航班链运行状态动态监控方法

doi:10.11772/j.issn.1001-9081.2023121758

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (12): 3941-3948.DOI: 10.11772/j.issn.1001-9081.2023121758

航班链运行状态动态监控方法

丁建立, 黄辉(), 曹卫东

中国民航大学计算机科学与技术学院，天津 300300

收稿日期:2023-12-19 修回日期:2024-02-03 接受日期:2024-02-23 发布日期:2024-03-11 出版日期:2024-12-10
通讯作者: 黄辉
作者简介:丁建立（1963—），男，河南洛阳人，教授，博士，主要研究方向：航空运输大数据、人工智能、智能仿生算法
曹卫东（1964—），女，天津人，教授，博士，主要研究方向：航空运输大数据、深度学习、人工智能。
基金资助:
国家自然科学基金资助项目(U2233214)

Dynamic monitoring method of flight chain operation status

Jianli DING, Hui HUANG(), Weidong CAO

College of Computer Science and Technology，Civil Aviation University of China，Tianjin 300300，China

Received:2023-12-19 Revised:2024-02-03 Accepted:2024-02-23 Online:2024-03-11 Published:2024-12-10
Contact: Hui HUANG
About author:DING Jianli， born in 1963， Ph. D.， professor. His research interests include air transportation big data， artificial intelligence， intelligent biomimetic algorithm.
CAO Weidong， born in 1964， Ph. D.， professor. Her research interests include air transportation big data， deep learning， artificial intelligence.
Supported by:
National Natural Science Foundation of China(U2233214)

摘要/Abstract

摘要：

为了更准确地把握航班运行的整体状态，提出一种航班链运行状态动态监控方法。首先，从航班链整体的角度出发，根据航班链运行业务流程和数据特点设计航班链数据处理方法，并整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，构建包含航班链延误预测模块、基于历史数据的误差补偿模块和航班链状态监控模块在内的航班链运行状态动态监控功能模型；最后，基于增量学习设计了模型的动态更新策略，从而提高模型的鲁棒性。通过在实验室环境下进行的模拟实验可知，所提方法在运算效率和准确度上均取得了优异结果，其中准确率达到92.07%。因此，所提方法能有效监控航班链运行状态，有助于实现对航班运行态势的精准把控并提高运控效能。

关键词: 航班链运行状态, 动态监控, 航班延误, 误差补偿, 增量学习

Abstract:

In order to grasp the overall status of flight operation more accurately， a dynamic monitoring method of flight chain operation status was proposed. Firstly， from the perspective of the whole flight chain， a flight chain data processing method was designed on the basis of the flight chain operation business process and data characteristics， and the operation status characteristics of relevant flights and airports in all life cycle of the flight chain were integrated. Then， a dynamic monitoring function model of flight chain operation status including flight chain delay prediction module， error compensation module based on historical data， and flight chain status monitoring module was constructed. Finally， a dynamic update strategy of the model was designed on the basis of incremental learning in order to improve the model robustness. Through simulation experiments in laboratory environment， it can be seen that the proposed method achieves excellent results in terms of computational efficiency and accuracy， and the accuracy reaches 92.07%. Therefore， the proposed method can monitor the operation status of flight chain effectively， help to achieve precise control of the flight operation situation， and improve operational control efficiency.

Key words: flight chain operation status, dynamic monitoring, flight delay, error compensation, incremental learning

中图分类号:

TP182

丁建立, 黄辉, 曹卫东. 航班链运行状态动态监控方法[J]. 计算机应用, 2024, 44(12): 3941-3948.

Jianli DING, Hui HUANG, Weidong CAO. Dynamic monitoring method of flight chain operation status[J]. Journal of Computer Applications, 2024, 44(12): 3941-3948.

图/表 13

表 1 部分特征的缺失率和处理方式

Tab. 1 Missing rates and handling methods of some features

特征	特征含义	缺失率/%	处理方式
company	航空公司	0.06	标志位填充
pta	计划到达时间	0.67	直接删除
delayreason	延误原因	93.13	直接删除
windspeed	风速	9.36	0填充
flightlong	飞行距离	15.71	均值填充
cloud	云层状态	23.72	上一时刻值填充
longitude	经度	3.30	前后两处观测点取均值

图1 混合编码示意图

Fig.1 Schematic diagram of hybrid coding

表2 航班链数据特征

Tab.2 Data characteristics of flight chain

航班链元素	特征来源	特征维度	包含特征
航班元素	航班计划数据	32	航班号、飞机尾号、计划起飞时间、到达机场……
航班元素	气象数据	12	时间戳、机场、温度、风速……
机场元素	机场状态数据	9	机场经度、机场海拔、机场等级、繁忙程度……
机场元素	气象数据	12	云层状态、湿度、风向、能见度……
当前运行航班元素	航班运行数据	12	维度、速度、方向角、高度……

图2 航班链运行状态动态监控模型

Fig.2 Dynamic monitoring model of flight chain operation status

图3 航班链延误预测模型

Fig.3 Flight chain delay prediction model

表 3 航班链运行状态类别

Tab.3 Classes of flight chain operation status

$S C$ /min	航班链运行状态类别
$[0,15]$	良好
$(15,60]$	轻度延误
$(60,180]$	中度延误
$(180, + ∞)$	重度延误

表 3 航班链运行状态类别

Tab.3 Classes of flight chain operation status

$S C$ /min	航班链运行状态类别
$[0,15]$	良好
$(15,60]$	轻度延误
$(60,180]$	中度延误
$(180, + ∞)$	重度延误

表 4 航班链运行状态变化趋势

Tab.4 Trends of change in flight chain operation status

$S C$ （当前）	$Δ S C$	$S C$ （未来）	航班链运行状态变化趋势
$[0,15]$	$(- 15,15)$	$[0,15]$	状态正常
$[0,15]$	$(0, + ∞)$	$(15, + ∞)$	发生延误
$(15, + ∞)$	$(10, + ∞)$	$(15, + ∞)$	延误加重
$(15, + ∞)$	$[- 10,10]$	$(15, + ∞)$	延误持续
$(15, + ∞)$	$(- ∞, - 10)$	$(15, + ∞)$	延误减轻
$(15, + ∞)$	$(- ∞, 0)$	$[0,15]$	恢复正常

表 4 航班链运行状态变化趋势

Tab.4 Trends of change in flight chain operation status

$S C$ （当前）	$Δ S C$	$S C$ （未来）	航班链运行状态变化趋势
$[0,15]$	$(- 15,15)$	$[0,15]$	状态正常
$[0,15]$	$(0, + ∞)$	$(15, + ∞)$	发生延误
$(15, + ∞)$	$(10, + ∞)$	$(15, + ∞)$	延误加重
$(15, + ∞)$	$[- 10,10]$	$(15, + ∞)$	延误持续
$(15, + ∞)$	$(- ∞, - 10)$	$(15, + ∞)$	延误减轻
$(15, + ∞)$	$(- ∞, 0)$	$[0,15]$	恢复正常

图4 基于增量学习的模型更新策略

Fig.4 Model update strategy based on incremental learning

表5 模型运算效果

Tab.5 Model operation effect

批次大小	平均耗时/ms	准确率
100	76.00	0.892 0
200	58.66	0.920 7
300	92.94	0.913 4
400	81.06	0.905 0
500	102.10	0.876 0

图5 模型各模块平均耗时

Fig.5 Average time taken by each module of model

表6 对比实验结果

Tab.6 Experimental results of comparison

实验设置	准确率	精确率	召回率	F1分数
使用误差补偿模块	0.920 7	0.919 6	0.915 6	0.917 6
未使用误差补偿模块	0.853 0	0.834 8	0.840 1	0.837 4

图6 混淆矩阵

Fig. 6 Confusion matrix

图7 模拟运行结果

Fig. 7 Simulated operation results

参考文献 18

1	中国民航大学. 一种航班链延误动态预测模型构建方法和预测方法： 202311260481.5［P］. 2023-12-19.
	Civil Aviation University of China. Model construction and prediction methods of dynamic prediction for flight chain delays： 202311260481.5［P］. 2023-12-19.
2	ZHANG M， CHEN S， SUN L， et al. Characterizing flight delay profiles with a tensor factorization framework［J］. Engineering， 2021， 7（4）： 465-472.
3	王春政，胡明华，杨磊，等. 基于Agent模型的机场网络延误预测［J］. 航空学报， 2021， 42（7）：452-465.
	WANG C Z， HU M H， YANG L， et al. Airport network delay prediction based on Agent model ［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（7）：452-465.
4	KIM M， PARK S. Airport and route classification by modelling flight delay propagation ［J］. Journal of Air Transport Management， 2021， 93： No.102045.
5	CAI Q， ALAM S， DUONG V N. A spatial-temporal network perspective for the propagation dynamics of air traffic delays［J］. Engineering， 2021， 7（4）：452-464.
6	BASPINAR B， KOYUNCU E. A data-driven air transportation delay propagation model using epidemic process models［J］. International Journal of Aerospace Engineering， 2016， 2016： No.4836260.
7	唐红，王栋，宋博，等. 基于非线性赋权XGBoost算法的航班延误分类预测［J］. 系统仿真学报， 2021， 33（9）：2261-2269.
	TANG H， WANG D， SONG B， et al. Classification of flight delay based on nonlinear weighted XGBoost ［J］. Journal of System Simulation， 2021， 33（9）：2261-2269.
8	吴仁彪，赵娅倩，屈景怡，等. 基于CBAM-CondenseNet的航班延误波及预测模型［J］. 电子与信息学报， 2021， 43（1）：187-195.
	WU R B， ZHAO Y Q， QU J Y， et al. Flight delay propagation prediction model based on CBAM-CondenseNet［J］. Journal of Electronics and Information Technology， 2021， 43（1）：187-195.
9	屈景怡，叶萌，渠星. 基于区域残差和LSTM网络的机场延误预测模型［J］. 通信学报， 2019， 40（4）：149-159.
	QU J Y， YE M， QU X. Airport delay prediction model based on regional residual and LSTM network ［J］. Journal on Communications， 2019， 40（4）：149-159.
10	CAI K， LI Y， ZHU Y， et al. A geographical and operational deep graph convolutional approach for flight delay prediction［J］. Chinese Journal of Aeronautics， 2023， 36（3）：357-367.
11	姜雨，陈名扬，袁琪，等. 基于时空图卷积神经网络的离港航班延误预测［J］. 北京航空航天大学学报， 2023， 49（5）：1044-1052.
	JIANG Y， CHEN M Y， YUAN Q， et al. Departure flight delay prediction based on spatio-temporal graph convolutional networks［J］. Journal of Beijing University of Aeronautics and Astronautics， 2023， 49（5）：1044-1052.
12	SHAO W， PRABOWO A， ZHAO S， et al. Predicting flight delay with spatio-temporal trajectory convolutional network and airport situational awareness map［J］. Neurocomputing， 2022， 472：280-293.
13	屈景怡，杨柳，陈旭阳，等. 基于时空序列的Conv-LSTM航班延误预测模型［J］. 计算机应用， 2022， 42（10）：3275-3282.
	QU J Y， YANG L， CHEN X Y， et al. Flight delay prediction model based on Conv-LSTM with spatiotemporal sequence ［J］. Journal of Computer Applications， 2022， 42（10）： 3275-3282.
14	吴仁彪，李佳怡，屈景怡. 基于双通道卷积神经网络的航班延误预测模型［J］. 计算机应用， 2018， 38（7）：2100-2106， 2112.
	WU R B， LI J Y， QU J Y. Flight delay prediction model based on dual-channel convolutional neural network［J］. Journal of Computer Applications， 2018， 38（7）： 2100-2106.
15	臧海培，朱金福，高强. 机场实时容量提取和深度融合时空分布预测建模［J］. 重庆交通大学学报（自然科学版）， 2023， 42（7）：136-145.
	ZANG H P， WU J F， GAO Q. Airport real-time capacity extraction and deep ensemble spatiotemporal distribution prediction modeling ［J］. Journal of Chongqing Jiaotong University （Natural Science）， 2023， 42（7）：136-145.
16	许保光，刘倩倩，高敏刚. 基于机场繁忙程度的航班延误波及分析［J］. 中国管理科学， 2019， 27（8）：87-95.
	XU B G， LIU Q Q， GAO M G. The flight delay propagation analysis based on airport busy state ［J］. Chinese Journal of Management Science， 2019， 27（8）：87-95.
17	吴薇薇，熊奥萍，唐红武. 基于UKDE和XGBoost的航班过站时间动态预测［J］. 南京航空航天大学学报， 2023， 55（6）：1016-1024.
	WU W W， XIONG A P， TANG H W. Dynamic prediction of flight transit time based on UKDE and XGBoost ［J］. Journal of Nanjing University of Aeronautics and Astronautics， 2023， 55（6）：1016-1024.
18	姜雨，袁琪，胡志韬，等. 基于气象因素的机场进离港延误预测［J］. 系统工程与电子技术， 2023， 45（6）：1722-1731.
	JIANG Y， YUAN Q， HU Z T， et al. Airport arrival and departure delay time prediction based on meteorological factors［J］. Systems Engineering and Electronics， 2023， 45（6）：1722-1731.

[1]	李雪, 姚光乐, 王洪辉, 李军, 周皓然, 叶绍泽. 基于样本增量学习的遥感影像分类[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 732-736.
[2]	杨飞宇, 宋展, 肖振中, 莫曜阳, 陈宇, 潘哲, 张敏, 张遥, 钱贝贝, 汤朝伟, 金武. 对人体姿态估计热图误差的再思考[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2548-2555.
[3]	刘晶, 董志红, 张喆语, 孙志刚, 季海鹏. 基于联邦增量学习的工业物联网数据共享方法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1235-1243.
[4]	王乐, 韩萌, 李小娟, 张妮, 程浩东. 基于动态加权函数的集成分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1137-1147.
[5]	刘超, 王磊, 杨文, 钟强强, 黎敏. 属性集变化条件下集值决策信息系统的增量属性约简方法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 463-468.
[6]	屈景怡, 杨柳, 陈旭阳, 王茜. 基于时空序列的Conv-LSTM航班延误预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3275-3282.
[7]	徐海文, 史家财, 汪腾. 基于深度全连接神经网络的离港航班延误预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3283-3291.
[8]	罗长银, 陈学斌, 马春地, 王君宇. 面向区块链的在线联邦增量学习算法[J]. 计算机应用, 2021, 41(2): 363-371.
[9]	邓文瀚, 张铭, 王李进, 钟一文. 混合群体增量学习算法求解闭环布局问题[J]. 计算机应用, 2021, 41(1): 95-102.
[10]	屈景怡, 曹磊, 陈敏, 董樑, 曹烨琇. 基于团簇随机连接的CliqueNet航班延误预测模型[J]. 计算机应用, 2020, 40(8): 2420-2427.
[11]	刘丹, 姚立霜, 王云锋, 裴作飞. 面向类不平衡流量数据的分类模型[J]. 计算机应用, 2020, 40(8): 2327-2333.
[12]	骆克云, 叶保留, 唐斌, 梅峰, 卢文达. 基于增量学习的RocksDB键值系统主动缓存机制[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 321-327.
[13]	李翠, 陈庆奎. 基于DPDK并行通信的动态监控模型[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 335-341.
[14]	高金刚, 刘智勇, 张爽, 侯岱双, 刘孝峰. 双目立体视觉在动车车身关键尺寸检测中的应用[J]. 计算机应用, 2018, 38(9): 2673-2677.
[15]	吴仁彪, 李佳怡, 屈景怡. 基于双通道卷积神经网络的航班延误预测模型[J]. 计算机应用, 2018, 38(7): 2100-2106.

航班链运行状态动态监控方法

Dynamic monitoring method of flight chain operation status

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 18

相关文章 15

编辑推荐

Metrics