基于C-均值聚类的航班预测模型

航班预测是航空公司收益管理的关键技术 .本文提出了一种基于C 均值聚类的航班预测模型 ,并将该模型和广泛应用的增量法、回归法进行了对比 .该模型基于聚类方法分析航班销售特征 ,依靠归类决定预测结果 ,屏蔽了日期和季节特性对预测过程的影响 ,降低了算法复杂度 .该模型具有运算速度快、鲁棒性强、预测精度相对较高等优点 。

基于数字孪生的航班延误时间预测方法

为了更加准确和高效地预测大面积航班延误时间,提出了基于数字孪生的航班延误时间预测方法。首先,从航班链整体的角度出发,依据航班运行业务特点和数字孪生技术特征设计了航班链数字孪生系统框架,综合航班链全生命周期内相关航班和机场的运行状态特征;其次,基于Fastformer和GraphSAGE模型设计了航班链时空特征提取模型(ST-Former),充分挖掘航班之间的时空关联特征。实验表明,该方法预测效率和准确度显著提升,平均预测误差在3 min左右。

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。

基于灰色/回归+马尔可夫模型的航班流量预测

合理准确的航班流量预测是制定相关管制方案和地面保障程序的前提。建立灰色/回归+马尔可夫组合模型进行航班流量预测,并以机场实际航班流量数据为例进行模型验证。首先使用灰色模型和多项式回归对航班流量的训练样本进行趋势性预测,选取精度高的模型作为趋势模型。其次用马尔可夫模型对预测结果进行修正并比较修正前后平均相对误差,结果表明,修正后的误差从1.07%降低到0.64%。最后对测试样本进行验证,其相对误差在5%以内,验证了模型的可行性。此研究可为机场及时调整管制方案、提高运行效率、保障运行安全提供理论依据。

大数据时代下的航班延误组合预测

为更加准确地预测航班的延误率,基于2015年7月国内所有29.89万次航班数据,对大数据进行数据挖掘处理,筛选可利用的数据,然后对数据进行定量化处理,用量化后的数据进行延误预测。首先,对航班数据进行预处理,并通过影响因素分析确定航班延误的主要影响因素;然后,基于最小二乘法进行参数标定,建立组合预测模型预测航班延误率。采用SPSS对组合预测模型进行求解与检验,得出7月份航班的延误率为43.33%,而全国航班的实际延误率为46.79%,验证得出航班延误判断正确率高达81.86%;组合预测模型对8月份的航班的预测结果显示,该模型是可行的。结果表明,组合预测模型能有效预测航班延误情况,能为航空公司、机场提供快速的短时航班延误决策。

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.

融合气象数据的并行化航班延误预测模型

针对航空数据呈现高维化、海量化趋势但传统模型处理大数据时单机计算资源不足的问题,本文提出一种基于Spark并融合气象数据的并行化航班延误预测模型。该模型利用数据框完成航班数据和气象数据的融合,从而在单个航班数据后加入不同小时的气象数据。然后,采用并行化方式进行随机森林的特征划分和树的生成,可快速进行航班延误预测。实验结果表明融入气象数据后查全率和正确率均有提高,针对不同阈值的延误时间进行预测时,大阈值的预测准确率更高。同时,并行化模型分类强度高、相关性弱,具有较好的模型泛化误差,较单机模型更快收敛,具有较强的加速比。

面向机场时段差异的航班延误免疫预测算法

为提高枢纽机场航班延误预测的准确度,提出面向机场繁忙时间段差异的航班延误免疫预测算法。基于生物免疫机制,结合机场实时运行情况,对之前提出的免疫否定选择算法进行改进。根据机场在一天内不同时间段繁忙程度的差异性自适应地调整算法中检测器的参数,充分利用机场在各个时间段的不同繁忙程度对延误产生的影响,得到更加准确合理的预测结果。仿真结果表明,与原方法相比,采用改进后方法预测的结果误差率减小,自适应性更好,与实际情况的拟合度更高。

基于双通道卷积神经网络的航班延误预测模型

针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限的问题,提出一种基于双通道卷积神经网络(DCNN)的航班延误预测模型。首先,该模型将航班数据和气象数据进行融合,应用DCNN进行自动特征提取,采用批归一化(BN)和Padding策略优化,提升到港延误等级的分类预测性能;然后,在卷积神经网络(CNN)基础上加入直通通道,以保证特征矩阵的无损传输,增强深度网络的畅通性;同时引入卷积衰减因子对卷积通道的特征矩阵进行稀疏性限制,控制不同网络深度的特征叠加比例,维持模型的稳定性。实验结果表明,所提模型与传统模型相比,具有更强的数据处理能力。通过数据融合,航班延误预测准确率可提高1个百分点;加深网络深度后,该模型能保证梯度的稳定,从而训练更深的网络,使准确率提升至92.1%。该基于DCNN算法的模型特征提取充分,预测性能优于对比模型,可更好地服务于民航决策。

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%。

动态数据驱动的航班延误预测研究

航班运行过程的动态性导致延误实时预测成为难题,动态数据驱动方法为其提供了一种解决方案.该方法能将航班运行实时数据动态加入延误预测过程中,使预测结果更准确可靠.以预测连续进港航班的降落延误为例,对航班之间的延误传递过程进行分析,建立相应的状态空间模型;给出动态数据驱动的航班延误预测框架及预测过程.在航班运行历史数据上进行的多个实验表明:该方法能获得较高的预测准确度和良好的预测稳定性.

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。

基于团簇随机连接的CliqueNet航班延误预测模型

针对目前民航运输业延误率较高,而传统算法难以解决高精度延误预测的问题,提出一种基于随机连接团簇网络(CliqueNet)航班延误预测模型。该模型首先对航班数据和相关气象数据进行融合;然后,充分利用改进后的网络模型对融合后的数据集进行特征提取;最后,使用Softmax分类器进行航班离港延误各等级的高精度预测。模型的主要特点是:在团簇特征层的随机连接,以及在转换层引入通道和空间注意力残差(CSAR)模块。前者以更为有效的连接方式传递特征信息;后者则对特征信息进行通道和空间维度的双重标定,以提高准确率。实验结果表明,对融合数据进行预测,引入随机连接和CSAR模块后,新模型的准确率分别提高了0.5%、1.3%,最终准确率能达到93.40%。

基于LSTM-ARIMA模型的短期航班飞行轨迹预测

高效精确的航班飞行轨迹预测是未来空中交通管理系统的关键技术之一,其旨在提高空中交通的运行能力和可预测性。针对现有的航迹预测方法预测精度和稳定性不足的问题,在已有的历史航迹数据的基础上,构建了新的特征维度,分析了经度、纬度和高度三维数据的统计特性,将长短期记忆网络(Long Short-Term Memory,LSTM)对非线性和非平稳时间序列有较强的逼近能力,而差分自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)对线性时间序列的处理能力更优的特点相结合,提出了一种以LSTM为主ARIMA为辅的组合短期航迹预测模型,先利用LSTM作为主预测模型对经纬度和高度进行预测,再利用辅模型ARIMA对高度的线性关系进行建模,最后采用CRITIC方法将LSTM和ARIMA预测的高度值融合处理。实验结果表明,这种组合模型利用了两种模型的优势,提高了航迹预测的准确性。

基于轻量化网络MobileNetV2的航班延误预测模型

针对民航业中航班延误状况的日益凸显,传统算法存在准确率低、计算量以及参数量大的问题,且面对旅客主要使用移动设备查询的需求,传统算法难以直接部署在移动端,本文提出一种基于轻量化网络MobileNetV2的航班延误预测模型。模型首先对数据集做数据融合、编码等预处理;然后将其输入到网络中进行特征提取;最后利用Softmax分类器输出航班延误等级。应用于国内数据集,准确率最高为99.07%,模型参数量为1.31Million、计算量为40.58Million。本文模型在保障准确率的同时,尽可能降低模型的参数量和计算量,其性能优于传统网络,有助于在移动端实现航班延误预测。

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。

基于深度全连接神经网络的离港航班延误预测模型

针对提升离港航班延误预测精确度困难的问题,提出一种基于深度全连接神经网络(DFCNN)的离港航班延误预测模型。首先,在考虑航班信息、机场气象与航班延误历史的基础上,考虑航班网络结构对预测模型的影响;然后,从激活函数、输入数据项及延误时间阈值三个维度进行实验,以对模型抑制梯度弥散与提升学习表现能力的能力进行了优化与验证;最后,通过调控神经网络层数的纵向拓展方式与随机丢失层的Dropout参数,提升模型的泛化能力。实验结果表明:所提模型使用tanh、指数线性函数(ELU),预测精确度比使用线性整流函数(ReLU)分别提升了1.26、1.28个百分点;考虑航班网络结构后,所提模型采用ELU函数计算时,预测精确度比未考虑航班网络结构时提升了3.12个百分点;在时间阈值为60 min时,通过调控Dropout参数,模型的损失值不断降低;在5层隐含层网络和Dropout参数为0.3时,所提模型可以取得92.39%的预测精确度。因此,所提模型能够对国内航班延误做出较为准确的判断。