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。     

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。     

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。     

基于改进免疫粒子群算法的动态航班着陆调度

为改进机场终端区空中交通流量管理,对动态航班着陆次序进行适当调整,使机场和空域的可用容量达到最有效利用,减少航班延误造成的经济损失,提出一种新颖的动态免疫粒子群优化算法(DIPSO),重点针对待着陆航班的动态变化,结合滑动时间窗,多方面考虑现实约束,在确保航班延误成本最小的同时,兼顾航班着陆的公平性和管制员的工作负荷。仿真结果表明,在处理动态航班着陆问题上与先来先服务相比有效降低了延误成本。     

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%。     

考虑雷暴气象细分因子的航班延误集成学习预测

雷暴天气对机场航班延误的影响较为显著,早期的航班延误预测模型通常将雷暴的影响因素看作单一的0-1变量,缺乏对雷暴气象因子的进一步细分,导致现有航班延误模型在恶劣天气下的预测效果不佳。选取国内两个机场全年的航班计划数据,基于机场的天气雷达数据提取了12个雷暴气象细分因子。在此基础上,采用随机森林算法计算各雷暴气象细分因子...     

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。     

基于改进粒子群算法的机场多航班多服务调度策略

机场加油、行李和配餐等多项地面服务是航班正常运行的关键,也是机场大面积航班延误快速恢复过程重点考虑的问题.在对多航班多服务调度目标和约束条件分析的基础上,提出了多航班多服务调度模型,定义了粒子的二维表示方法,设计了一种改进粒子群算法来生成航班调度方案,并针对国内某机场的航班数据进行了仿真实验,结果表明,该算法与基本粒子群算法、进化策略相比,有明显优势,可极大地提高多航班多服务调度水平和机场地面服务效率.