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。      

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,并行化模型较单机模型更快收敛,具有较强的加速比。      

基于循环神经网络的航班延误预测模型

在民航飞行航班量持续攀升的背景下,航班延误对民航生产的影响越来越大,准确有效的航班延误预测能够有效降低延误所带来的不利影响,提高民航生产的运行效率和服务质量。文章通过引入循环神经网络来挖掘航班延误在时间维度上的潜在关系,设计了深度机器学习算法,建立了基于RNN及LSTM单元相混合的延误预测模型,文章所设计模型使用民航空管的历史真实数据,也是对机器学习技术在空管行业应用的有益探索。     

基于多任务NR-DenseNet网络的航班延误预测模型

不同于目前大多数只倾向于研究单一的分类或回归任务的航班延误预测方法,该文提出一种基于多任务NR-DenseNet网络的航班延误预测模型,旨在同时实现航班延误等级分类预测与延误时间回归预测。首先,预处理相关数据;其次,建立多任务学习特征提取共享层,使用NR-DenseNet网络提取任务之间的共享参数,深度挖掘任务之间的相关特征;然后,建立多任务学习特定任务层,通过回归器与分类器分别输出特定任务的预测结果;最后,采用损失加权方法对两个任务损失函数进行优化,平衡任务间的收敛速度,提高模型泛化性。将模型应用在宁波机场数据集中,与单任务模型相比回归任务平均MSE降低了23.4%,平均MAE降低了14.2%,分类平均准确率提升了2.7%。实验结果表明,该文方法提升了分类任务的准确率降低了回归任务的误差,可以有效提升模型性能。     

航班延误的CFO们

“乘坐前往纳斯达克的Pre-IPO号航班的乘客请注意,我们非常抱歉地通知您,本次航班因金融危机而延误,延误时间现在还不确定,请您在候机厅等候工作人员的进一步安排。”一位刚刚在成都双流机场被延误了七个小时的CFO在接受采访时幽默地自嘲了一把。     

基于线性回归的航班延误预测研究与系统开发

航班延误预测在航空领域有着广泛的应用,不仅可以减少航空公司在经济和信誉等方面的损失,而且可以给旅客提供更多的便利和更好的服务。利用线性回归方法设计一个Web服务,用来预测航班是否延误。用户输入航班号、出发时间、出发机场和到达机场,系统利用航班的历史记录和天气等信息预测航班到港时间。     

基于时序数据挖掘的航班延误预测分析

航班延误一直作为国际国内民航业的一个热点问题。通过对航班延误的相关概念进行简要介绍,建立时间序列预测模型,将数据挖掘中隐马尔可夫模型和指数平滑预测方法应用于航班延误预测分析中。通过与所采集时间点的实际航班延误数对比分析来评估预测模型,得到较为理想的预测结果。该分析为航空公司运行指挥中心提供决策支持和理论依据,对保障航班正常运行有着重要的实际意义。     

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。     

基于模糊AHP方法的机场航班延误水平评估

首先建立了评估机场航班延误水平的指标集,利用模糊一致矩阵表征专家判断信息,使用模糊层次分析法(AHP)得到各因素的权重,从而得到了各因素的重要程度排序。结合模糊隶属度矩阵,实现了使用定性与定量相结合的方法构建评估航班延误水平的综合评价模型,为进一步治理航班延误提供了依据。并通过对某机场的调研数据分析,验证了该模糊评价方法切实可行。     

完善民航空域管理体制降低航班延误发生机率

在我国航空交通安全成为人们关注的课题的时候,航班延误在一定程度上降低了航空公司的运行效率,航班延误的事件频繁发生也不利于社会的稳定与和谐,因此,为了推进航空运输业快速健康发展,需要创新民航空域管理体制,有效地实现对空中交通流量的管理与畅通,共同维护空域自然资源的秩序与稳定。     

基于GP-LVM和LS-SVM航班延误等级预测研究

针对气象条件导致航班延误难以准确预测的问题,文章提出基于GP-LVM和LS-SVM的航班延误等级预测算法。通过GP-LVM对经过预处理的气象数据非线性降维,得到影响航班延误的显著变量;对航班延误进行LS-SVM的延误等级预测。仿真结果表明,文章提出的组合预测方法相对于单一SVM模型,能够提高航班延误等级预测准确率。     

基于Skip-LSTM的机场群延误预测模型

针对目前机场群发展不平衡，国际枢纽机场的延误率居高不下，航班时刻短缺，资源紧张，而区域枢纽机场却存在资源空闲的问题，提出一种基于跳过门的长短时记忆网络 (Skip-LSTM，Skip Long Short Term Memory)的机场群延误预测模型。该模型首先将机场群中各个机场的信息，机场群航班信息以及机场群地区的气象信息进行融合及处理，然后搭建Skip-LSTM网络对融合后的数据信息进行特征提取，最后利用Softmax分类器对机场群的延误状况进行分类预测。Skip-LSTM网络在传统的长短时记忆网络(LSTM， Long Short Term Memory)的基础上增加了Skip门，能更加充分地提取机场群数据信息的时间相关性，获得更高的准确率。实验结果表明，基于Skip-LSTM的机场群延误预测模型的准确率可达95.35%，预测性能优于传统的网络模型，能对机场群的延误状况进行有效的预测。      

基于M/G/1模型的航班延误分析

飞机航班延误已成为困扰国内外航空运输业的一道世界性的难题.针对航空公司对航班延误分析的迫切需要,通过分析机场跑道的当前容量,应用排队论中的M/G/1模型,对机场起降飞机进行延误分析,提出一种评估机场跑道上航班延误的新方法,并用首都机场的实际数据进行验证.算例分析结果表明,此方法可为航空公司以及机场在航班安排方面提供有效的参考.     

改进物元可拓在航班延误预警中的应用

航班延误预警是典型的多因素问题。为解决该问题,从空管的角度出发,基于容量变化、需求变化两方面选取机场通行能力下降率等6个代表性指标,构建航班延误预警指标构架。对物元可拓模型,使用变权理论确定其指标权重值,用规格化改进和非对称贴进度计算贴进度,得到改进模型。最后对我国危险天气条件下的某空域进行仿真验证,对比原有模型和改进后的模型。评价结果表明了改进后模型的有效性。     

基于运行数据分析的航班正常性管理探究

随着民航的高速发展,航班正常性这一问题成为最近十年来最受关注的问题之一。特别是对于出现航班延误之中的信息不对称、航班延误赔偿纠纷等问题,一旦处理不好就可能成为社会关注的“焦点。”因此,基于运行数据分析了解航班的正常性管理是民航业重要的民生工程。     

基于航空公司公平性的航班时刻表优化研究

随着航班时刻需求的增加,迫切需要优化航班时刻表,尤其是优化航空公司在繁忙机场的航班时刻。针对航班计划不合理造成的大面积延误问题,在满足延误水平的基础上,建立基于航空公司公平性的航班时刻优化模型,并设计了基于粒子群算法的布谷鸟搜索算法进行航班时刻表优化。以广州白云国际机场为例进行航班时刻表优化,并应用SIMMOD进行仿真验证。研究结果表明,航班时刻表优化后,航空公司的公平性得到了显著提高,航班平均延误降低了3.1 min,放行正常率提高了11.21%,说明该模型和算法是有效的,为大型机场航班时刻配置和航班保障放行提供了理论支持。     

基于大数据的航班调度优化模型与算法初探

为了提高服务质量和降低运营成本,所有的航空公司都在不断寻找各种方法来合理安排航线,降低航班延误。本文主要讨论如何利用大数据来更准确地预测飞机时空位置和航班到达（跑道、登机口）时间,从而更有效地实时优化航班,使得总的延误时间与消耗燃油最小。在此过程中,研究细化航班调度涉及的目的与问题,在此基础上建立数学模型,最终通过机器学习技术求解此模型,提出合理的调度方法。