基于CBAM-CondenseNet的航班延误波及预测模型

针对航班延误衍生的航班延误波及问题,该文提出一种基于CBAM-CondenseNet的航班延误波及预测模型。首先,通过分析航班延误在航空网络内产生的延误波及现象,确定会受前序延误航班影响的航班链;其次,对选定的航班链数据进行清洗,将航班信息与机场信息进行数据融合;最后,提出改进的CBAM-CondenseNet算法对融合后的数据进行特征提取,构建Softmax分类器对首班离港航班延误波及的后续离港航班延误等级进行预测。该文提出的CBAM-CondenseNet算法融合了CondenseNet和CBAM的优势,采用通道和空间注意力机制来加强网络结构深层信息的传递。实验结果表明,算法改进后有效提升网络性能,预测准确率可达97.55%。

基于复杂网络理论的航班延误波及分析

根据航班量较饱和的时间段构建了有向有权的复杂网络拓扑结构模型,实证分析了网络中单个机场节点的航班延误可通过邻居节点波及其他节点的特性。通过某省会机场真实的航班运行数据拟合出航班量、航班计划容量和平均延误时间的关系公式,在此基础上分析了延误航班在机场内的横向波及和机场间的纵向波及效应。结合度值定量求出不同等级机场之间的航班延误纵向波及扩散概率和波及程度,为航班延误波及的预测提供了理论依据和数据支持。

基于关键飞行资源的航班延误波及DAG模型的研究

由于一架飞机和一个机组在一天中通常要执行多个前后衔接的航班,因此一个航班延误可能会导致下游多个航班发生延误.本文重点研究飞机、驾驶员机组和乘务员机组等关键飞行资源对航班延误波及的影响.首先根据航班计划和机组计划构建以一个初始延误航班为根顶点的全体下游航班DAG,然后给出算法以求解各顶点属性值,通过对初始DAG的顶点进行"染色"构造出航班延误波及DAG,得到完整的下游航班波及延误情况,结合提供的延误航班指数、延误时间指数等综合指标,为航班延误问题提供了有效的定量分析手段.最后,通过仿真计算和分析,提出预防和处理航班延误的建议.

基于SOA的民航航班延误波及分析与预警系统

为了对航班延误预警提供软件支撑,基于SOA思想设计并实现了航班延误波及分析与预警系统。服务端采用Web服务封装核心延误波及分析和预警算法,以图形组件包自动生成航班延误波及DAG、高级Petri网、贝叶斯网络和元胞自动机等数学模型的仿真视图以及棒图等统计图。客户端采用自主设计的Magix AJAX框架实现。模块之间以XML作为数据交换媒介,提高了互操作性。系统支持对单航班计划、多航班计划、机场、航空公司等的延误波及分析和预警功能。仿真实验表明,该系统可以有效地辅助完成航班延误波及分析和预警。

航班延误波及效应研究

近年来,航班延误事件频发被社会广泛关注。在此背景下,本文在理论模型的基础上,通过回归分析和单因子方差分析方法,重点研究航班延误波及效应。研究发现:航班延误波及效应的影响因素主要包括首次延误航班的延误时间、机场的飞机过站时间和飞行准备时间之差;首次延误航班的延误时间越长,机场的飞机过站时间和飞机准备时间之差越小,航班延误的波及影响越大;另外,机场条件对航班正点率有一定的影响。

融合注意力机制SimAM的CNN-MogrifierLSTM航班延误波及预测

连续航班中的延误波及往往会引起大规模的航班延误产生,提前对航班延误波及问题进行预测可以为民航部门提供有效参考,减少相关的经济损失。本文首先对航班数据进行清洗与数据融合,针对空管部门实际航班运行情况提出强空间航班链数据集与强时序航班链数据集两种不同的构造方法;然后根据航班延误波及传播的空时特性提出融合注意力机制SimAM的CNN-MogrifierLSTM网络模型,先使用卷积神经网络(Convolutional Neural Network,CNN)结合注意力机制SimAM模块对空间特征进行提取,再用形变的长短时记忆网络(Mogrifier Recurrent Neural Network,MogrifierLSTM)对时序信息进行学习;最后使用Softmax分类器对延误等级进行分类预测。本文提出的预测方法,在航班延误波及进行预测的实验中取得了93.16%的准确率,相比单独使用CNN或LSTM大有提升,加上SimAM注意力机制后相比CNN-MogrifierLSTM网络在不同数据集上准确率也提升了0.6%左右。

不确定性因素下航班延误波及建模与分析

针对机场终端区日益严重的航班延误,提出了一种基于有色-时间Petri网的不确定性因素下航班延误波及分析模型。模型综合考虑航班运行尾流、跑道运行模式、跑道占用时间等运行安全间隔约束,同时根据连续航班间的信息更新,设计进离场航班序列动态调整流程,并由计算模型可得出航班延误总架次及时间。最后,依据历史延误数据分析得出不确定性因素延误的概率分布。选取上海浦东机场为背景对模型进行仿真验证,仿真结果表明,所构建模型可用于战略阶段的航班延误波及程度与过程的评估。

基于机场繁忙程度的航班延误波及分析

航班延误是全球航空业面临的一大难题。航班运行过程中,对于执行航班环任务的飞机,机场繁忙程度直接影响飞机过站时间长短,进而影响航班离港延误程度。文中构建到港延误对离港延误的波及贝叶斯网络预测模型时,加入机场繁忙程度这一因素,以机场飞机起降架次作为刻画该因素的指标,并通过贝叶斯网络结构学习得到机场繁忙程度的影响关系图。10次10折交叉验证的结果表明,与直接用到港延误预测离港延误的模型相比,加入机场繁忙程度因素的模型能够更准确地预估航班延误波及情况。

机场放行能力约束条件下的航班延误波及分析

航班延误影响机场和航空公司的正常运行,同时给旅客出行带来不便,因此,对航班延误的预测分析具有重要的现实意义.在机场放行能力约束条件下,分析航班延误波及情况,对延误时长进行定量预测.以航班历史数据为学习样本,计算在前序航班延误的影响下,后续航班在不同延误等级的初始条件概率,并按照航班优先级以及预测时段机场的放行能力约束,对初始条件概率进行修正,从而对航班延误时长进行短期预测.最后通过实例分析,结果表明考虑机场放行能力约束,提升了航班延误预测的准确度,验证了方法的有效性.

基于贝叶斯网络的机场航班延误因素分析

中国民航业近年来快速发展,航班量增多、航班密度逐步加大,许多资源配置的矛盾也日益凸显出来。机场大面积航班延误难以避免。针对上述问题,在航班延误波及分析的基础上,建立机场航班延误的贝叶斯网络分析模型。通过机场航班数据网络学习和测试,得到了不同因素对机场航班延误的影响程度、不同时间段的延误情况,为机场当局解决大面积航班延误提供决策依据。

基于高斯分布的进出港航班延误免疫检测方法

为了对机场航班延误情况做出较准确的检测,提出了一种基于高斯分布的进出港航班延误免疫检测模型。该模型利用生物免疫机制与航班运行机制的联系,建立了相应的自体集合、检测细胞及它们之间的匹配模型,同时针对每一架飞机每天要执行多个航班,机场进港航班与出港航班形成的前序后继关系,采用高斯分布进行拟合航班链延误波及影响。对国内某机场仿真实验结果表明,该模型有较好的效果。