[发明专利]一种基于贝叶斯网的航班离港滑行时间动态预测方法

说明书

一种基于贝叶斯网的航班离港滑行时间动态预测方法。其包括构成机场航班离港运行数据集；获得完备机场航班离港运行数据集；确定主要影响因素；得到贝叶斯网航班离港可变滑行时间动态估计模型；估计航班离港可变滑行时间等步骤。本发明提供的基于贝叶斯网的航班离港滑行时间动态预测方法具有如下优点：建立了结合机器学习技术与民航专家知识相结合的航班离港可变滑行时间动态估计模型，能准确、快速分析离港航班所处机场场面态势，为民航机场航班放行与管理提供强有力的决策支持。本方法既具备了简单、高效、高精度的特点，反应出了机场交通系统中航班离港滑行的自主性和个体差异性，而且对机场场面交通运行态势的分析及评估具有较高的应用价值。

技术领域

本发明属于计算机仿真技术领域，特别是涉及一种基于贝叶斯网的航班离港滑行时间动态预测方法。

背景技术

机场是航空运输体系的重要枢纽，随着航空运输业务量激增，世界范围内的主要机场都出现了不同程度的容量饱和问题，也由此导致了机场航班延误、拥堵等现象。如何通过动态预测方法对航班离港所面临的场面态势进行推演、计算和评价，并采取有效措施提高机场整体运行效率，以减少航班延误已成为计算机仿真技术领域的难点。

贝叶斯网是一个有向无环图(Directed Acyclic Graphs，DAG)，其中各节点都带有各自的随机变量，节点间的有向边表示变量间的关系。构建贝叶斯网的方法有以下三种：一是以大数据作为支撑，通过对大量数据的机器学习得到先验知识，即通过参数学习确定贝叶斯网的网络结构与参数；二是根据行业从业人员及专家的经验等，定性地建立各节点的关联关系及关联强度，这在模型构建初期与缺失关键环节数据的情况下是非常有用的一种方法。三是将以上两种方法结合起来，即以业内专家的背景知识为依托，初步建立贝叶斯网模型并定性地确定模型结构；而后在运行大数据的支持下，验证、完善模型结构并定量的确定模型中的关键参数。但目前尚未发现基于贝叶斯网的航班离港滑行时间动态预测方法。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于贝叶斯网的航班离港滑行时间动态预测方法。

为了达到上述目的，本发明提供的贝叶斯网络构建与预测方法包括按顺序进行的下列步骤：

1)根据目标机场场面运行方式，分析机场场面运行数据库中各字段，从中提取出航班离港运行数据，并由这些数据构成机场航班离港运行数据集；

2)确定上述机场航班离港运行数据集是否完备，如不完备，采用极大似然算法获得缺失数据，由此获得完备机场航班离港运行数据集；

3)由专家根据上述完备机场航班离港运行数据集中的数据确定航班离港可变滑行时间的各影响因素，然后利用因子分析法逐一分析各影响因素，确定出停机位、离港时间、离港时间偏差、滑行航班数量与延误态势这5项影响因素为主要影响因素，并将每一影响因素作为一个节点；然后检验各影响因素间的互信息，以验证各节点的独立性；

4)使用Netica搭建贝叶斯网估计模型，然后导入完备机场航班离港运行数据集中上述5项影响因素的数据进行参数学习，从而得到不同影响因素条件下的贝叶斯网航班离港可变滑行时间估计模型，之后将近期获得的各影响因素的新增数据添加到完备数据集中并利用这些数据对航班离港可变滑行时间估计模型进行增量学习，得到贝叶斯网航班离港可变滑行时间动态估计模型；

5)将待预测航班的5项影响因素的实际运行数据输入上述贝叶斯网航班离港可变滑行时间动态估计模型中，估计出该航班离港可变滑行时间的后验概率分布，舍弃其中发生概率较小的取值项，然后利用航班离港可变滑行时间取值T_i及其概率p(i)计算出期望值E(n)，此期望值即为该航班离港可变滑行时间。

在步骤1)中，所述的机场航班离港运行数据集中详细记录了航班的执行日期、出港异常、异常原因、停机位以及计划、预计、实际起飞时刻、撤轮档时刻、离港时间、离港时间偏差、滑行航班数量与延误态势在内的数据。