为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势...为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立6个描述终端区交通态势的指标。接着,构建反向传播(back propagation,BP)神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法(particle swarm optimization,PSO)优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型(genetic algorithm and back propagation,GA-BP)。展开更多
针对目前机场群发展不平衡,国际枢纽机场的延误率居高不下,航班时刻短缺,资源紧张,而区域枢纽机场却存在资源空闲的问题,提出一种基于跳过门的长短时记忆网络(Skip-LSTM,Skip Long Short Term Memory)的机场群延误预测模型。该模型首先...针对目前机场群发展不平衡,国际枢纽机场的延误率居高不下,航班时刻短缺,资源紧张,而区域枢纽机场却存在资源空闲的问题,提出一种基于跳过门的长短时记忆网络(Skip-LSTM,Skip Long Short Term Memory)的机场群延误预测模型。该模型首先将机场群中各个机场的信息,机场群航班信息以及机场群地区的气象信息进行融合及处理,然后搭建Skip-LSTM网络对融合后的数据信息进行特征提取,最后利用Softmax分类器对机场群的延误状况进行分类预测。Skip-LSTM网络在传统的长短时记忆网络(LSTM,Long Short Term Memory)的基础上增加了Skip门,能更加充分地提取机场群数据信息的时间相关性,获得更高的准确率。实验结果表明,基于Skip-LSTM的机场群延误预测模型的准确率可达95.35%,预测性能优于传统的网络模型,能对机场群的延误状况进行有效的预测。展开更多
文摘为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立6个描述终端区交通态势的指标。接着,构建反向传播(back propagation,BP)神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法(particle swarm optimization,PSO)优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型(genetic algorithm and back propagation,GA-BP)。
文摘针对目前机场群发展不平衡,国际枢纽机场的延误率居高不下,航班时刻短缺,资源紧张,而区域枢纽机场却存在资源空闲的问题,提出一种基于跳过门的长短时记忆网络(Skip-LSTM,Skip Long Short Term Memory)的机场群延误预测模型。该模型首先将机场群中各个机场的信息,机场群航班信息以及机场群地区的气象信息进行融合及处理,然后搭建Skip-LSTM网络对融合后的数据信息进行特征提取,最后利用Softmax分类器对机场群的延误状况进行分类预测。Skip-LSTM网络在传统的长短时记忆网络(LSTM,Long Short Term Memory)的基础上增加了Skip门,能更加充分地提取机场群数据信息的时间相关性,获得更高的准确率。实验结果表明,基于Skip-LSTM的机场群延误预测模型的准确率可达95.35%,预测性能优于传统的网络模型,能对机场群的延误状况进行有效的预测。