基于POT模型的航班偏差阈值确定

判断航班在正常情况下是否偏离飞行计划,对航班偏航预测、管制运行管理等具有重要意义。通过选取偏航阈值确定航班在正常情况下是否偏离飞行计划,将每个历史航班分为多个航迹段对应其飞行计划航段,以历史航迹段偏离飞行计划路径距离数据为基础,基于极值理论中的POT模型中超额均值法、Hill图法和峰度法分别对偏航阈值进行选取,将高于偏航阈值的数据拟合成广义帕累托分布,并通过拟合判断图进行检验确定偏航阈值的合理性。选取2018年10月华东和中南地区良好天气情况下1 910个历史航班,24 543条航迹段作为样本进行偏航阈值确定,并与以往选取阈值的百分位数方法进行对比,在实际意义上对两者进行分析,最终确定航班在正常情况下偏航阈值为13 km。

基于支持向量机的航路空域内对流天气避让预测

随着全球空中交通的快速发展,航班延误问题越来越严重。对流天气是造成航班延误的主要原因之一,已经影响到民航行业的可持续发展,成为一个社会问题。如果能够提前预测与天气有关的航班是否改航,那么空中交通活动的参与者就可以协调调度,极大减少航班延误。本文提出了天气避让预测模型(Weather avoidance prediction model,WAPM),以寻找天气与飞行轨迹之间的关系,并基于历史飞行数据预测未来航班是否改航。由于天气数据量大,采用主成分分析对10维天气指标进行降维以提取90%的信息。然后通过确定径向基函数的超参数c和γ,利用支持向量机来预测飞行是否改航。最后,通过预测准确率、精度、查全率和F1评价模型性能,并与k近邻(k nearest neighbor,kNN)、逻辑回归(Logistic regression,LR)、随机森林(Random forest,RF)和深度神经网络(Deep neural network,DNN)进行比较。对于准确率,WAPM比kNN、LR、RF和DNN方法分别高5.22%、2.63%、2.26%和1.03%;对于精度,WAPM比kNN、LR、RF和DNN方法分别大6.79%、5.19%、4.37%和3.21%;对于查全率,WAPM比kNN、LR、RF分别大4.05%、1.05%、0.04%,比DNN低1.38%;对于F1,WAPM比kNN、LR、RF和DNN方法分别高5.28%、1.69%、1.98%和0.68%。