基于数字孪生的航班链延误动态预测模型

针对复杂多变的航班运行环境,提出一种基于数字孪生的航班链延误动态预测模型,以改善传统预测方法的精度及自适应性。模型基于数字孪生航班链系统构建,采用滑动窗口下的多通道特征建模完成单元级航班延误预测,并提出一种混合优化策略进行模型参数的动态优化,最后通过孪生数据驱动的链式分析方法实现了全航班链的延误分析与修正。采用国内航班数据进行实验,得到在各个窗口下的航班延误平均绝对误差(Mean absolute error,MAE)为11.79 min,低于其他基线模型和静态模型;且引入孪生数据驱动分析和修正后,紧随其后的航班预测误差比此前进一步降低了6.44%。结果表明,模型有利于数字孪生航班链系统实现虚实交互,并具有优良的预测精度和自适应性。

基于区块链技术的航班协同运行保障系统架构设计

在民航领域的航班协同运行保障过程中,传统的信息共享方式存在数据外泄、记录篡改、数据难追溯、数据难监管、隐私难保护等问题,提出一种由机场、航空公司、空管以及地服公司协同参与的区块链架构——航班信息共享链架构。根据航班运行过程中的实际流程与需求,从层次结构、网络结构、访问事件监管机制与多通道设计四个方面设计该架构,进而形成一种新型航班协同运行保障系统架构。实验结果表明,该架构不仅能够满足航班协同运行保障系统需求,还减少了单节点存储容量,更好地实现了航班协同保障参与方之间的动态信息共享。

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。

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。

基于MA-BiLSTM的多时间窗航班过站时间估计方法

发生前航延误时,若能精准估计航班链后续航班的机场过站时间,可辅助航空公司适时调整航班计划,有效降低延误波及,同时为机场资源调配提供决策依据.提出了一种基于MA-BiLSTM的多时间窗航班过站时间估计方法.首先对航班过站时间多维度影响因素进行分析选择,然后采用融合双向长短时记忆网络和注意力机制的MA-BiLSTM模型学习航班上、下游过站机场数据的双向时序信息,并获得时间和多维属性的注意力权重,最后根据航班链执行状态设置不同长度的时间窗,采用加权平均方法多时间窗滑动推进动态估计.采用真实航班链数据进行实验,并与常用模型进行对比,结果表明本文方法具有较好的预测准确性.