考虑延误特征的航站楼离港聚集客流预测方法

为满足航班延误下航站楼内资源规划与旅客管理对聚集客流预测所提出的高精度和高效率要求,本文提出一种融合延误特征的离港聚集客流预测方法。通过引入航班延误特征量化表征航站楼离港聚集客流的波动情况,探究航班延误下离港聚集客流波动规律和分布特征,构建基于自适应噪声完全集合经验模态分解(CEEMDAN)、排列熵算法(PE)以及鲸鱼优化算法(WOA)优化的长短期记忆神经网络(LSTM)的短期航站楼聚集客流预测模型。首先,应用CEEMDAN将聚集客流数据序列分解为若干模态分量(Intrinsic Mode Function, IMF)和残差量(Residual, Res),降低原序列中数据的复杂性和非平稳性影响;其次,为减小模型计算规模,同时提高预测效率和精度,采用PE算法对IMF分量进行熵值重构;最后,建立WOA-LSTM聚集客流预测模型,利用鲸鱼优化算法优化LSTM超参数,叠加重构分量的预测结果,得到最终的聚集客流预测值。将模型应用于长三角某枢纽机场进行实例验证。结果表明:CEEMDAN-PE-WOA-LSTM预测模型性能最优,相较单一的LSTM模型,候机大厅聚集客流预测的均方根误差、平均绝对误差以及百分比误差分别降低42.78%、44.00%及45.62%;相较CEEMDAN-WOA-LSTM模型,预测效率提高41.64%。本文所提模型能够有效拟合存在显著非线性和非平稳性特征的候机大厅聚集客流,具有较高的预测精度和运算效率。

基于Stacking集成学习的机场线短时客流预测研究

地铁机场线客流具有高度时变性,受机场航班影响使得精准的短时客流预测具有挑战性。综合考虑机场航班信息和机场线路历史客流,构建了一种以随机森林(RF)、LightGBM(light gradient boosting machine)、梯度提升决策树(GBDT)和逻辑回归算法作为集成学习器,基于叠加(Stacking)集成模型的机场线路短时客流预测模型。以北京地铁大兴机场线为实例进行验证,并与Informer和长短时记忆神经网络(long short-term memory,LSTM)两种基线模型进行对比。结果表明,考虑航班信息和机场线历史客流的双通道预测效果明显优于仅考虑机场线历史客流的单通道预测;Stacking模型在各项指标中均表现出优越的性能,其中,在96步长(24 h)下的预测效果最好,预测进站客流的平均绝对误差为7.66,预测出站客流的平均绝对误差为4.67;分析航班信息特征对预测模型的影响,发现离港航班信息重要性不如到港航班,这与离港旅客提前到达机场时间差异较大有关。

基于VAE-LSTM模型的无人机飞行数据异常检测

无人机飞行数据是反映其自身飞行安全的重要状态参数,通过对飞行数据进行异常检测,是提高无人机整体飞行安全性的关键举措。尽管基于数据驱动方法不需专家先验知识和精确的物理模型,但缺乏参数选择且检测网络结构模型单一,使得检测模型由于参数过多导致过拟合以及无法有效捕捉数据异常模式的问题。文中结合变分自编码器和长短期记忆网络的优势,提出了一种基于VAE-LSTM的无人机飞行数据异常检测模型方法。首先,引入肯德尔相关性分析方法用于选择相关依赖的飞行数据参数集;其次,将具有相关性的参数集对所设计的VAE-LSTM深度混合模型进行训练,学习不同数据特征之间的关系映射;最后,以无监督异常检测方式在真实多维无人机飞行数据进行验证。实验结果表明,VAE-LSTM的精密度、检测率、准确率、F1分数及误检率的各项平均性能指标分别达到95.24%、98.71%、98.8%、96.82%、1.31%,相比于KNN、OC-SVM、VAE、LSTM模型,整体上展现出较好异常检测性能。

基于深层时空图卷积网络的短时到港客流时空分布预测

针对空港综合交通枢纽各区域短时到港客流感知能力较弱的问题,提出一种基于深层时空图卷积网络的预测方法。以空港综合交通枢纽的空间连通特点和到港旅客的行为规律为依据,构建深层图卷积网络提取临近时间段内到港客流量分布的空间特征,并运用门控循环单元提取空间特征序列的时间依赖性,同时利用当前与历史航班信息对预测结果进行修正,实现对目标时间段内各区域内到港客流的预测。基于国内某大型空港综合交通枢纽内到港客流的历史数据展开验证,结果表明,与代表性的预测模型(历史均值模型、自回归差分滑动平均模型、支持向量机回归模型、长短时记忆神经网络、门控循环单元模型、时间图卷积网络)相比,该方法在测试集上的均方根误差和平均绝对值误差均取得最小值,相较于预测精度第二的时间图卷积网络,预测时间范围为5、15、30 min时,均方根误差分别降低了4.19%、7.15%、7.79%,平均绝对值误差分别降低了9.72%、5.05%、8.89%,说明该方法能够更真实地反映不同区域不同时间段内的客流变化趋势,有助于合理地进行空港综合交通枢纽的运力资源配置。

MALDI-TOF MS在血流感染快速鉴定病原菌中的应用

目的探讨基质辅助激光解吸电离飞行时间质谱(matrix-assisted laser desorption/ionization time of flight mass spectrometry,MALDI-TOF MS)结合短时培养在快速鉴定血流感染病原菌中的应用。方法对南京医科大学附属淮安第一医院微生物室2020年11月至2021年12月血培养报告阳性的标本进行革兰染色分类,并采用4h和6h短时培养法及MALDI-TOF MS技术快速鉴定感染病原菌并实时报送病区单元。结果4h短时培养革兰阴性菌共351株,339株(96.6%)细菌鉴定到种属,与24h鉴定结果相同,11株无鉴定结果,1株鉴定错误;6h短时培养革兰阳性菌共216株,212株(98.1%)鉴定到种属,与24h鉴定结果相同,3株无鉴定结果,1株鉴定错误。跟踪321株革兰阴性菌的临床反馈,287例(89.4%)给予临床关注,89例(27.7%)进行药物调整,238例(74.1%)临床疗效良好;跟踪183株革兰阳性菌的临床反馈,其中150例(82.0%)给予临床关注,49例(26.8%)进行药物调整,131例(71.6%)临床疗效良好。结论MALDI-TOF MS技术结合短时培养方法可有效提高血流感染病原菌鉴定准确率,改善血流感染患者抗菌药物治疗时机。

航空公司短期航班计划编排模型及算法

航班计划编排的实质是对航空公司各种生产要素的优化配置,其优化程度直接影响航空公司市场竞争能力。目前,航空公司在编排短期航班计划时过多地考虑了市场竞争,而忽略了航班延误。文中兼顾市场竞争与航班延误控制,将航班延误控制纳入短期航班计划的编排过程中。通过分析独立延误与波及延误特点,建立基于延误控制的短期航班计划编排模型,并采用贪婪随机自适应搜索过程(Greedy randomized adaptive search procedure,GRASP)算法对模型进行求解。最后,通过实例分析验证了所提方法的有效性。

MALDI-TOF MS结合短期培养法快速检测中段尿样本中的病原菌

目的探讨基质辅助激光解析电离飞行时间质谱(MALDI-TOF MS)结合短期培养法快速检测中段尿样本中病原菌的价值。方法收集1 873例患者的中段尿样本,每份样本一分为二,一份用于中段尿常规培养结合Vitek 2 Compact微生物鉴定仪检测;另一份样本离心集菌后,短期培养4或6 h,采集菌膜直接用MALDI-TOF MS进行鉴定,并以中段尿定量培养结合Vitek 2 Compact微生物鉴定仪的检测结果为金标准,评估MALDI-TOF MS结合短期培养法对尿路感染病原菌鉴定的敏感性及特异性。结果在1 873例临床样本中常规培养方法检出病原菌381例,阳性检出率为20.3%。其中单一细菌生长的样本346例(90.8%),2种细菌生长的样本27例(7.1%),3种及3种以上细菌生长的样本8例(2.1%)。在单一细菌生长的样本中,短期培养4 h后MALDI-TOF MS直接检测的检出率为80.1%(277/346),短期培养6 h后MALDI-TOF MS直接检测的检出率为97.1%(336/346)。除鲍曼不动杆菌、屎肠球菌和粪肠球菌鉴定符合率稍低(81.4%、76.9%和86.7%)外,MALDI-TOF MS结合6 h短期培养法的鉴定符合率均为100.0%。结论将中段尿样本离心集菌后短期培养4~6h,采集菌膜直接用MALDI-TOF MS进行检测,可大大缩短培养时间,为临床提供快速的病原菌报告。

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。

基于时空序列的Conv-LSTM航班延误预测模型

精准的航班延误预测结果可以为大面积航班延误的预防提供巨大的参考价值。航班延误预测是在特定空间下做时间序列预测,然而目前已有预测方法多为两种或多种算法的结合,存在算法间的融合问题。针对上述问题,提出了一种综合考虑时空序列的卷积长短时记忆(Conv-LSTM)网络航班延误预测模型。所提模型在长短时记忆(LSTM)网络提取时间特征的基础上,将网络的输入和权重矩阵进行卷积来提取空间特征,从而充分利用数据集包含的时间和空间信息。实验结果表明,与LSTM、仅考虑空间信息的卷积神经网络(CNN)模型相比,Conv-LSTM模型的准确率分别提高了0.65个百分点和2.36个百分点。由此可见,同时考虑时空特性可以在航班延误问题中获得更精确的预测结果。此外,基于所提模型设计并实现了基于浏览器/服务器(B/S)架构的航班延误分析系统,并且该系统也可以应用于空中交通管理局流量控制中心。

美国通用航空飞行事故短期预测的时序外推分析模型

基于类推原理对美国通用航空飞行事故的统计数据进行分析研究,探求事故和趋势的内在规律。收集整理美国通用航空1990—2009年的历年飞行事故统计数据和1999—2005年8个飞行阶段的事故统计数据,运用二次指数平滑法分别对两组数据进行分析,建立事故预测的时序外推分析模型,采用经验试算和递推分割法确定平滑指数值,使用代替法和历史数据加权平均法确定预测初始值,提高预测精度。结果表明:模型对历年飞行事故的预测相对误差小,精度高,并与历年实际观察值的趋势相一致;虽然对各飞行阶段的预测在爬升、盘旋两个阶段出现了波动,但预测趋势符合实际趋势。最后分析美国通用航空飞行事故趋势下降的首要原因为美国联邦航空局一直在小型机场推进"小飞机运输系统",同时要求制造商生产出配备自动驾驶仪表的全天候飞行飞机。而部分驾驶人员飞行操作技能不熟练和飞行计划准备不当是近年美国通用航空事故发生的次要原因。

基于改进ICEEMDAN的航班延误短期预测研究

针对航班延误难以实现短期精确预测的问题,提出基于改进自适应噪声集合经验模态分解(ICEEMDAN)去噪方法结合支持向量机(SVM)的预测模型。通过ICEEMDAN算法把原始航班延误序列分解为模态分量,并使用相关函数分析判定分量中混合噪声并进行SG滤波处理;再根据分量特征对各分量建立SVM回归预测模型;最后将各分量模型预测值叠加得到最终预测数据。实验结果表明,改进的组合预测模型相对ICEEMDAN-SVM模型均方根误差和平均绝对百分比误差分别降低8.7%和11.9%,预测模型对航班延误序列波动表现出良好的跟随能力和较强的泛化能力。

航天员在轨认知能力监测研究进展

认知能力是影响航天员在轨绩效的重要因素,长期在轨认知能力监测是航天员在轨状态评估的重要方面。总结梳理了自和平号空间站以来在不同时期采用的在轨认知能力监测方法,并对目前取得的中短期和长期在轨认知能力研究成果进行分析。在轨监测的研究结果表明,航天员在轨认知能力下降主要出现在飞行适应初期和返回地球后,在轨期间没有发现明显的认知能力下降。

基于改进卷积神经网络的短时交通流量预测

为了提高短时交通流量的预测准确率,提出采用改进的BP神经网络预测交通流量。首先,针对粒子群优化算法易陷入局部最优解和收敛速度慢的问题,提出改进一种的粒子群优化算法,通过双种群搜索的策略提高粒子群优化算法的寻优能力和收敛性。然后,利用改进的粒子群优化算法选取BP神经网络的权值和阈值。最后,将改进的BP神经网络应用到短时交通流量预测中。实验结果表明,与现有的BP神经网络相比,改进的BP神经网络能够有效提高交通流量预测的准确性。

某型军用飞机下降阶段燃油消耗模型研究

针对飞机下降阶段燃油消耗模型建立不够精准的问题,提出了一种改进的长短期记忆网络(Long Short-Term Memory,LSTM)方法,基于飞参数据建立了某型军用飞机下降阶段的燃油消耗模型。首先从飞参数据中提取与燃油消耗相关的参数并进行预处理,然后利用互信息的方法筛选了与燃油流率高度相关的参数,最后基于一种改进的LSTM网络建立了飞机下降阶段的燃油消耗模型。该法相比于传统的BP神经网络、回声状态网络以及标准LSTM在精度上都有了较大的提升和改进。

基于小波包分解的BP神经网络的短期风速预测

针对风速信号不稳定而引起的风速预测精度不高问题,文章提出了一种短期风速预测方法,其通过小波包分解将不稳定的风速信号转化为相对稳定的风速信号,再对其进行BP神经网络预测,从而提高短期风速预测精度。仿真计算结果表明,基于小波包分解的BP神经网络的短期风速预测模型的平均绝对百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)均低于其他短期风速预测方法的各项误差,在短期风速预测中具有一定的优越性。

基于雷达测量的用于炮位侦察的Transformer网络

依赖雷达测量数据的炮位侦察在遇到炮弹低射角时面临极大的挑战。雷达观测数据弧段短、测量误差大,且具有数据批量小、非线性、不完整等特点,炮位外推困难。广泛用于自然语言处理领域的Transformer网络具有长距离依赖、全自注意力机制等特点,在长距离序列建模方面具有较大优势。该文提出了一种时间戳编码的方法,首次应用于Transformer网络来表征空气动力目标的飞行轨迹,并外推炮位位置。同时建立了大规模雷达侦测仿真数据集用于网络训练,并与传统炮位侦察算法,如卡尔曼滤波类算法、长-短周期记忆网络等进行了对照实验。结果表明:Transformer网络在预测炮位时收敛性能好,圆概率误差指标优于其他方法。

空间短时飞行试验工具的应用与展望

空间短时飞行试验是指以探空火箭、气球、亚轨道重复发射工具等为主要实现手段,将待试验对象发射到一定高度,进行科学实验和技术验证的研究方法。对空间短时飞行试验工具的发展历史和应用现状进行综述,对探空火箭、气球、亚轨道重复发射工具在科学观测、新技术试验中发挥的作用进行总结和概括,以NASA飞行机会计划FOP为例,对其在有效载荷技术成熟度评估中的应用情况进行了重点阐述,结合我国空间科学探测和空间技术试验的迫切需求,对空间短时飞行试验工具在我国的应用前景进行了展望和预测。

基于LSTM模型的机场航班飞行轨迹预测

在复杂的空域环境下飞行,精确的航迹预测是确保飞机在客运、货运等飞行任务安全的重要基础,在外界条件不确定的情况上,飞行航迹具不完全稳定性。为了实现空域资源的高效利用,增强空中交通安全,针对时间序列飞行数据利用长短期记忆网络(long short-term memory,LSTM)建立预测模型,高效计算飞行轨迹,再以均方误差(mean square error,MSE)评估精度,最后用半正矢公式(haversine)计算弧面距离。实验结果表明,LSTM模型能很好地解决飞行轨迹预测的问题。

中国的短期国际资本流入及其动机——基于利率、汇率和价格三重套利模型的实证研究

在经济全球化的背景下,短期国际资本流入对国民经济发展与安全的影响越来越大。本文在回顾国内外重要文献的基础上,构建了基于利率、汇率和价格的三重套利模型,并运用1996～2005年的统计数据,对中国的短期国际资本流入及其动机进行实证研究。研究发现:中国的短期国际资本流入总量与国内外利率比具有显著的正向关系,资本和金融项目下证券投资贷方余额与价格比之间也存在显著的正向关系,资本和金融项目下其他投资中短期投资贷方余额加净误差与遗漏项目贷方余额之和与汇率比之间存在显著的负向关系,而与价格比之间则存在显著的正向关系。同时,外逃资本的回流也是构成短期国际资本流入的重要组成部分。为防范短期国际资本流入对国民经济造成不利的冲击,本文还提出了对策性建议。

基于小波分解与ARMA-RBF模型的航班延误时间短期预测

针对航班延误的非线性复杂特性及短期预测精度不高的特点,研究设计了基于小波分解(WD)与ARMA-RBF的组合算法,以分析延误时间序列并进行短期预测。首先,引入小波分解方法,将航班延误时序进行分解得到近似分量和细节分量;然后,对各分量分别构建了自回归移动平均(ARMA)模型和径向基(RBF)神经网络模型并进行预测;之后,构建了WD-ARMA-RBF延误时间短期模型,最终结果即为各分量预测结果的组合叠加值;最后,依据实际延误数据进行了算例仿真。验证结果表明:该模型较WD-ARMA、AR、RBF及GM(1,N)等多种现行的经典算法具有更高的预测精度和稳定性,预测误差MAE仅为3.349,其应用于航班延误时间的短期预测有效、可行。