班的停机位进行高效快速分配,通过国内某大型机场的实际运行数据进行计算及对比分析表明,模型和方法是有效可行的。     

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。     

日喀则/和平机场运行控制标准化程序研究

为保障高原机场安全运行,提升高原机场起飞航班的有效载量,以安装鲨鳍小翼的空客A319-115执行“日喀则/和平—北京/首都”航线研究样本,分析各种因素对飞机采用需要授权的所需导航性能（RNP AR）对在日喀则机场起飞的性能影响,最后制定针对高原机场运行控制的标准化流程,为类似航线运行控制提供借鉴意义。     

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AOE网的过站航班保障进程优化

航班地面保障是机场运行的重要环节，为了提升航班地面保障效率，针对某机场航班地面保障流程构建AOE 网，通过该机场A-CDM 系统记录的航班节点数据求出该机场航班地面保障作业的“关键路径”。通过对关键路径上可压缩工序的分析，对该机场的地面保障作业流程进行优化。以我国西南地区某机场航班地面保障的实际数据为基础，剔除不可抗力造成的不正常数据，分别计算保障流程优化前后的航班过站时间。结果表明：在33 组航班数据中，该机场使用AOE 网络优化后的保障作业流程比优化前平均减少地面保障作业时长6.1 分钟/架次，说明通过合理地优化航班地面保障进程，可以有效提高机场的运行效率。     

基于优先级调配的进离场航班序列动态优化

以可变的优先级作为调配手段,针对航班的进离场序列建立了一种动态优化模型.首先,根据不同进离场阶段的航空器燃油消耗率和安全系数,进行航班初始优先级分配;然后,考虑机场的空中等待航班数量、空域容量、场面容量以及机场的起飞需求,对航班优先级进行二次调配.以总耗油量为目标函数,引入合作型协同进化遗传算法,设计了令一对代表个体形成合作团体的新的代表个体选择方案,改善传统遗传算法中存在的种群多样性低、易早熟等问题.仿真结果表明,在机场容量限制下,该模型仍可以实现流量的动态调配,并有效降低燃油消耗,缓解机场空域及场面的运行压力.