基于不确定推理的航班计划性延误预测方法研究

发布时间：2020-07-07 01:51

【摘要】：本文针对航班正常性这一当前行业关注的热点问题,以不确定理论为基础,对航班计划性延误进行预测。计划性延误是指航班因计划飞行、计划过站等环节预留时间不足导致的延误。本文首先提出了基于贝叶斯理论的分布建模方法,为航班运行各环节的建模奠定基础。在建模过程中,引入三次样条插值以解决分布相乘的问题。随后,将航班运行分为滑出、飞行、滑入、过站四个环节,为每个环节建立不确定分布模型。在此基础上,通过串行不确定事件叠加算法,计算航班运行全过程的不确定分布,为估计因过站时间不足导致的计划性延误提供了依据。此外,本文通过对计算每个航班链的串行叠加效果来刻画航班计划性延误的波及效应。最后,本文通过将航班抽象成进程、飞机抽象成内核,以并行系统的方式刻画了航班计划表运行过程,并对航班计划表的鲁棒性进行了研究。实验表明,本文提出的方法可以有效地从单个航班角度、航班链角度、航班计划表角度对计划性延误进行预测,预测准确率较高,可为航空公司制定合理的航班计划提供决策依据。
【学位授予单位】：中国民航大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V355.1
【图文】：

样本容量,贝叶斯网络,均方误差,模型

前三列表示原始数据集的属性值所在的范围。例如，IRIS 中Sepal_length = 5.1，Sepal_width = 3.5，Petal_length = 1.4，Petal_width =epal_width 值位于第五个区域内。Petal_length 值和 Petal_width 值在第，将该示例转换为<5.1,5,1,1>的形式。第四列表示符合条件的示例的列分别列出了由 bootstrap 和基于贝叶斯网络的概率分布预测模型进学期望值。 3.1 可以看出，用这两种方法预测 Sepal_length 的期望值非常相似。两种方法之间的差异会减小。考虑这样一个特例，样本集中只有一个样哪种重采样方法，采样结果都只是单个实例的重复。在这种情况下，力。而基于贝叶斯网络的概率分布预测模型所提出的方法通过放宽控以生成更多类似的实例。因此，基于贝叶斯网络的概率分布预测模型范围更广。这两种方法对不同的样本大小的平均根误差如图 3-4 所示本的大小，Y 轴表示平均根误差。

夏秋,时间分布,机场,实达

算法进行验证。该航空公司共有 67 架飞机，航班计划每年分为冬春计划和夏秋计划，每个计划周一至周日各有不同，因此，每个航季可看作有七个不同的计划，每年有两个航季 14 个计划，4 年共有 56 个计划。该航空公司数据包含航班日期、性质、航班号、机号、机长、起飞站、计飞、实飞、实达、计达、到达站、过站、不正常种类、不正常说明、延误时间、延误、推出、滑入、关舱门、开舱门、归属部门、延误代码、停机位、COBT、机型、航路字段。根据这些字段，定义滑出时间为实飞与推出的差，滑入时间为滑入与实达的差，飞行时间为实达与实飞的差，过站时间为推出与前一个航班滑入的差。实验首先选取该公司航班运行量最大的前 15 个机场分别计算滑入、滑出、过站时间分布，如图 5-1、5-2、5-3 所示。选取航班运行量最大的前 15 个航线计算他们的飞行时间分布，如图 5-4 所示。本实验使用的是该航空公司 2014 年至 2017 年夏秋航季的数据，试验中没有对条件进行细分，认为这些条件对实验结果的影响是一致的。在后续的实验中将进一步验证各个子条件是否会对时间分布产生影响。

夏秋,机场,时间分布

图 5-2 TOP15 机场滑出时间分布（夏秋航季）图 5-3 TOP15 机场过站时间分布（夏秋航季）从图 5-1 和图 5-2 中不难发现，不同机场的滑入、滑出时间可能存在较大差异。图

【相似文献】