机场容量预测系统的制作方法

1.本公开涉及机场容量预测技术领域，更具地涉及预测机场利用率的系统和方法。


背景技术：

2.机场容量是指在给定时间在给定机场的每条跑道上可容纳的飞机数量。容量会随着飞机到达和离开多条跑道而变化。期望安排飞机的飞行时间，以使飞机可以安全地沿着跑道流畅地起飞、降落、停放和滑行，而没有不必要的延误或等待时间。通常很难准确、高效地安排飞机的到达和离开时间，因为天气变化或一架飞机在单条跑道上的延迟到达或起飞会引起连锁反应，从而导致其他飞机在一条或多条其他跑道上的进出航班额外延迟。因此，期望准确地预测飞机可能到达和离开的时间以进行航班调度、计划、飞行控制、安全以及使延迟最小化。然而，用于预测飞机到达和离开时间的当前方法依赖于有限的数据和/或算法，这导致预测可能是不准确、不可靠或次优的，从而导致成本增加。


技术实现要素：

3.下面参考下面列出的附图详细描述所公开的示例。提供以下概述以说明本文公开的实施例。但是，这并不意味着将所有示例限制为任何特定的配置或操作顺序。
4.本文描述了使用多个竞争机器学习(ml)模型来预测机场利用率的系统和方法。一个示例包括多个数据源，其提供与一个或多个飞机构成的组以及选择的机场中的至少一者相关联的连续原始数据流。选择的机场包括一组一条或多条跑道。多个竞争ml模型基于航班数据和天气数据生成竞争的多组预测结果。一组预测结果包括由多个竞争ml模型中的候选ml模型生成的在选定时间段内选定跑道的预测到达和预测离开。将竞争的预测结果组与在选定的时间段内选定跑道的实际到达和离开数据进行比较。基于比较，从多个竞争ml模型中选择产生最高准确度预测的候选ml模型。所选定的ml模型基于从多个数据源接收的实时航班数据和实时天气数据，生成针对该组跑道的预测的未来到达和未来离开数据。选定ml模型的输出通过用户界面设备呈现给用户。
5.已经讨论的特征、功能和优点在各种实施例中独立地实现，或者在其他实施例中被组合，其进一步的细节参照以下描述和附图被看到。
附图说明
6.图1是示出根据实施例的用于机场容量预测的系统的示例性框图。
7.图2是示出根据实施例的与机场相关联的一组跑道以用于到达和离开预测的示例性框图。
8.图3是示出根据实施例的包括用于预测机场利用率的机场容量预测组件的系统的示例性框图。
9.图4是示出根据实施例的机场容量预测组件的示例性框图。
10.图5是示出根据实施例的用于选择用于生成机场容量预测的机器学习(ml)模型的
模型管理器组件的示例性框图。
11.图6是示出根据实施例的用于处理原始飞行和天气数据的数据管理器组件的示例性框图。
12.图7是示出根据实施例的包括用于生成到达和离开预测的多个预测ml模型的系统的示例性框图。
13.图8是示出根据实施例的部署在云中以用于基于连续流飞行和天气数据来生成预测的微服务的示例性框图。
14.图9是示出根据实施例的用于生成容量预测的微服务的概要的示例性框图。
15.图10是示出根据实施例的与扇区计数预测服务相关联的扇区计数的示例性框图。
16.图11是示出根据实施例的输出由选定的ml模型生成的每条跑道的预测到达和离开的屏幕截图1100的示例性框图。
17.图12是示出了根据实施例的用于选择最佳ml模型以预测未来飞机在选定跑道上的到达和离开的机场容量预测组件的实现的流程图1200。
18.图13是示出根据实施例的用于从多个竞争预测模型中识别ml模型的机场容量预测组件的实现的流程图1300。
19.图14是示出了根据实施例的用于处理原始飞行和天气数据以用于查询处理的机场容量预测组件的实现流程图1400。
20.图15是示出根据实施例的用于从最高排名的ml模型输出预测的机场容量预测组件的实现的流程图1500。
21.在整个附图中，相应的附图标记表示相应的部分。
具体实施方式
22.将参考附图详细描述各种实现。在所有附图中，将尽可能使用相同的附图标记表示相同或相似的部件。贯穿本公开内容做出的与具体实现和多个实现有关的参考仅出于说明性目的而提供，并不意味着限制所有实现方式，除非相反地指出。
23.当结合附图阅读时，将更好地理解前述概述以及某些实现的以下详细描述。如本文中所使用的，以单数形式陈述并且在单词“一”或“一个”之前的元件或步骤应被理解为不必排除多个元件或步骤。此外，对“一个实现”的引用无意被解释为排除也包含所述特征的附加实现的存在。而且，除非明确地相反声明，否则“包括”或“具有”具有特定特性的一个或多个元件的实现可以包括不具有该特性的其他元件。
24.当前的一些解决方案利用基于模型的方法，其中，人类使用有限的历史数据和/或算法集来确定机场容量的未来值。这种确定性方法在解决环境和空中交通的不确定性的能力上不如期望的有效，同时由于相对较慢的预测生成会导致提供了准确性较低的结果，从而使这些方法不可靠且次优。此外，在一些示例中，性能分析估计值表明，由于无法准确预测空域和机场的未来状态而导致的国家空域系统(nas)效率低下，导致延误飞行的成本增加。
25.本公开的各方面提供了一种容量预测系统，其使用训练数据和实时反馈构建和训练多个机器学习(ml)模型以生成每条跑道的飞机的到达和离开预测。将每个ml模型生成的给定跑道的飞机到达和离开预测与同一跑道的实际到达和离开数据进行比较。机场容量预
测服务提供了高效且准确的机器学习系统，其可以准确地预测的机场容量，从而减少延误和成本。
26.在一些示例中，从多个竞争ml模型中选择生成了与实际到达和离开数据最紧密匹配的预测的ml模型。选定的ml模型的输出将输出给用户。以这种方式，系统不断地实时训练、更新和改进ml模型。这样确保了向用户提供可能的最准确的预测。
27.在其他示例中，系统从多个ml模型中选择产生最准确的预测的候选ml模型。所选的ml模型用于生成未来飞机的到达和离开预测。这降低了到达和离开预测的错误率，同时还提高了所生成的预测的准确性和可靠性。
28.给定特定机场和未来的时间，在其他示例中，该系统可以准确地预测将有多少架飞机到达并离开该特定机场的每条跑道。这项服务对于航空当局和航空公司而言非常有价值，因为可使用基于一条或多条跑道的预测离开和到达数据生成的预测来更准确地计划和重新计划空域的飞行路线和机场的操作。该系统可以为全球的航空当局和航空公司提供服务，并使机场的空域容量增加，并提高机场和空域的效率，从而减少空中交通管制员和航空公司地面资源的工作量。
29.在其他示例中，系统被部署为可以被全世界的用户访问的云服务器上的一组微服务。包括航空当局和航空公司在内的用户可以调用此容量预测系统来确定或以其他方式预测特定机场的每条跑道的着陆和起飞的未来值。这使航空当局能够最佳地规划空域和机场，以提高效率且增加容量。这还可以使航空公司最优地规划其飞行、到达和离开，并相应地部署其地面资源，从而降低成本。
30.更具体地参考附图，图1提供了示例性框图，其示出了用于利用多个ml模型来生成更准确的ml预测结果104的系统100。在一些示例中，机场容量预测系统预测一组飞机114中在一组机场116中的特定机场的每条跑道的到达和离开的飞机的计数。短语“到达和离开的飞机”是指到达和离开的航班。换句话说，系统没有生成与特定运载工具相关联的预测。相反，它正在进行与航班(flight)相关的预测。
31.系统100包括托管在服务器106上的多个竞争ml模型102，用于基于从多个数据源112接收到的航班数据108、天气数据110和/或与飞机的到达和离开相关的任何其他相关数据，来生成每条跑道的预测到达和每条跑道的预测离开。
32.多个竞争ml模型102中的候选ml模型是预测性机器学习模型，其利用人工智能和模式识别来分析与航班118相关的航班数据。航班数据108是描述航班(例如航班118)的一个或多个方面的数据。航班118是与一组一个或多个飞机114和/或一组一个或多个机场116相关的航班。航班数据108可以包括描述例如但不限于飞行期间的飞机位置、速度、航向校正或任何其他类型的与航班有关的数据的数据。
33.一组机场116中的机场包括私人机场、商用机场、机场、航空母舰或包括一组跑道120的任何其他地点。
34.一组机场116中的每个机场包括一组跑道120，包括一条或多条跑道。一组跑道120中的跑道是是供飞机停放、滑行、起飞和/或着陆的道路、狭长地带、陆地的平坦区域、过道、平台或任何其他类型的跑道。一组跑道中的跑道可以包括机场、简易机场、飞机场、航空母舰、直升机停机坪或飞机起飞或降落的任何其他地点的跑道。
35.该组飞机114中的飞机可以包括能够飞行的任何类型的有人驾驶或无人驾驶运载
工具。飞机可以被实现为例如但不限于飞机、直升机、无人驾驶飞机、货机、双翼飞机、商用客机或任何其他类型的飞机的飞机。
36.在一些示例中，多个竞争ml模型102中的ml模型基于历史数据(包括历史到达和离开以及影响这些历史到达和离开的历史天气模式)，生成关于在选定时间段内发生的在一组跑道中的每条跑道上的一个或多个飞机的飞机到达122和/或飞机离开124的预测。多个竞争ml模型102中的候选ml模型利用模式识别、人工智能和其他ml算法，基于与空中和地面上的多个其他飞机相关的航班数据以及描述一组机场的天气状况以及飞机在空中和地面上占据的空域内的天气状况的天气数据，来生成关于选定的飞机何时降落或起飞的预测。
37.由多个数据源112提供的航班数据108和天气数据110包括与当前天气状况相关联的实时(当前)数据以及历史数据。
38.历史数据包括与在过去发生的一组跑道120和/或一组机场116处的历史(例如，先前)飞机到达和历史飞机离开相关的数据，以及描述当这些历史到达和离开在一组机场116发生时的天气状况的数据。
39.在一些示例中，历史数据包括每条跑道的实际到达和离开。在其他示例中的历史数据包括其他相关数据，例如但不限于历史天气数据、飞行时刻表等。多个竞争ml模型102通过网络126从多个数据源112获取历史数据。
40.在一些示例中，多个数据源112包括天气数据110和/或航班数据108的一个或多个源。在一些示例中，多个数据源112包括任何类型的数据源，例如但不限于数据流服务、数据存储、云服务、文件系统、数据库或任何其他数据源。在该非限制性示例中，多个数据源112包括来自联邦航空局(faa)的交通流管理(tfm)数据馈送，其提供与一组飞机114相关联的流式航班数据108和/或来自提供给定扇区或位置的天气数据110的国家海洋和大气管理局(noaa)的天气数据馈送，例如但不限于风速、风向、湿度、气压、温度、降水量等。
41.在一些示例中，网络126由一个或多个物理网络组件实现，例如但不限于路由器、交换机、网络接口卡(nic)和其他网络设备。网络126是用于实现与远程计算设备的通信的任何类型的网络，例如但不限于局域网(lan)、子网、广域网(wan)、无线(wi
‑
fi)网络或任何其他类型的网络。在该示例中，网络126是wan，例如因特网。然而，在其他示例中，网络126是本地或专用lan。
42.在一些示例中，服务器106代表执行计算机可执行指令(例如，作为应用程序、操作系统功能或两者)以实现与服务器106相关联的操作和功能的任何设备。服务器106可以被实现为移动计算设备或便携式性较低的计算设备。移动计算设备包括例如但不限于移动电话、膝上型计算机、平板电脑、计算板、上网本、游戏设备和/或便携式媒体播放器。便携式性较低的计算设备还可以包括服务器，例如但不限于台式个人计算机、信息亭或台式设备。在其他示例中，服务器106可以被实现为云服务器，诸如下面在图3中示出的云服务器。
43.因此，在一些示例中，系统100使几个ml模型竞争并且使用来自输入数据的反馈来实时训练多个模型。多个模型正在实时地连续学习。通过被选择用于生成提供给用户以供使用的预测，来奖励性能最佳的模型。该系统解决了未来准确预测在特定机场的每条跑道的到达和离开数量的问题。通过此功能，航空当局和航空公司可以更准确地执行调度和资源管理，从而改善了四个空中交通管理关键绩效领域；安全、容量、效率和环境影响。机场容量的准确预测对于更好地决策管理空域和机场，实现更高水平的自动化并从而减少空中交
通管制员和地面资源的工作量至关重要。
44.图2是示出与机场200相关联的一组跑道120的到达和离开预测的示例性框图。机场200是包括一组跑道120的机场，例如但不限于图1中的一组机场116中的机场。
45.在一些示例中，给定机场的一组跑道包括一条或多条跑道，例如但不限于跑道202、跑道204和跑道206。在该非限制性示例中，一组跑道120包括三条跑道。但是，示例不限于三条跑道的组。在其他示例中，一组跑道120可包括单条跑道、两条跑道以及四条或更多条跑道。
46.在一些示例中，容量预测系统针对一个或多个飞机，例如但不限于，图1中的一组飞机114，生成每条跑道的预测到达208和预测离开210。容量预测系统将由多个竞争ml模型中的每个ml模型生成的预测到达208与选定跑道202的实际到达212进行比较，以识别最佳ml模型。在其他示例中，容量预测系统将由多个竞争ml模型中的每个候选ml模型生成的预测离开210与跑道202的实际离开214相比较。产生最接近飞机在跑道202的实际到达和实际离开的预测的模型是最准确的ml模型。
47.在其他示例中，容量预测系统生成每条跑道的预测。在该示例中，针对第一跑道204生成了第一组预测到达和离开216，针对第二跑道202生成了第二组(不同的)预测到达和离开，并且由每个模型针对第三跑道206生成第三组预测到达和离开。
48.在其他示例中，所选的ml模型会基于实时航班数据和天气数据针对每条跑道生成一组预测的未来到达和离开。预测的未来到达和离开可以包括到达218的计数220和/或飞机离开222的计数224。由选定的ml模型生成的预测到达和离开将输出到用户界面显示器。
49.现在转向图3，其是示出了包括用于预测机场利用率的机场容量预测组件的系统300的示例性框图。在图3的示例中，计算设备302表示执行计算机可执行指令304(例如，作为应用程序、操作系统功能或两者)以实现与计算设备302相关联的操作和功能的任何设备，例如，但不限于图1中的服务器106。
50.在一些示例中，计算设备302包括移动计算设备或任何其他便携式设备。移动计算设备包括例如但不限于移动电话、膝上型计算机、平板电脑、计算板、上网本、游戏设备和/或便携式媒体播放器。计算设备302还可包括诸如服务器、台式个人计算机、自助服务终端或台式设备的便携式性较低的设备。另外，计算设备302可以表示一组处理单元或其他计算设备。
51.在一些示例中，计算设备302具有至少一个处理器306和存储器308。在其他示例中，计算设备302包括用于将机场容量预测输出给用户的用户界面组件310。
52.处理器306包括任何数量的处理单元，并且被编程为执行计算机可执行指令304。计算机可执行指令304由处理器306执行，由计算设备302内的多个处理器执行，或由计算设备302外部的处理器执行。在一些示例中，处理器306被编程为执行诸如图中(例如，图12、图13、图14和图15)所示的那些指令。
53.计算设备302还具有一个或多个计算机可读介质，例如存储器308。存储器308包括与计算设备302相关联或可由计算设备302访问的任何数量的介质。在这些示例中，存储器308在计算设备302的内部(如图3所示)。在其他示例中，存储器308在计算设备的外部(未示出)或两者(未示出)。存储器308可以包括只读存储器。
54.存储器308存储数据，例如一个或多个应用程序。当由处理器306执行时，这些应用
程序操作以在计算设备302上执行功能。这些应用程序可以与对应(counterpart)应用程序或服务(例如可通过网络126访问的万维网(web)服务)进行通信。在一个示例中，这些应用程序代表与在云中执行的服务器端服务相对应的下载的客户端应用程序。
55.在其他示例中，用户界面组件310包括用于向用户显示数据并从用户接收数据的图形卡。用户界面组件310还可以包括用于操作图形卡的计算机可执行指令(例如，驱动器)。此外，用户界面组件310可以包括显示器(例如，触摸屏显示器或自然用户界面)和/或用于操作显示器的计算机可执行指令(例如，驱动器)。用户界面组件310还可以包括以下一项或多项内容以向用户提供数据(例如一组预测311)，或从用户接收数据：扬声器，声卡，相机，麦克风，振动马达，一个或多个加速度计，品牌通信模块，全球定位系统(gps)硬件和感光光传感器。在非限制性示例中，用户通过以一种或多种方式移动计算设备302来输入命令或操纵数据。
56.在该示例中，该组预测311是由从多个竞争ml模型中选择的选定的ml模型生成的每条跑道的一组飞机到达和离开预测。一组预测311包括一个或多个预测，例如但不限于，图2中的预测到达208、预测离开210和/或预测到达和离开216。在一些示例中，一组预测311经由用户界面组件310被输出到一个或多个用户。
57.在一些示例中，系统300可选地包括通信接口组件314。通信接口组件314包括网络接口卡和/或用于操作网络接口卡的计算机可执行指令(例如，驱动程序)。计算设备302与其他设备(例如但不限于用户设备312，云服务器315和/或数据馈送316)之间的通信可以使用任何协议或机制通过任何有线或无线连接进行。在一些示例中，通信接口组件314可用于短距离通信技术，诸如通过使用近场通信(nfc)标签。
58.用户设备312代表执行计算机可执行指令的任何设备。用户设备312可以被实现为移动计算设备，例如但不限于可穿戴计算设备，移动电话，膝上型计算机，平板电脑，计算板，上网本，游戏设备和/或任何其他便携式设备。用户设备312包括至少一个处理器和存储器。用户设备312还可以包括用于向用户显示数据的用户界面组件，例如但不限于一组预测311。在一些示例中，用户界面包括图形用户界面(gui)318设备。在一些示例中，最佳实现的候选ml模型预测结果填充客户端应用程序的gui 318。
59.云服务器315是向计算设备302或其他客户端(例如但不限于用户设备312)提供服务的逻辑服务器。经由网络126托管和/或交付云服务器315。在一些非限制性示例中，云服务器315与一个或多个数据中心中的一个或多个物理服务器相关联。在其他示例中，云服务器315与服务器的分布式网络相关联。
60.在一些示例中，一组微服务320被部署在云服务器315上。该组微服务320被配置为构建、训练和测试多个竞争ml模型和/或选择最佳(最准确)的ml模型以生成到达和离开预测。在其他示例中，该组微服务320利用历史飞机降落和起飞以及各种其他预测服务来构建最佳合适的(fitting)预测模型。因此，在一个示例中，所选的ml模型是由全部部署在云中的许多微服务组成的。
61.数据馈送包括一个或多个数据源，例如但不限于图1中的多个数据源112。在一些非限制性示例中，数据馈送316向一组微服务320和/或机场容量预测组件322提供实时、高速流数据。在一些示例中，由数据馈送316提供的数据包括原始数据317，其被处理以去除噪声并进一步精炼(refine)数据以供多个ml模型(包括选定的ml模型324)使用。如本文所使
用的，噪声是指对于生成机场容量预测而言不必要的无关的数据或可能导致较不准确的预测的数据。在该示例中，所选定的ml模型是当与由其他竞争ml模型产生的预测以及每条跑道的实际到达和离开计数进行比较时产生最高准确度预测326的模型。
62.系统300可以可选地包括用于存储数据的数据存储设备328，数据例如但不限于历史数据330、天气数据110和/或航班数据108。历史数据330包括与在一条或多条跑道和/或机场的历史(先前)飞机到达和历史飞机离开相关的数据。天气数据110和/或航班数据108是从源(例如但不限于数据馈送316)接收的数据。
63.例如，数据存储设备328可以包括一种或多种不同类型的数据存储设备，诸如，一个或多个旋转磁盘驱动器，一个或多个固态驱动器(ssd)和/或任何其他类型的数据存储设备。在一些非限制性示例中，数据存储设备328包括独立磁盘冗余阵列(raid)的阵列。在其他示例中，数据存储设备328包括数据库。
64.在该示例中，数据存储设备328包括在计算设备302内，附接到计算设备，插入计算设备中或以其他方式与计算设备302相关联。在其他示例中，数据存储设备328包括计算设备经由网络126访问的远程数据存储设备，例如远程数据存储设备，远程数据中心中的数据存储设备或云存储设备。
65.在一些示例中，容量预测组件322包括一组微服务320，用于构建、训练和测试多个竞争ml模型。在该示例中，在计算设备302上实现包括该组微服务320的容量预测组件322。在其他示例中，包括一组微服务320的容量预测组件322在云服务器315上实现。因此，在一些示例中，系统由一组微服务组成，它们全部部署在云中，从而使其具有分布式，可扩展性和高可用性。可以在具有互联网连接的任何设备上调用该系统，设备包括台式设备和移动设备，例如计算设备302或用户设备312。
66.容量预测组件322利用多个竞争ml模型以生成竞争的预测结果组，多个竞争ml模型被配置为分析航班数据和天气数据以及与一组跑道相关联的实际到达和离开数据。由多个竞争ml模型中的每个候选ml模型生成的竞争的预测结果组中的每组预测结果包括在所选时间段内针对一组跑道中的选定跑道的预测到达组和预测离开组。预测结果是使用历史数据生成的预测，历史数据例如在已知实际每跑道飞机到达和离开的过去时间段内与飞机和机场相关的航班数据和天气数据。
67.在其他示例中，容量预测组件322将由多个竞争ml模型中的每个候选ml模型生成的竞争的预测结果组与所选时间段内针对选定跑道的实际到达和离开数据进行比较。比较包括将基于历史数据生成的候选ml模型预测与实际到达和离开数据进行比较，以识别生成最准确预测的模型。
68.在一些示例中，当与每条跑道的实际到达和离开计数进行比较时，基于模型的预测准确性对ml模型进行排名。排名最高的ml模型是生成最准确的预测的模型。准确的预测是指这样的预测，其包括飞机到达计数、离开计数、着陆时间、离开时间，以及其他到达和离开预测数据，其中，其他到达和离开预测数据最接近匹配或对应于历史数据330中记录的实际到达和离开计数。
69.在一些示例中，容量预测组件322基于预测到达和离开与实际到达和离开数据的比较，从多个竞争ml模型中选择产生最高准确度(最准确)的预测的候选ml模型。
70.选定的ml模型324被提供有当前的飞行和跑道的实时航班数据108和天气数据
110。选定的ml模型324利用实时数据来生成基于当前条件尚未发生的一条或多条跑道的未来到达和离开的新预测。针对预配置的时间段生成预测。在一些示例中，预测涵盖未来二十四小时时间段的到达和离开。在其他示例中，生成四十八小时的时间段内的预测。
71.由选定的ml模型基于从多个数据源接收的实时航班数据和天气数据生成输出。通过诸如但不限于用户设备312上的用户界面组件310或gui318的用户界面将输出呈现给用户。
72.在一些示例中，系统使用由faa提供的流式航班数据和由noaa提供的天气数据。数据量大，流速度高，不相关且有噪声。在一些示例中，noaa可实时提供实际天气，在空域中的每个网格点超过100个参数。在其他示例中，faa提供的航班数据包括飞机机尾号、飞机三维位置坐标(高度，纬度，经度)、空速以及与航班有关的其他实时数据。
73.该系统连续处理传入的原始数据，并将其用于下一步，在此步骤中，将创建临时数据存储器并进行自适应保持以进行有效的查询处理。在预测步骤中，系统从历史到达和离开计数、天气参数和其他主要(salient)特征中学习，以构建各种机器学习模型。该系统还通过查询和重用其结果组来利用现有的预测服务组。验证后，将使用结果最准确的模型进行预测。
74.图4是示出容量预测组件322的示例性框图。容量预测组件322使用人工智能(ai)/ml以每条跑道为基础量化机场的利用率。
75.数据管理器组件402处理传入的原始数据317以生成经处理的数据404。原始数据317的处理包括滤除无关的数据(噪声)、关联数据和/或索引该数据以存储在数据存储器中。原始数据317被处理以将数据置于准备好由多个竞争ml模型102的每个候选ml模型(例如候选ml模型406)进行分析的格式。候选ml模型是多个竞争ml模型102中的预测ml模型，其正在被构建、训练和/或测试以识别最准确的ml模型。
76.在一些示例中，多个竞争ml模型102生成竞争的多组预测结果410。由诸如候选ml模型的ml模型生成的预测结果组410生成飞机在选择的机场422处的选定跑道420处的一组预测到达412和/或飞机在给定跑道处的一组预测离开414。
77.一组预测到达412可以包括没有预测的到达、飞机的单个预测到达和/或两个或多个预测到达。同样，一组预测离开414可以包括没有预测的离开的零值，以及飞机的一个或多个预测离开。到达是指飞机在选自一组一个或多个预配置时间段的选定时间段内降落在选定跑道上。飞机离开是指飞机预计在选定时间段内从给定跑道起飞。在一些非限制性示例中，选定时间段是十五分钟的时间段。
78.在该示例中，竞争的多组预测结果408是由两个或多个候选ml模型基于经处理的数据404生成的。模型管理器组件405将由ml模型生成的预测结果与在选定时间段416期间针对选定跑道420的实际离开数据424和实际到达数据426进行比较，以确定预测的准确性。选择生成最准确预测的候选ml模型。
79.图5是示出用于选择用于生成机场容量预测的ml模型的模型管理器组件405的示例性框图。在一些示例中，训练组件502使用训练数据510和实时反馈512来构建、训练和精炼一组候选ml模型504。一组候选ml模型504包括一组一个或多个机器学习算法506(包括模式识别508)。
80.比较组件514将来自一组预测结果410的机场容量预测516与实际结果522进行比
较。在一些示例中，实际结果522包括针对选定跑道的拥挤信息517。拥挤信息517包括选定跑道的实际到达524和实际离开526计数。在其他示例中，拥挤信息517包括其他与拥挤有关的信息，例如但不限于滑行的飞机、停放的飞机。
81.实际结果522包括来自给定机场的先前时间段的历史已知机场容量数据。机场容量预测516是由多个竞争ml模型中的给定ml模型生成的预测。机场容量预测516包括例如但不限于，每条跑道的飞机到达、每条跑道的飞机离开、每条跑道的拥挤等。
82.在一些示例中，比较组件514通过基于比较的结果为一组候选ml模型504中的每个候选ml模型生成排名528，来从一组候选ml模型中识别最佳性能的ml模型。排名528可以包括基于每个模型生成的预测的准确性的程度或百分比对每个模型的排名534。选择具有指示结果最接近实际到达和离开的排名的最高排名530模型。
83.图6是示出用于处理原始航班数据108和天气数据110的数据管理器组件402的示例性框图。在一些示例中，将从一组数据源112馈送中获得的包括实时航班数据108和天气数据110的原始数据117存储到键值数据存储器602中。数据管理器组件402处理原始数据317以生成存储在临时数据存储器604中的经处理的数据404。
84.在一些示例中，处理原始数据117包括清洗606、关联618和/或索引620数据的过程。在其他示例中，数据管理器组件402还对航班数据和天气数据执行主成分分析(pca)，以进一步精炼输入到多个竞争ml模型和/或选定ml模型的数据。在一些示例中，清洗、索引和关联的过程与系统创建经处理的数据的副本以存储在临时数据库中同时进行。
85.在其他示例中，未处理的原始数据存储在键值数据存储器中。另一个过程以并行过程获取传入的原始数据，并将数据推送到临时数据存储器中，同时清洗、索引和关联数据以创建副本(其是数据的干净索引版本)。
86.该处理可以以顺序的方式进行，其中清洗是在索引数据之前进行的。在其他示例中，高速缓存数据以进行更快的访问/处理。
87.在其他示例中，一组预测服务624向系统提供附加输入。该组预测服务624可以可选地提供预测飞行延迟数据、滑行持续时间预测、燃料使用预测和/或停机位预测。ml模型利用此附加数据生成用于识别最佳候选ml模型的测试预测，以及选定ml模型利用此附加数据生成将来的预测以呈现给用户。
88.图7是示出了系统700的示例性框图，该系统700包括用于生成到达和离开预测的多个预测ml模型。在一些非限制性示例中，经由数据流传输器702从一组数据源接收航班数据108和天气数据110作为原始数据117。输入的数据704的副本经过预处理705，以将原始数据转换为经处理的数据。在其他示例中，数据管理器组件还执行pca，以从历史航班数据中提取主要特征，以消除偏差、相关性差的数据以及经处理的数据的方差(variance，变异性)。从数据中提取的主要特征包括但不限于描述与一组跑道相关联的机场特征、环境特征、空间特征和/或时间特征的数据。
89.在一些非限制性示例中，系统包括用于处理大型数据集的hadoop分布式文件系统(hdfs)710。在该示例中，hdfs 710存储完全历史的数据，其用于训练和测试多个竞争ml模型。完全历史的数据是与过去发生的天气和飞行相关的数据，例如一个星期的历史数据，两个星期的历史数据，一个月的历史数据等。
90.图8是示出了部署在云中的微服务用于基于连续流飞行和天气数据来生成预测的
示例性框图。在一些示例中，数据库802存储聚合数据804，其包括历史天气数据和历史航班相关数据。一组微服务806利用表征性状态转移(rest)应用程序编程接口(api)来从数据库802和/或其他应用程序808中检索并请求数据和其他消息。restful api包括，例如但不限于，“getsectorcount”请求，用于获取与选定空域或机场相关的给定扇区的到达和离开计数，“getallsectors”，用于检索与多个扇区相关的数据，“etweeklysectors”，用于获取一个或多个星期的数据，“getmonthlysectors”，用于请求选定月份的历史数据，等等。将get请求发送到数据库或其他应用程序以请求数据。
91.可以由restful api调用以获取附加信息以供容量预测系统使用的其他微服务包括例如但不限于如下：getonesectorcount；getonesectorcountweekdays；getallsectorcountweekdays；getonetaxitime；getonesectorcountallweekdays；predictsectorcountweekday；predicttaxitime；predictsectorcountoneday；predictsumsectorcountoneday；getoneeta；predictsectorcountallweekday；predictallsectorcountoneday；getonerunwayconfigbucketsbuckets；getonerunwayconfigbucketsallweekdays；getonetaxitimerunways；getonetaxitimebuckets；getonerunwayconfig；以及getonetaxitimebucketsallweekdays。
92.图9是示出用于生成容量预测的微服务900的概要的示例性框图。在一些示例中，系统包括云平台902，诸如但不限于microsoft azure云平台。一组预测服务624包括一组一个或多个预测模型，用于提供扇区交通密度预测服务906，用以生成扇区交通密度预测；滑行时间预测服务908，用于生成飞机在跑道上滑行的滑行时间预测；估计到达时间(eta)预测服务910，用于生成eta预测；和/或机场配置预测服务912，用于生成机场配置预测。
93.在其他示例中，用于机场容量预测服务914的业务逻辑包括用于生成到达和离开预测的多个ml模型。机场容量预测服务914的业务逻辑包括容量预测组件和一组微服务，用于训练和选择最高准确度的ml模型。
94.在一些示例中，用于机场容量预测服务914的业务逻辑包括以气象终端航空例行气象报告(metar)格式接收的天气数据输入，用于预测飞机飞行员使用的天气数据。第一级预测微服务利用输入数据来生成预测，例如但不限于飞机滑行时间、飞机的eta、飞机的总时间(tt)和扇区计数。用于机场容量预测服务914的业务逻辑基于输入和第一级预测来生成机场容量和拥挤率预测。
95.图10是示出与扇区计数预测服务1000相关联的扇区计数的示例性框图。在该非限制性示例中，选择半径为321公里的扇区。
96.扇区计数包括两个或多个空域扇区。航班数据包括与位置、速度、纬度、经度、高度相关的数据，以及与给定扇区和选定时间段内的飞机相关的其他信息。
97.图11是示出了屏幕截图1100的示例性框图，该屏幕截图输出由选定的ml模型生成的每条跑道的预测到达和离开。在一些非限制性示例中，显示包括使用户能够选择针对选定的时间段内选定的跑道的到达和离开预测的字段。屏幕截图1100是通过移动平台上的客户端应用程序呈现给用户的输出的说明，其中在输入输入参数(机场和时间)后，系统会显示该特定机场每个跑道的飞机到达和离开计数的未来值。移动平台可以包括用户设备，诸如但不限于图3中的用户设备312。
98.在该示例中，用户输入国际民航组织(icao)1102号以识别选择的机场、到达时间
1104、选定的跑道1106标识符(id)。在一些示例中，给定由其icao代码识别的机场和未来15分钟的时段，容量预测服务将计算预测离开和到达计数，并将结果提供给客户。
99.可选地，还提供天气预报条件1112。当用户选择提交1108控制时，系统显示一组每条跑道的预测飞机到达、拥挤、飞机离开和/或其他机场利用率预测。
100.在一些示例中，针对第一跑道的第一组预测1114指示没有预测到达和没有预测离开。针对第二跑道的第二组预测1116指示在选定的时间段内没有预测到达以及四次预测离开。第三跑道的第三组预测1118包括在选定的时间段内预测的两次飞机到达和预测的两次飞机离开。然而，示例不限于图11所示的信息或所示的信息的布置。
101.图12是示出用于选择最佳ml模型以预测在选定跑道上的未来飞机到达和离开的机场容量预测组件的实现的流程图1200。在1202，多个竞争ml模型用于分析航班数据和天气数据。在1204，将由多个ml模型中的每个模型生成的预测结果与实际到达和离开数据进行比较。在1206，选择产生最准确预测的ml模型。在1208，由选定的ml模型生成的预测被输出到用户设备，以呈现给用户。在1210，确定是否继续。如果是，则迭代地执行操作1202至1210以连续地训练和精炼ml模型以提高由ml模型生成的预测的准确性。如果在1210确定不继续，则该过程此后终止。
102.图13是示出用于从多个竞争预测模型中识别ml模型的机场容量预测组件的实现的流程图1300。在1302，接收流式原始数据。在1304，对原始数据进行预处理，以消除噪声。在1306，建立临时数据存储器。临时数据存储器可以用数据存储设备加以实现，例如但不限于图3中的数据存储设备328。在1308，容量预测系统运行pca，以从数据中提取主要特征。在一些示例中，使用pca提取主要特征。在1310，该组ml模型运行以基于历史数据生成测试预测。在1312，从多个竞争ml模型中选择性能最佳的模型。此后该过程终止。
103.图14是示出用于处理原始飞行和天气数据以用于查询处理的机场容量预测组件的实现的流程图1400。在1402，清洗(clean)、关联和索引原始数据。在1404，从数据中提取主要特征。在1406，自适应地构建并运行多个竞争ml模型。在1408，识别性能最佳的模型。此后该过程终止。
104.图15是示出用于从最高排名的ml模型输出预测的机场容量预测组件的实现的流程图15000。在1502，确定是否从多个竞争ml模型中选择了ml模型。如果未选择，则在1504，从多个竞争模型中选择模型。在1506，将经处理的数据实时提供给选定的模型。在1508，确定是否从选定的模型接收到预测。如果是，则在1510，将选定的模型生成的预测输出到用户界面。此后该过程终止。
105.因此，在一些示例中，机场容量预测系统利用一种随机方法，将所有不确定因素都考虑在内，并根据海量历史数据构建许多竞争ml模型(线性、非线性、集成和神经网络)以选择性能最佳的模型进行预测。该系统产生更有效且更准确的结果。
106.在其他示例中，该系统持续消耗(consume)和学习从faa的交通tfm数据源提供的每天平均600万条飞行信息。该系统还消耗和利用noaa提供的大量天气数据。数据被清洗(clean)、关联、索引并存储在键值数据存储器中，以用于有效的查询处理。
107.在其他示例中，该系统被设计为一组微服务，所有微服务都部署在云中，从而使系统具有分布式、可扩展性和高可用性。来自其他来源、机构、组织、传感器设备和/或国家的飞行和天气大数据也可以插入容量预测系统中，以跨全球预测机场容量，从而提高系统的
灵活性和适应性。
108.在其他示例中，该系统使用了多样化的特征组，该特征组通过pca以消除历史原始数据集中的偏差和方差。在pca上，只有主要特征会被选中并在竞争ml模型中使用。这些特征包括机场特征(机场，跑道，跑道配置，离开次数，到达次数等)、环境特征(风速，风向，湿度，压力，温度，能见度等)、空间特征(机场位置，跑道的位置，跑道长度等)、时间特征(一天中的时间，一周中的一天，一个月中的一周，一年中的一个月，滑行时间，到达时间，离开时间，到达延迟，离开延迟等)和这些特征的组合。该系统还可选地调用一组预测服务，并将其结果组用作竞争ml模型中的主要特征，以预测机场容量。这种多样化的主要特征组以及潜在的预测服务组使得机场容量预测服务高效、准确。
109.在其他示例中，该系统利用各种竞争ml模型，其中针对机场容量预测问题专门调整了相关的超参数。超参数是可进行微调以生成具有最大准确性或可靠性的机场容量预测的特定于ml模型的因素。超参数是预设值，用于使用过滤后的天气和航班数据生成机场容量预测。定期或周期性地执行微调。超参数根据多个竞争ml模型中正在运行的ml模型而改变或变化。在使用历史数据进行测试轮转期间，将每个竞争ml模型使用历史记录生成的预测与给定历史日期或时间段内的实际历史机场容量进行比较。选择生成与实际机场容量最接近匹配的最佳预测的ml模型。因此，在一些示例中，最准确的结果生成超参数被选择以供多个竞争ml模型中的性能最佳的ml模型使用来生成未来机场容量。向所选的ml模型实时地馈入当前飞行和天气数据，以获得机场容量的未来预测。
110.在一些示例中，对天气数据和航班数据进行过滤以获得在相关时间段期间与航班相关的数据，与选择的机场相关联的指定位置或区域内的航班的航班相关数据等。可输入竞争ml模型的其它相关数据包括但不限于：在指定时间段和/或给定区域内的预测航班到达时间、在指定时间段内和/或在给定区域内的预测航班起飞时间、飞行速度、预测机场停机位容量、预测的燃油使用量、实际的燃油使用量、飞机的飞行轨迹、感兴趣的时间段、燃油行程计算、预测的机场停机位可用性、到达时间、起飞时间、滑行时间、飞行持续时间、以及任何其他实际或预测的天气和/或航班相关数据。
111.在一些示例中，基于在ml模型的训练和/或测试期间将预测与实际历史数据进行比较，对超参数进行微调。通过针对最准确或与计算机场容量预测相关的参数来过滤天气数据和/或航班数据来获得超参数。
112.竞争ml模型可以包括但不限于，例如线性，非线性，集成和神经网络机器学习模型。在一些示例中，竞争ml模型包括但不限于线性，套索，弹性净回归，分类和回归树，支持向量回归，k最近邻，自适应提升，梯度提升，随机森林回归，额外树回归和循环神经网络。竞争时，将选择性能最佳的模型并用于进行预测。利用这些种类繁多的竞争ml模型以及它们之间的竞争使系统能够达到高精度值。
113.在一个示例场景中，系统将已知历史数据视为未知。该系统利用过去一周(7天)的历史航班相关数据(航班数据)和天气数据，并生成15分钟时段内的到达和离开的预测。最后几天的存储数据用作测试数据，而前几天的存储数据则用于训练提供给多个竞争ml模型的数据。没有将已知的到达和离开结果数据作为测试提供给ml模型。换句话说，ml模型会根据过去几天的历史天气和航班数据生成预测，其中该几天的到达和离开的实际数量是已知的。将生成的预测与已知的到达和离开进行比较，以确定给定候选ml模型的预测与实际到
达和离开相比的准确度。
114.在其他示例中，系统利用反馈来验证先前的预测并进一步重新训练/精炼系统。该系统利用档案中的历史数据，详细记录了特定的前一天在跑道和机场降落和离开的飞机数量。系统创建部分/围栏(fold)以将历史数据划分为小块或大块。如果将数据分为十个部分，则将其中的九个用作训练数据以准备ml模型。换句话说，这九部分历史数据用于构建、训练和精炼ml模型。最后一部分用作测试数据以测试ml模型。该系统通过将给定时间段内给定机场跑道的已知到达和离开视为未知来测试ml模型算法的准确性，以评估每个候选ml模型预测的准确性。
115.在一些示例中，容量预测系统可以为将来在特定机场的每条跑道的到达和离开计数提供准确的预测，这对于航空当局和航空公司而言是有价值的能力。借助此能力，用户可以更准确地执行调度和资源管理，从而节省了时间和金钱。此能力还可以在四个空中交通管理关键绩效领域中提供改进：安全、容量，效率和环境影响。
116.在其他示例中，该系统使用数据驱动的随机方法，而不是基于模型的确定性方法，从而使系统在计算预测值时可以将不确定性考虑在内。此外，该系统不断消耗大量的航班和天气数据，并将原始历史数据存储在数据库中。在执行无监督的学习方法(例如pca)后，我们的系统会从大量的原始历史数据中选择多样化的主要特征集，以供各种竞争ml模型加以利用。与其他系统相比，该系统还使用各种竞争ml模型来提供更高的性能和准确性。此外，持续的航班和天气数据消耗和存储，更多样化的主要特征集以及更广泛的ml模型使该系统更高效、更准确。
117.在一些示例中，使用pca来减少在航班数据和天气数据中发现的特征数量，以最大程度地减少不良数据相关性并提高预测的准确性。pca定期用于存储在临时数据存储器中的历史数据和已处理数据，以识别主要特征。这使我们能够很好地理解是什么捕获了历史数据中的基本模式，从而使系统能够做出更准确的预测。
118.以下段落描述了本公开的其他方面：
119.1a.一种用于预测机场利用率的系统，该系统包括：
120.计算设备，包括存储指令的计算机可读介质，该指令在被处理器执行时用于：
121.通过多个竞争机器学习(ml)模型分析与一组飞机中的至少一个和选择的机场相关的航班数据和天气数据，产生竞争的多组预测结果，其中，来自竞争的多组预测结果的一组预测结果包括在选定的时间段期间至少一条跑道的一组预测到达和一组预测离开，由多个竞争ml模型中的每个候选ml模型生成每组预测结果；
122.将竞争的多组预测结果与选定的时间段中针对选择的机场的实际到达和离开数据进行比较；
123.从多个竞争ml模型中选择产生最高准确度预测的ml模型。
124.2a.根据项1a的系统，其中，这些指令还可用于：
125.使用pca从历史航班相关数据中提取一组主要历史数据以消除偏差和方差，其中，该组主要历史数据包括与机场特征、环境特征、空间特征和跑道相关的时间特征中的至少一者相关联的数据；以及
126.将该组主要历史数据存储在临时数据存储设备中，以供多个竞争ml模型使用。
127.3a.根据项1a
‑
2a中任一项的系统，其中，指令还可操作用于：
128.通过多个竞争预测模型处理原始数据，其中，原始数据的处理还包括：
129.清洗原始数据以删除无关的数据；
130.关联原始数据；
131.索引原始数据；以及
132.将经处理的数据存储在键值数据存储器中以用于查询处理。
133.4a.根据项1a
‑
3a中任何一项的系统，其中，这些指令还可用于：
134.用航班数据、天气数据和与飞机到达和离开相关的实时反馈来训练多个竞争ml模型，其中，训练期间针对机场容量预测特定地调整与至少一个候选ml模型相关的一个或多个超参数。
135.5a.根据项1a
‑
4a中任一项的系统，其中，该指令还可用于：
136.在云服务器上部署一组微服务，其中该组微服务使用实时反馈和训练数据构建、训练和测试多个竞争ml模型，以生成竞争的多组预测结果。
137.6a.根据项1a
‑
5a中任一项的系统，还包括：
138.提供航班数据和天气数据的多个数据源，其中，指令还用于：
139.通过选定的ml模型分析与选定的跑道相关的数据；以及
140.针对跑道提供每条跑道利用率数据，其中，每条跑道利用率数据包括选定的跑道的拥挤信息，包括在选定的未来时间段内在选择的机场的选定的跑道的预测飞机到达和离开计数。
141.7a.根据项1a
‑
6a中任一项的系统，其中，该指令还可用于：
142.将从多个数据源接收的实时航班数据和实时天气数据提供给选定的ml模型；
143.基于从多个数据源接收的实时航班数据和天气数据，获得由选定的ml模型生成的跑道的预测的机场容量；以及
144.将由选定的ml模型生成的预测的机场容量输出到至少一个用户界面设备，其中，预测的机场容量包括在一组预先配置的时间段期间关于跑道的预测的未来飞机到达计数和预测的未来飞机离开计数，其中，预测的未来飞机到达计数。
145.8a.根据项7a的系统，其中，该指令还可用于：
146.基于实时航班数据和实时天气数据，调整多个竞争ml模型中的至少一个候选ml模型。
147.9a.一种预测机场利用率的方法，该方法包括：
148.利用被配置为分析航班数据和天气数据以及与跑道关联的实际到达和离开数据的多个竞争机器学习(ml)模型，来生成竞争的预测结果组，来自竞争的预测结果组的一组预测结果包括由多个竞争ml模型中的候选ml模型生成的在选定时间段内的跑道的一组预测到达和一组预测离开；
149.将由多个竞争ml模型生成的竞争的预测结果组与在选定的时间段内跑道的实际到达和离开数据进行比较；
150.从多个竞争ml模型中选择产生最高准确度预测的候选ml模型；以及
151.基于从多个数据源接收的实时航班数据和天气数据，输出由选定的ml模型生成的跑道的预测的未来到达和未来离开的数据。
152.10a.根据项9a的方法，还包括：
153.使用pca从历史航班相关数据中提取一组主要历史数据以消除偏差和方差，其中，该组主要历史数据包括与和跑道相关的机场特征、环境特征、空间特征以及时间特征中的至少一者相关联的数据；以及
154.将该组主要历史数据存储在临时数据存储器中，以供多个竞争ml模型使用。
155.11a.根据项9a
‑
10a中任一项的方法，还包括：
156.在用户界面设备显示在一组预配置时间段内跑道的预测的未来飞机到达计数和预测的未来飞机离开计数，其中，预测的未来飞机到达计数和预测的未来飞机离开计数由选定的ml模型生成。
157.12a.根据项9a
‑
11a中任一项的方法，还包括：
158.通过多个竞争ml模型处理原始数据，其中，原始数据的处理还包括：
159.清洗原始数据以删除无关的数据；
160.关联原始数据；
161.索引原始数据；以及
162.将经处理的数据存储在键值数据存储器中以用于查询处理。
163.13a.根据项9a
‑
12a中任一项的方法，还包括：
164.在云服务器上部署一组微服务，其中该组微服务使用实时反馈和训练数据构建、训练和测试多个竞争ml模型，以生成竞争的预测结果组。
165.14a.根据项9a
‑
13a中任一项的方法，其中，多个ml模型包括线性ml模型、非线性ml模型、集成ml模型、套索ml模型、弹性净回归、分类和回归树、支持向量回归、k近邻、、适应提升、梯度提升、随机森林回归、额外树回归和递归神经网络中的至少一者。
166.15a.一种计算机程序产品，包括其中包含有计算机可读程序代码的计算机可用介质，该计算机可读程序代码适于被执行以实现用于预测机场利用跑道的方法，该方法包括：
167.训练多个竞争机器学习(ml)模型，该模型被配置为使用与实际到达和实际离开相关联的实时反馈和历史数据为跑道中的每个跑道生成预测到达和预测离开，以生成竞争的预测结果组，来自竞争的预测结果组的一组预测结果包括由多个竞争ml模型中的候选ml模型生成的在选定时间段内的跑道的一组预测到达和一组预测离开；
168.将竞争的预测结果组与选定的时间段内跑道的实际到达和离开数据进行比较，以从多个竞争ml模型中选择产生最高准确度预测的ml模型；以及
169.向至少一个用户界面设备显示由所选的ml模型基于从多个数据源接收的实时航班数据和天气数据生成的跑道的预测未来到达和未来离开数据。
170.16a.根据项15a的方法，还包括：
171.使用pca从历史航班相关数据中提取一组主要历史数据以消除偏差和方差，其中，该组主要历史数据包括同与跑道相关的机场特征、环境特征、空间特征和时间特征中的至少一者相关联的数据。
172.17a.根据项16a的方法，还包括：
173.将该组主要历史数据存储在临时数据存储器中，以供多个ml模型使用。
174.18a.根据项15a
‑
16a中任一项的方法，还包括：
175.处理多个竞争ml模型利用的原始数据，其中，原始数据的处理还包括：
176.清洗原始数据以删除无关的数据；
177.关联原始数据；以及
178.为原始数据编制索引以进行存储。
179.19a.根据项18a的方法，还包括：
180.将经处理的数据存储在键值数据存储器中以用于查询处理。
181.20a.根据项15a
‑
19a中任一项的方法，还包括：
182.在云服务器上部署一组微服务，其中该组微服务使用反馈和训练数据构建、训练和测试多个竞争ml模型，以生成竞争的预测结果组。
183.当介绍本公开的各方面或其实现的要素时，冠词“一”，“一个”，“该”和“所述”旨在表示存在一个或多个要素。术语“包括”，“包含”和“具有”旨在是包括性的，并且意味着除所列要素之外，可能还有其他要素。术语“实现”旨在表示“示例”。短语“以下中的一个或多个：a，b和c”是指“a中的至少一个和/或b中的至少一个和/或c中的至少一个。”184.已经详细描述了本公开的各方面，将显而易见的是，在不脱离如所附权利要求所限定的本公开的各方面的范围的情况下，可以进行修改和变化。由于可以在不脱离本公开的方面的范围的情况下对以上构造，产品和方法进行各种改变，因此意图是将以上描述中所包含的以及附图中示出的所有内容解释为说明性的，而并非在有限的意义上。