一种航空器进港滑行时间预测模型生成方法与流程

摘要: 本发明涉及机场场面运行智能预测技术,尤其涉及一种航空器进港滑行时间预测模型生成方法。背景技术:1、航空器进港滑行时间指航班着陆时刻至抵达机位时刻的时间差值,是衡...
一种航空器进港滑行时间预测模型生成方法与流程

本发明涉及机场场面运行智能预测技术,尤其涉及一种航空器进港滑行时间预测模型生成方法。

背景技术:

1、航空器进港滑行时间指航班着陆时刻至抵达机位时刻的时间差值,是衡量机场地面运行效率的核心指标。随着大型枢纽机场规模扩张、滑行道布局复杂化,航空器地面滑行时长持续增加,直接影响机位分配、地面保障调度、航班准点率、航司燃油规划与旅客出行体验。

2、当前国内机场主流滑行时间预测方式仅依据跑道、停机位匹配固定滑行时长,未纳入机型、航司、滑行路径、路段拥堵、道口等待等微观动态因素,预测精度差。现有滑行时间预测技术主要分为两类:仿真模拟类方法:以 linos 仿真软件为代表,依靠场面推演计算滑行时长,存在实时性不足、同步性差、鲁棒性低、难以适配动态流量变化的缺陷;传统机器学习方法:随机森林、svm、基础神经网络等模型仅使用滑行距离、日期、航班总量等宏观特征,忽略机场滑行道、道口拓扑微观结构,针对单架航班精细化预测效果不佳。

3、现有深度学习方案未区分滑行段、道口、链路多层级轨迹特征,无法分层建模局部路段时序依赖与全局滑行路径关联,难以自适应区分不同路段、道口对滑行耗时的权重贡献,模型可解释性弱、预测误差偏高,无法满足机场实时地面调度、精准 eta 发布的工程需求。

4、亟需提出一种航空器进港滑行时间预测模型生成方法。

技术实现思路

1、本发明的目的是提供一种航空器进港滑行时间预测模型生成方法,具有航空器运行效率的提升的优点。

2、为实现上述目的,本发明提供了一种航空器进港滑行时间预测模型生成方法,所述方法包括:步骤s1,根据滑行数据,提取滑行段特征、道口特征以及外部特征,并构建数据集;其中,滑行段特征为滑行段对全局滑行时间的影响数据;道口特征为不同道口对于全局滑行时间的影响数据;外部特征为变化规律相关性数据;步骤s2,将数据集进行融合处理,获得融合处理后的特征;步骤s3,基于融合处理后的特征训练当前航空器进港时间模型,满足输出条件后,输出航空器进港时间模型;步骤s4,对输出后的航空器进港时间模型进行验证。

3、优选地,滑行数据指的是航空器进港滑行时产生的各项数据;例如航空器过每段滑行段的所用时长、航空器在途径道口的等待时间、航空器的进港滑行时间。

4、优选地,外部特征包括:周标识、时间标识、航空公司机型以及航班号;滑行段特征包括:滑行段id、滑行段长度、滑行段宽度、滑行段拥挤程度、滑行段用途;道口特征包括:道口编码、道口等待时间;滑行段特征的选取是为了挖掘不同滑行段对全局滑行时间的影响关系;道口特征是为了挖掘不同道口对于全局滑行时间的影响关系;外部特征的选取是为了挖掘滑行时间在一周当中的周期性变化规律、滑行时间在一天当中的周期性变化规律以及滑行时间与航空公司、机型之间的相关性。

5、优选地,所述步骤s1包括:步骤s11,对滑行数据进行预处理,剔除无效样本;步骤s12,步骤s12,将道口特征映射为4位数的数字id,将滑行段映射为5位数的数字id,表示滑行段及道口的位置关系;滑行段特征包含长度、宽度、拥挤程度、用途特征;道口特征包含等待时间;步骤s13,将外部特征映射为,包含288段时段的集合数据;外部特征包含周标识、时间标识、航空公司、机型、航班号;其中,时间标识指将一天按5分钟为一个时间段,分为288段,通过1-288表示不同时间标识;步骤s14,整合获得数据库。

6、优选地,所述步骤s2包括:步骤s21,根据其数据项属性,将数据集中的数据可分为为分类特征和连续特征,通过分类特征嵌入和连续特征的方式进行处理,并统一映射至同一稠密向量空间,提取与处理原始数据中的各项影响特征;其中,输出结果分为,外部特征、段级特征、道口特征;步骤s22,对统一数据集将原始的段级特征转换为富含上下文信息的表示;步骤s23,进一步将细粒度的段级特征融合道口特征提升为路径级理解,定义为链路级特征,获得富含上下文信息的表示;步骤s24,引入学习参数λ融合段级特征与链路级特征的上下文信息,获取融合处理后的特征。

7、优选地,所述步骤s24中,最终融合处理后的特征的公式如下:

8、 r = (1−λ)∗att_seg+λ∗att_link ;

9、其中,r表示最终融合后的特征,att_seg表示段级上下文特征,att_link表示链路级上下文特征。

10、优选地,所述步骤s3包括:步骤s31,初始化模型参数,对所有可学习权重矩阵采用xavier均匀初始化方法,偏置参数初始化为零;步骤s32,令t=1;步骤s33,将融合处理后的特征进行训练,执行反向传播与参数更新,采用adam优化算法,学习率设为1×10⁻4,权重衰减系数为1×10⁻5,利用自动微分计算损失函数对所有模型参数的梯度并更新参数;其中,反向传播与参数更新的初始次数记录为t;步骤s34,检验t是否大于100,若是,输出当前模型,进入步骤s4;若否,则另t=t+1,并返回步骤s33。

11、优选地,所述步骤s4包括:

12、步骤s41,获取平均绝对误差;

13、;

14、均方根误差;

15、;

16、平均绝对百分比误差;

17、;

18、其中,表示滑行时间的真实值,表示滑行时间的预测值;n为测试数据的数据量;步骤s42,若平均绝对误差;均方根误差平均绝对百分比误差满足设定参数,则输出;否则废弃。

19、综上所述,与现有技术相比,本发明提供的一种航空器进港滑行时间预测模型生成方法,具有如下有益效果:

20、第一,本发明提供的一种航空器进港滑行时间预测模型生成方法,该方法可以准确预测航空器入港滑行时间,得到准确的航空器入港时间,对于机场方,可以为桥位资源分配提供关键时间节点依据,优化桥位资源分配,疏通航空器地面运行堵点;该模型可拓展应用于航空器地面滑行时间长的超大型机场。对于旅客方,旅客到达停机位的时间从以前的15分钟误差降低为1分钟,完善旅客落地后的“最后一公里”。

21、第二,本发明提供的一种航空器进港滑行时间预测模型生成方法,也可以减少登机口变化给出发旅客带来的不便。对于航司、地服公司方,航班地服保障的时间从以前的10分钟误差降低为1分钟,提升地面保障效率。该模型可以准确的预测航空器入港滑行时间,为航空器运行效率提升、地面调度的优化提供数据支持。

1.一种航空器进港滑行时间预测模型生成方法,其特征在于,所述方法包括:

2.根据权利要求1所述的一种航空器进港滑行时间预测模型生成方法,其特征在于,

3.根据权利要求2所述的一种航空器进港滑行时间预测模型生成方法,其特征在于,

4.根据权利要求3所述的一种航空器进港滑行时间预测模型生成方法,其特征在于,所述步骤s1包括:

5.根据权利要求4所述的一种航空器进港滑行时间预测模型生成方法,其特征在于,

6.根据权利要求5所述的一种航空器进港滑行时间预测模型生成方法,其特征在于,所述步骤s24中,最终融合处理后的特征的公式如下:

7.根据权利要求6所述的一种航空器进港滑行时间预测模型生成方法,其特征在于,所述步骤s3包括:

8.根据权利要求7所述的一种航空器进港滑行时间预测模型生成方法,其特征在于,所述步骤s4包括: