基于多机场终端区交通态势的航班延误预测

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)。

基于SSA-CNN-BiLSTM的航班延误预测

为了提高对机场航班延误时间的准确性,对预测模型进行了研究。采用麻雀搜索算法(SSA),结合卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM),提出了一种基于SSA-CNN-BiLSTM的航班延误预测模型。使用美国亚特兰大机场的实际运行数据进行了验证,与BiLSTM,CNN-LSTM等基准模型进行了比较试验,并加入流量和时间双特征数据集验证模型性能。结果表明,SSA-CNN-BiLSTM模型在评价指标上表现最优,其平均绝对误差(MAE)为5.15,均方根误差(RMSE)为7.58,预测精度优于基准模型,具有良好的多特征处理能力。

基于遗传算法和神经网络的航班到达延误预测方法

影响航班到达延误的因素众多,涉及节假日、时段、天气、航空器故障等。本文提出一种基于神经网络多输入–单输出的航班到达延误预测方法,并利用遗传算法优化神经网络的结构与参数,从而进一步提升预测精度。最后,以2015年美国亚特兰大机场为例,给出了预测结果,并与传统神经网络进行性能对比,从而验证了本研究的有效性。研究表明:研究表明,经过遗传算法优化后的神经网络的误差比仅为单独使用神经网络误差的58%。

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IndRNN的机场起飞航班延误预测模型研究

由于没有综合考虑天气等突发状况,导致航班延误预测结果存在一定的偏差,降低用户飞行体验,对此,提出基于IndRNN的机场起飞航班延误预测模型研究方法。起飞航班延误划分为4个等级,利用ReLU激活函数代替IndRNN网络中的sigmod、tanh激活函数,使得每个神经元都有其独立的时空特征;分离所有神经元,避免梯度出现消失爆炸的情况;经过数据读取、数据预处理、数据融合等一系列操作后,完成航班延误预测模型的构建。通过开展对比仿真实验,在4项评判指标下,所提方法均展现出了优秀的预测性能,且预测延误航班数、延误时间与实际值非常接近。

基于气象因素的机场进离港延误预测

针对机场延误预测过程中难以提取延误传播时空特征、预测结果受天气扰动大的问题,提出了基于气象因素的时空图卷积网络(meteorology-based spatio-temporal graph convolutional networks, MSTGCN)机场延误预测模型。该模型使用图卷积神经网络(graph convolutional neural network, GCNN)与门控卷积神经网络(gated convolutional neural network, Gated CNN)挖掘机场延误的时空特征,同时加入气象特征提取模块对机场延误时间进行预测。实验结果表明,该模型在中短时预测上的表现均优于其他对比模型;相较于不考虑气象因素的模型,MSTGCN对未来1 h、4 h和12 h预测的平均绝对误差分别降低了7.03%,7.93%,11.54%,对预测结果起到了极大的修正作用。

基于时空图卷积神经网络的离港航班延误预测

对于日益频发的机场航班延误,精准的航班延误预测是最重要的防范措施之一。通过谱图卷积将机场网络从不规则的图结构转换为规则的网络结构,利用图卷积神经网络(GCN)和门控线性单元(GLU)捕获网络中的时空相关性并组成时空卷积块,提出可以预测离港航班延误状况的时空图卷积神经网络(STGCN)。遴选美国51座枢纽机场构建机场网络,并预测未来一段时间内的机场离港准点率以检验STGCN用于预测航班延误的可行性。结果表明:当预测窗口为1天时,STGCN预测结果的平均绝对误差(MAE)相对于历史平均(HA)法、长短期记忆循环神经网络(LSTM)、堆栈自编码器(SAEs)分别下降了18.19%、10.45%、6.24%;当预测窗口为2天时,MAE分别下降了9.93%、3.96%、4.37%;当预测窗口为3天时,MAE分别下降了7.02%、2.47%、9.20%。实例证明STGCN相比传统模型能够显著提升航班延误预测的精度,并为机场制定延误决策提供参考指导。

考虑航路网络结构的离场航班延误预测模型

针对离场航班延误预测缺少对航路网络结构因素的考虑,以及传统多分类预测难以满足高精度的需求,提出了一种考虑航路网络结构的离场航班延误预测模型。首先,根据离场航班所在终端区的航路网络结构,提出了航路拥挤指标,即航路流量、航路拥挤度和航路网络拥挤度,从航路网络和网络结构2个维度量化分析了拥挤特征,构造了航路拥挤数据集;然后,基于深度神经网络(deep neural network,DNN),构建了考虑航路网络结构的离场航班延误预测模型;最后,分析各类别延误样本比例,调整焦点损失函数的平衡因子以及各模型参数,进行了不同损失函数、不同数据集和不同模型参数的对比实验。结果表明:调整平衡因子后,模型预测准确率提高了2.3个百分点,融入航路拥挤数据集后,准确率继续提高了1.52个百分点,并且最终达到93.47%。可见,本文所提模型能够对离场航班延误作出有效准确判断,为民航相关单位提供决策参考。

基于纵向联邦学习的航班延误预测

针对传统的基于机器学习的航班延误预测模型存在隐私风险及数据信息共享不充分导致的数据孤岛问题,提出一种基于纵向联邦学习框架融合改进逻辑回归模型的方法。在不共享本地隐私数据的前提下,利用纵向联邦学习处理不同参与方拥有的垂直分区数据,利用Paillier同态加密技术对模型参数进行加密,解决模型重要参数泄露问题,建立安全的逻辑回归模型。将仿真结果与其它集中式模型范式进行比较,验证了联邦模型在二分类实验中既有效提高了预测准确率又保证了数据隐私安全。为民航相关部门制定战略性业务决策提供了安全有效的依据。

基于Graph WaveNet模型的机场网络延误预测

文中提出一种基于深度Graph WaveNet(GWN)模型的机场网络延误预测方法,对机场网络整体建模,将其转换为图结构并对网络中所有机场进行离港航班多步延误预测.GWN模型融合时间和空间卷积网络,时间卷积层引入扩展因果卷积和门控机制提升模型效率;空间卷积层采用双向卷积及自适应邻接矩阵充分挖掘延误信息的空间关联性.选择美国51个机场构建机场网络并进行延误预测分析.结果表明:GWN模型对机场未来3天离港航班准点率预测的平均绝对误差分别为4.718%、5.145%和5.240%,显著优于其它基线模型,且对不同量级机场均有稳定的预测表现,在多步预测上具有突出优势.

基于地面保障流程的过站航班延误预测方法

目前民航航班持续高位运行,航班过站时机场、空管、航司多方同时交织参与,高峰时段机场地面保障系统满负荷运转,航班正点率难以提升。为了提前感知过站航班在地面保障时多流程进行协作时产生的延误,针对航班作业流程节点的相关特征,提出基于地面保障流程的过站航班延误预测方法。将航班保障流程构建为图网络结构,采用各流程节点上处理后的时间特征作为图卷积神经网络的各节点特征,针对节点特征采用多种聚合传递方式并进行集成,实现航班延误预测精度的提升。结果表明,提出的航班延误预测方法的平均预测误差降低至7.11 min,具有更好的泛化能力。

基于ST-LightGBM的机场离港航班延误预测

机场间的延误时空关系复杂,多数研究只聚焦于时间维相关性,导致延误预测精度不高.提出一种融合多机场时空相关性的ST-LightGBM模型预测机场离港航班延误.首先,构建多机场延误时空图数据;然后,通过图卷积神经网络提取延误信息空间特征,同时长短时记忆网络对机场各节点延误时间序列进行时间特征提取,形成具有时空相关性的二维特征向量;最后,将时空维特征向量输入LightGBM实现机场离港航班延误数量预测,在训练过程中引入贝叶斯优化算法进行参数寻优.结合真实数据实验,对中国枢纽机场延误数据进行时空维度关系提取并预测.结果表明,本文模型相比于其他基准模型具有较好的预测准确性.

基于S2S-CNN-GRU的机场离港航班延误预测

为解决空中交通管理中机场离港航班延误预测难题,采用序列到序列(S2S)框架将门控单元循环网络(GRU)和卷积神经网络(CNN)相结合,提出一种基于S2S-CNN-GRU的航班延误预测模型,主要采用序列到序列的框架结构,利用CNN来捕获机场航班延误状态的结构化特征,作为编码器的输入,利用GRU捕获延误状态的时间特征,并作为解码器输出预测结果,提高预测的准确性。采用美国实际数据检验该模型的有效性,并同其他模型进行对比。结果表明:基于S2S-CNN-GRU的航班延误预测模型预测的平均绝对误差(MAE)为3.03,均方根误差(RMSE)为5.82,明显优于其他模型的预测效果。

基于PN和CNN-LSTM-ATT的航班延误预测

航班延误预测对提高机场地面保障效率具有重要参考意义。针对目前航班地面保障流程复杂多变以及航班过站延误预测精度不高的问题,提出了一种基于Petri Net和融合预测模型CNN-LSTM-ATT的航班延误预测模型。首先,根据机场航班实际地面保障流程抽象构建离港航班地面保障作业Petri Net模型,获取保障流程中的关键作业时长成为动态特征;其次,将动态特征、航班信息、延误信息和天气信息输入CNN-LSTM-ATT模型中进行特征提取和分类预测,模型中引入注意力机制,通过注意力权重突出关键数据信息的影响,进一步挖掘重要特征之间的内部规律。实验结果显示,该融合模型准确率相比独立模型提升了6%,达到98.1%。通过对不同模型的对比表明该模型能较好地应对场面流程变化并且具备较好的延误预测能力。

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。

基于空间扩散的航班延误预测

航班延误问题在航空网络中是有待解决的一大问题。航班运行的过程中,前序航班延误问题以及同一时间段的机场天气、资源调度、突发事件等多方面情况都会对后续航班或同一时间段的其他航班造成影响。因此文章分别将前序航班发生延误后的延误扩散和因机场容流量产生延误后的延误扩散定义为纵向和横向扩散,基于横向和纵向共同影响下的空间扩散的研究视角,使用梯度提升决策树方法进行航班延误预测。预测结果显示横纵向信息综合考虑后,预测准确率可达91.5%,分别优于纵向预测的准确率78.53%和横向预测的准确率80.2%,结论验证了模型的可行性和准确性。

基于特征筛选和深度神经网络的航班延误预测

为提高航班延误预测效率,提出了一种基于无模型限制特征筛选和深度神经网络的航班延误等级预测模型。首先利用融合科尔莫戈罗夫过滤器实现特征筛选,以减少训练时间提高预测效率;其次利用深度神经网络对航班延误等级进行预测;最后采用真实数据对该模型的有效性进行验证。结果表明:模型可以有效实现航班延误等级预测,在测试集的精度可达到88.65%。

基于密集连接注意力一维卷积的航班延误预测

航班延误是引起乘客投诉的主要原因.针对航班延误预测问题,以一维卷积神经网络为基础,提出了一个航班延误预测网络.该网络融合了多种影响航班延误的相关性因素,利用金字塔池化层以适应不同长度的样本数据,同时引入密集连接结构及注意力模块对网络进行改进以提升准确率和精确率.针对数据不平衡导致的召回率偏低的问题,从算法和数据两个角度进行优化.在算法角度,使用代价敏感损失函数对不平衡数据和难易样本进行权重平衡;在数据角度,采用生成对抗网络对延误样本做数据增强以平衡航班数据.实验结果表明:相对于基准网络,本文模型的F1值提升了8.5%.使用代价敏感损失函数后,模型的准确率得到了小幅提升,而模型的召回率提升了1.6%.同时,使用深度生成网络平衡航班数据后,模型的召回率提升了15.8%.

基于深度SE-DenseNet的航班延误预测模型

针对目前民航运输业对航班延误高精度预测的需求,该文提出一种基于深度SE-DenseNet的航班延误预测模型。该模型首先将航班信息、相关机场延误信息和天气信息进行数据融合;其次,利用改进后的SEDenseNet算法对融合后的航班数据集进行自动特征提取;最后,构建Softmax分类器进行航班离港延误等级的预测。该文提出的SE-DenseNet结构融合了DenseNet和SENet二者的优势,既能加强深层信息的传递,避免梯度消失,又可以实现特征提取过程中的特征重标定。实验结果表明,数据融合后,预测准确率较只考虑航班属性提高约1.8%;算法改进后可以有效提升网络性能,模型最终准确率达93.19%。

采用支持向量机回归的航班延误预测研究

针对航班延误难以预测的问题,采用支持向量机回归方法建立航班到港延误预测模型.首先,采用相空间重构理论计算到港延误的延迟时间、嵌入维数和最大Lyapunov指数,发现到港延误时间序列存在混沌特性;将航班到港延误时间序列进行相空间重构,并结合执飞该航班的航空器在上游机场的离港延误构建模型的输入向量;其次,将粒子群算法、差分进化算法和遗传算法进行比较,用于选择最优的模型参数,实验表明,差分进化算法能够以较高概率获得最优的预测模型;最后,比较该模型、单一因素预测模型和相关向量机预测模型的航班延误预测性能.结果表明,该模型的预测性能明显优于另外两种模型,能够有效预测航班延误.