基于智能算法优化BP的航空器滑出时间预测

滑出时间是评估大型机场场面运行效率的主要性能指标,科学准确地预测离港航空器的滑出时间,对于提升场面运行效率至关重要。首先,分析了航空器滑出时间影响因素及相关性,构建了基于反向传播(back propagation,BP)神经网络的航空器滑出时间预测模型。针对BP神经网络存在对初始权值和阈值敏感、准确性和稳定性欠佳等缺点,分别采用粒子群优化(particle swarm optimization,PSO)算法和麻雀搜索算法(sparrow search algorithm,SSA)获取BP神经网络的最优权值和阈值,并采用中国中南某枢纽机场2周的实际运行数据对智能算法优化后的预测模型进行了验证。结果表明:滑出时间与半小时平均滑出时间、起飞队列长度、同时段滑行的离港航空器数量均有强相关性,与同时段滑入的进港航空器数量中度相关,与滑行距离和经过冲突热点区域个数相关性较弱;考虑强相关和中度相关影响因素的4元组合预测模型的预测结果最佳;智能优化算法通过获取神经网络的局部最优权重和阈值,可有效地提升航空器滑出时间预测结果的精度,但运算过程耗时也更长;基于PSO优化后的BP神经网络预测结果较优化前的平均绝对百分比误差(mean absolute percentage error,MAPE)提升了1.13%,平均绝对误差(mean absolute error,MAE)减少了4.48 s,均方根误差(root mean squared error,RMSE)减少了4.68 s;基于SSA优化后的BP神经网络预测结果较优化前的MAPE提升了3.05%,MAE减少了16.55 s,RMSE减少了14.31 s。

基于机器学习的离港航空器滑出时间预测

准确地预测航空器的滑出时间对于提升机场场面运行安全和效率至关重要。基于机场场面运行态势分析,获得进/离港航空器滑行的时空分布特征,从而准确定义同时段离港航空器数量、进港航空器数量、起飞队列长度。基于影响因素进行相关性结论分析,构建了基于机器学习的航空器滑出时间预测模型,并使用中南某枢纽机场2周的实际运行数据对模型进行了验证。结果表明:滑出时间影响因素相关性大小排序为:起飞队列长度、同时段起飞航空器数量、30 min平均滑出时间、同时段落地航空器数量、起飞使用跑道、滑出距离。机器学习方法能实现对航空器滑出时间的有效预测,分类器的优劣排序为支持向量机(support vector machine,SVM)、BP(back propagation)神经网络、随机森林(random forest,RF)。引入弱相关的影响因素后,滑出时间预测精度会有一定程度的降低。

考虑天气因素影响的离港航班滑出时间预测

针对现有滑出时间预测研究成果未考虑天气因素影响的问题,基于航空例行天气报告(meteorological terminal aviation routine weather report,METAR),构建了考虑天气因素的离港航班滑出时间预测模型。首先,通过分析航空器场面运行态势,厘清了进离港航班滑行过程的时空交叠关系,重新定义了滑出时间的影响因素,并分别阐述了航班运行数据和气象数据的分析流程。基于相关性分析结果构建了滑出时间的反向传播(back propagation,BP)神经网络预测模型,并采用蝗虫优化算法(grasshopper optimization algorithm,GOA)对模型进行优化。以深圳宝安机场2周的实际运行数据对模型进行了验证,结果表明:(1)天气因素是滑出时间的主要影响因素之一,引入量化后的天气因素可显著提升滑出时间预测结果;(2)重新定义的同时段推出及滑行的进离港航班数量、进离港队列的概念和数据样本更加精准,相关性分析结果更加客观;(3)基于GOA-BP的滑出时间预测结果精度有明显提升,平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别减少了11.40 s、12.62 s,平均绝对百分比误差(mean absolute percentage error,MAPE)提升了0.37%;±3 min和±5 min的准确率分别高达81%和94%。

离港航空器滑出时间的BP神经网络预测模型

准确地预测离港航空器滑出时间可有效提升机场场面运行效率,降低运行成本。构建基于BP神经网络的离港航空器滑出时间预测模型,分析影响离港航空器滑出时间的可量化因素,并对其相关性进行检验;通过我国中南某机场2周实际运行数据对模型进行验证,并以均方根误差、平均绝对误差和平均绝对误差百分比检验预测结果的准确性。结果表明:同时段推出航空器数量、同时段起飞航空器数量、同时段落地航空器数量、1小时内平均滑出时间与离港航空器滑出时间呈现强相关性,滑行距离、转弯个数、延误时间与滑出时间相关但不显著,航空器起飞时刻所在时段与滑出时间不相关;1小时内平均滑出时间对模型预测精度的提升起重要作用,具有相关性但不显著的影响因素的引入对预测结果精度的提升有一定的作用,引入不相关因素后模型的预测精度会显著下降。

基于排队论的航班滑出时间预测

根据航班离港流程及滑出时间预测的问题属性,将滑出过程分解为无障碍滑行至跑道端及在跑道端排队等待起飞两个阶段。分析了进离港航班对滑出时间的影响,提出了一种场面交通状况衡量指标及基于该指标的无障碍滑出时间计算模型。并将跑道提供服务的过程建模为M/G/1/∞随机服务系统,建立了基于排队论的等待起飞时间预测模型。以北京首都国际机场航班运行数据为例,使用单个航班及以15min为间隔的平均滑出时间的预测准确率验证了模型的有效性,与首都机场当前的滑出时间计算模型进行对比,预测准确率显著提高。

基于航空器滑出时间的离场影响因素研究

分析了影响航空器离场过程中的主要因素,通过对各因素与滑出时间的相关性分析找出关键变量,采用多元线性回归方程建立航空器滑出时间解释模型,分析模型的拟合结果探究关键变量与滑出时间之间的联系,实现对离场影响因素的研究.通过对某机场2015年7—9月份真实航班数据的研究表明,滑出时间模型能够有效拟合滑出时间变化情况,进离场航空器数量、运行时段与离场滑行时间有着显著的相关性,同一时段进离场航空器对滑出时间影响最为明显.

新型歼击机滑出/起飞阶段飞行员信息使用需求

为研究提出新型歼击机滑出 /起飞阶段推荐显示的飞行信息及其显示优先级 ,以显示需求程度为指标 ,用 11级数字评定法对 6 14条飞行信息做使用调查。用新型歼击机首席试飞员、16 2名普通歼击机飞行员数据对 4 8名新型歼击机飞行员使用意见做补充性修正 ,综合形成最终结果。飞行员将 6 14条信息评定为八个等级类别。其中 ,显示需求程度“中等”以上的A、B、C、D类信息分别有 2 5条、6 1条、94条和 76条。推荐显示 2 5 6条信息。

基于SSA-BP的离港航班滑出时间预测

针对传统反向传播(back propagation,BP)神经网络在离港航班滑出时间预测时存在对初始权值和阈值敏感、准确性和稳定性不好等缺点,提出了一种基于麻雀搜索算法(sparrow search algorithm,SSA)获取BP神经网络的最优权值和阈值的方法。首先分析了离港航班滑出时间的可量化影响因素及相关性,然后构建了基于SSA-BP的离港航班滑出时间预测模型,并采用中国中南某枢纽机场2周的实际运行数据对预测模型进行了验证。结果表明:离港航班滑出时间与同时段滑行的离港航班数量强相关,与同时段滑行的进港航班数量、同时段推出的离港航班数量、平均滑出时间中度相关,与滑行距离和转弯个数弱相关;基于SSA优化后的BP神经网络预测结果误差在±60 s内的准确率提升了20%,误差±180 s内的准确率提升了12%,误差±300 s内的准确率提升了7%。;预测结果的平均绝对误差百分比提升了2.61%,平均绝对误差减少了11.73 s,均方根误差减少了61.03 s。研究成果为提升大型枢纽机场场面运行效率提供了思路。

基于KNN和SVR的航班滑出时间预测

针对大型繁忙机场粗放式预估航班滑出时间可能带来的场面交通不畅、运行效率不高等问题,基于K最近邻(KNN)和支持向量回归(SVR),构建了离港航班滑出时间预测模型.该模型采用KNN方法,考虑滑行距离、滑出过程中同一跑道正在滑出航班数、撤轮档后15 min内推出航班数等因素,预测得到航班滑出期间使用同一跑道的起降航班数;基于该预测结果,结合滑出距离和撤轮档前15 min同一跑道平均滑出时间等因素,采用SVR预测航班滑出时间.使用首都机场航班运行数据对模型进行检验,结果表明:在误差范围为±3 min内,平均预测准确率可达79.86%.

离港航班滑出时间的支持向量机预测模型

为解决反向传播(back propagation,BP)神经网络在离港航班滑出时间预测精度欠佳的问题,构建了基于支持向量机(support vector machine,SVM)的离港航班滑出时间预测模型。首先,分析了影响离港航班滑出时间的可量化因素,构建了基于相关性分析的离港航班滑出时间预测模型;并对比分析了基于SVM和BP神经网络的滑出时间预测结果。结论表明:离港航班滑出时间与同时段推出航班数量、同时段起飞航班数量、同时段落地航班数量、1 h平均滑出时间呈现强相关性,与滑行距离、转弯个数、延误时间相关但不显著,与起飞时刻所在时段不相关。基于SVM和BP神经网络的预测结果趋势是一致的,考虑强相关和中度相关影响因素的七元组预测结果准确率达到最佳;引入不相关因素后模型的预测精度会下降。基于SVM的滑出时间预测模型精度显著高于BP神经网络预测模型,滑出时间误差范围在±5 min内的预测准确率可达98%。

基于BP神经网络的离港航班滑出时间预测

针对离港航班在机场场面滑出时间的动态性、变化性和不确定性,提出一种基于BP神经网络的离港航班滑出时间预测方法。分析滑出时间影响因素及其相关性,讨论强相关、中度相关和弱相关的影响因素在滑出时间预测中的作用,采用我国中南某枢纽机场两周的实际运行数据对预测模型进行验证。实验结果表明,滑出时间与机场场面交通流强相关,与平均滑出时间中度相关,与滑行距离弱相关;考虑强相关和中度相关影响因素的5元组合预测模型的预测结果最佳,误差范围在±300 s的准确率高达96%;引入弱相关的影响因素后,6元组合预测模型的预测准确率反而有所降低。

发电机定子硅钢片滑出原因分析及处理

紧水滩水电站2台机组先后出现发电机定子硅钢片径向滑出,割破线棒绝缘,导致发电机定子接地。检修中对定子铁心压紧度、温度变化与通风情况进行了检查分析,并采取了相应措施,取得较好效果。

基于LWSVR的繁忙机场航班滑出时间预测

针对繁忙机场航班滑出时间预测准确率低的问题,结合局部回归和加权支持向量回归,提出基于局部加权支持向量回归的离港航班滑出时间预测模型。该模型采用K最近邻方法,减小训练样本集容量,并为每个预测样本构建一个预测模型。通过计算训练样本与预测样本间的马氏距离,来优化加权支持向量回归中高斯核加权函数的带宽参数,获得加权系数。结合某机场离港航班数据仿真分析,实验结果表明模型在误差允许范围内的预测准确率达到83.33%,模型更加稳定。

基于ARIMA-SVR组合方法的航班滑出时间预测

针对现有大型机场采用的航班滑出时间预测方法精度不高而导致的场面交通情况拥堵、运行效率低等问题,提出差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型与支持向量回归(support vector regression,SVR)模型组合的离港航班滑出时间预测模型。在滑出时间预测问题中采用时间序列分析方法,首先用ARIMA方法对数据进行拟合,完成ARIMA预测;其次将ARIMA模型预测结果的残差作为构建SVR模型的输入,通过SVR模型预测残差以补偿序列中的非线性变化;最后将2个模型预测结果合并得出结论。经过实例仿真分析可以看出,组合预测模型精度优于单一ARIMA预测模型,可将滑出时间的预测精度提高至90%,能够有效预测航班滑出时间。

中国“虹”滑出历史圆梦索契

索契冬季奥林匹克运动会在进行了1 6天的激烈角逐之后,于北京时间2月24日凌晨落下帷幕,中国代表团在本次冬奥会上共取得了3金4银2铜的成绩,名列奖牌榜第12位.在备受瞩目的速度滑冰女子1000米决赛项目中,中国选手张虹以1分14秒02夺得金牌,这是中国冬奥会历史上首枚速滑金牌,创造了历史.

滑出精彩

不知道从什么时候起，开始流行玩轮滑了。我天生好动，喜欢新鲜、刺激而富有挑战性的活动。于是，我决定先从学滑活力板开始。

炉顶砖安装后滑出原因分析及解决措施

丙烯酸废水焚烧炉炉顶耐火砖由于采用平顶结构,设备变形负公差等原因,在吊装翻身时易造成耐火层炉砖滑出,使局部炉砖缝出现空洞现象,从而造成质量缺陷,影响大检修整体进度及形象。为此,在安装施工时,采用新方法及新材料,杜绝这一现象的出现。

滑出心中无限乐

“山前千顷谁种玉，座上六时天散花。”（宋·陆游《冲雪至余庆觉林雪不止》）雪有洁白无瑕的美丽，感受雪的美丽，除了赏雪之外，无过于到雪中去体验她的魅力了。堆雪人、打雪仗，是孩子们乐此不疲的游戏：滑雪，则越来越成为被大众喜爱的既浪漫又刺激的时尚运动了。滑雪，是户外乐趣运动，带给人们的愉悦和心身享受是无法尽言的。滑雪，又是表现速度的运动，