基于贝叶斯网络的航班离港延误预警分析

贝叶斯网络是一种有效的概率预测方法,尝试将其应用于航班数据分析预警,应用Netica软件工具构建实际航班及其关联的贝叶斯网络,特别是针对航班延误的最主要环节——离港延误,分时间段对国内某航空公司在某机场的离港数据进行了延误原因分析和延误预警分析。

基于时效信息和深度学习的离港航班延误预测

针对离港航班延误预测问题,利用深度神经网络模型,结合时效航班信息数据和时效气象数据,提出了一种基于时效信息和深度学习的离港航班延误预测模型。利用真实数据开展数值试验。结果表明:所构建的延误预测模型可以在较短时间内获得较高的航班延误预测精度,并且具有较大的航班延误预测时效;同时随着延误时间阈值的增加,预测精度不断提高,损失值不断降低;尤其以60 min为阈值时,模型的预测精度可以达到91.26%,说明了模型的有效性。

基于强化因果发现的航班地面保障事件影响因素分析

对航班地面保障事件执行日志展开分析以及对国内外航班延误报告进行研究,针对航班地面保障事件执行效率低下的影响因素发现问题,明确关联与因果的统一定义,给出量化影响因素的时间差参考量,提出一种面向实际保障过程的基于增剪边规则的强化因果发现算法,通过最大化奖励分数得到最优的影响因素与目标事件因果图。实验结果表明,提出方法能有效得到真实因果图,在FDR、TPR、SHD与生成的因果图的合理性上超过其它对比方法。

基于深度学习的离港航班延误预测模型研究

为了对离港航班延误进行有效预测,在融合航班数据和气象数据的基础之上,提出一种基于深度学习的离港航班延误预测模型。针对航班延误数据集的非平衡特性,提出利用焦点损失函数来减轻非平衡数据集对模型的影响;针对小数据集时模型预测效果不佳问题,提出了一种简单的数据集增强方法,在一定程度上提高了模型的预测精度。以成都双流机场的相关数据对模型进行仿真实验,结果表明模型可以达到85%以上预测精度,具有一定的实际价值。

航班保障因果分析框架

航班离港延误是民航界一致关注并希望解决的重点及难点问题。针对航班离港延误产生原因不明晰及因果影响强度不确定的问题,提出了BLCNS-LV-IDA因果分析框架,从因果推断的角度出发,在航班地面保障业务范畴领域内,从定性和定量2个层面对航班离港推出延误进行因果分析。以航班离港推出延误时长为目标变量,基于特征选择和极大祖先图贪婪搜索(GSMAG)算法结合的BLCNS局部因果网络结构发现算法,构建因果网络模型;根据得到的因果网络,基于LV-IDA算法对各等价网络中的边缘进行因果效应评估。实验结果表明:BLCNS局部因果网络结构发现算法在处理变量较多的大样本数据集时有一定的优势,在50节点集的1 000、5 000、10 000样本量下,F1值较基线算法分别提高了-0.303、0.008、0.132,呈明显上升趋势,且在运行时间方面至少缩短16.29%。节点间的因果效应明确了各节点对航班延误的具体影响强度,为航班保障的精细化管理、减少航班延误提供了指导。