一种基于天气数据挖掘的机场进离场交通流量预测方法技术

本发明专利技术公开一种基于天气数据挖掘的机场进离场交通流量预测方法，包括：对选定机场的历史数据按照预设规则提取所需天气信息，并按照预设条件进行识别；获取选定机场特定时间段内的机场流量统计数据，将机场流量与天气信息进行匹配，其中，机场流量分为起飞、降落和飞跃三类；基于BP神经网络分别对各类机场流量对应的匹配信息进行训练和学习，得到不同天气类型对选定机场的各类机场流量的影响关系，并对影响关系进行分析和验证，最终获得相应的BP神经网络模型；最后，基于训练好的BP神经网络模型以及预报的天气信息对机场的进离场流量进行分类预测。通过该方法，能有效解决复杂天气下的航班正常运行，提高终端空域空中交通安全水平和效率。

An Airport Inbound and Outbound Traffic Flow Prediction Method Based on Weather Data Mining

The present invention discloses a method for forecasting airport inflow and departure traffic flow based on weather data mining, which includes: extracting the required weather information from the historical data of selected airport according to the preset rules and identifying it according to the preset conditions; acquiring the statistical data of airport inflow in a specific period of time, matching the airport inflow with weather information, and dividing the airport inflow into two parts. Take-off, landing and leap are three categories; based on BP neural network, the matching information of different airport traffic is trained and learned, and the influence relationship of different weather types on different airport traffic is obtained, and the influence relationship is analyzed and validated, finally the corresponding BP neural network model is obtained; finally, based on the trained BP neural network model and prediction. The weather information classifies and predicts the inflow and outflow of the airport. This method can effectively solve the normal operation of flights in complex weather and improve the safety level and efficiency of air traffic in terminal airspace.

【技术实现步骤摘要】
一种基于天气数据挖掘的机场进离场交通流量预测方法
本专利技术涉及一种空中交通流量预测技术，尤其涉及不同天气类型下的机场终端区交通流量预测方法，其适用于机场终端区飞行流量优化调度和飞行计划编排，保证空中交通运行的安全高效。
技术介绍
随着民航业的发展，终端区空域容量与交通需求之间的不平衡越来越明显，航班延误问题经常发生，航班正点率偏低，航班延误问题显著影响着航空运输业的发展。为了减少延误，提升航班正常率，对天气影响下的空中交通流量管理已经势在必行。我国航空运输业的蓬勃发展，带来空中交通需求的持续上升，复杂天气导致的机场延误日益加剧。未来空中交通流量管理的趋势是研究如何将天气概率信息加入流量管理决策中，从而实现概率交通流量管理。评估空中交通流量管理系统性能的一个主要指标是延误，而恶劣天气正是导致延误的重要因素。大气运动的本质特征决定了各种天气现象具有一定的随机性，而天气是影响机场交通量的最主要因素，因此机场交通量极易受到天气影响而呈现随机性。随机交通量是指交通量随时间变化表现为一定的分布形式，并具有相应的概率。现有机场交通量预测大多是围绕机场的高峰小时来确定机场终端区、跑道和滑行道的最大交通流量，但缺乏对于不同类型天气影响下的交通量的预测；或者考虑了天气影响因素，但计算量过大，其适用性值得深入考究。天气变化对交通量的影响具有一定的随机规律性，已有越来越多的空中交通管理者、决策者和研究者认识到常规机场交通量预测方法不能全面、有效地反映和揭示天气变化对容量的影响，而统计学认为概率是研究随机现象规律性的科学。因此，针对天气发生的特征和规律，有必要分析天气与交通量之间的内在联系，从概率论和统计学角度对天气影响的交通流量预测进行崭新的认识和理论探讨。
技术实现思路
本专利技术的目的是提供一种基于天气数据挖掘的机场进离场交通流量预测方法，通过获取天气数据和进离场交通流分布信息，构建天气影响下的进离场航班流量预测模型，有效解决复杂天气下的航班正常运行，提高终端空域空中交通安全水平和效率。本专利技术公开一种基于天气数据挖掘的机场进离场交通流量预测方法，其包括如下步骤：步骤S1、对选定机场的历史数据按照预设规则提取所需天气信息，并将提取到的特定时间段的天气信息按照预设条件进行识别，得到天气信息识别表；步骤S2、获取选定机场特定时间段内的机场流量统计数据，将所述机场流量与所述天气信息识别表中的天气信息进行匹配，获得天气信息与机场流量的同时段匹配信息，并将所述机场流量分为起飞、降落和飞跃三类；步骤S3、基于BP神经网络分别对各类机场流量对应的匹配信息进行训练和学习，得到不同天气类型对选定机场的各类机场流量的影响关系，并对影响关系进行分析和验证，最终获得相应的BP神经网络模型；步骤S4、基于步骤3中训练好的BP神经网络模型以及预报的天气信息对机场的进离场流量进行分类预测。优选的，所述天气信息包括风向、风速、能见度、云底高、降水、雾、霾。优选的，所述历史数据选自历史METAR报文，步骤S1具体包括：翻译原始METAR报文以提取所需的天气数据，并将提取的天气数据存入数据库；对提取到的天气数据根据预设的METAR报文信息识别条件进行识别和0-1分类，从而得到天气数据识别表。其中，所述METAR报文信息识别条件包括：能见度：>5000米，识别数值设定为0；≤5000米，识别数值设定为1；云底高：>300米，识别数值设定为0；≤300米，识别数值设定为1；降水：无降水，识别数值设定为0；有降水，识别数值设定为1；雾：无雾，识别数值设定为0；有雾，识别数值设定为1；霾：无霾，识别数值设定为0；有霾，识别数值设定为1；地面风：侧风风速＜15m/s，识别数值设定为0；侧风风速≥15m/s，识别数值设定为1；顺风风速＜15m/s，识别数值设定为0；顺风风速≥15m/s，识别数值设定为1。优选的，所述BP神经网络采用学习运算模式，通过误差反向传播算法对网络权值进行训练并使其收敛的。具体包括：定义误差准则函数J(w)为期望输出向量t与实际输出向量z的误差平方，表示如下：基于梯度下降算法，权值w首先被初始化为随机值，然后向误差减小的方向调整；由于随着模型的学习训练，w不断变化，其变化量Δw表示如下：根据隐含层到输出层的权值更新规则，输出层单元和隐含层单元之间的权值Δwkj表达式如下：根据(6)式，定义输出层单元k的敏感度δk：根据输入层到隐含层的权值更新规则，输入层单元和隐含层单元之间的权值Δwji表达式如下：根据(7)式，定义隐含层单元j的敏感度δj：上述表达式中，w为网络里所有权值，η为学习率，k为输出层单元，i为输入层单元，j为隐含层单元，c为输出层单元数目，nH为隐藏层单元的数目，nI为输入层单元的数目，xi为输入向量，yj为激活的隐含层单元，wkj为输出层单元之间的权值，vji为隐含层单元之间的权值；基于上述定义，步骤S3中，基于BP神经网络对所述匹配信息进行训练和学习包括如下步骤：S31、初始化：设置天气和机场进离场流量之间的权值，并设定训练精度m和迭代次数N；S32、将选取的历史天气数据和相应的进离场流量数据作为训练样本输入至BP神经网络；S33、确定BP神经网络隐含层单元和输出层单元的输出；S34、根据式(4)计算实际输出与期望输出之间的误差平方和；S35、计算全局误差并判断是否达到设定的训练精度，若是则转到S38，否则转到S36；S36、判断是否已经到了最大迭代次数，若是转到S38，否则转到S37；S37、根据式(7)和(8)调整网络权值，并转到S33；S38、判断是否达到最大迭代次数，若是，则提示网络无法收敛，重新修改最大迭代次数N，否则提示提示网络已经收敛，训练结束。优选的，可通过MicrosoftVisualBasic软件调用MATLAB软件实现BP神经网络训练和学习。本专利技术所公开的基于天气数据挖掘的机场进离场交通流量预测方法，一方面，能对机场的运行状态进行预测，另一方面，可根据预测结果为决策者修改方案提供参考，具体包括：(1)可实现机场流量的即时预报模式，即利用生成的天气影响的机场流量预测系统，在任意小时获取当前的机场天气信息，确定天气类型，并根据不同天气类型对流量的影响程度，即时预测这一小时内的机场流量。(2)天气影响下的进离场交通流预测技术的实现，可以为复杂天气下的终端空域的改航提供建议，供管制部门和决策者借鉴，减少和避免天气原因航班不正常率。另外，还可以为空管部门随着天气变化下的飞行计划优化提供辅助决策，为终端空域的安全和高效运行，提供量化依据。(3)可用于衡量交通管理措施的范围和程度，使用预报天气信息预测机场的进离场流量，为交通管理人员提供交通管理措施的决策支持。具有更多信息支持的交通管理措施将会更符合预计交通状况的范围和程度，进而更有效的缓解交通状况，比如更合理的实施地面等待程序，减少可能的延误程度。(4)评估可能的航班取消水平，可为旅客提供出行指数。为了降低运营成本，提高飞机的利用率，航空公司往往安排同一架次飞机执行连续或者短时间间隔的多个航班任务(连续航班)，连续航班模式是国内外航空公司常见的运营模式之一，然而，当连续航班运行时，执行过程中的任一环节的延误都会引起更多的延误，这样延误会延续到下一个航班甚本文档来自技高网...

【技术保护点】
1.一种基于天气数据挖掘的机场进离场交通流量预测方法，其特征在于，包括：步骤S1、对选定机场的历史数据按照预设规则提取所需天气信息，并将提取到的特定时间段的天气信息按照预设条件进行识别，得到天气信息识别表；步骤S2、获取选定机场特定时间段内的机场流量统计数据，将所述机场流量与所述天气信息识别表中的天气信息进行匹配，获得天气信息与机场流量的同时段匹配信息，并将所述机场流量分为起飞、降落和飞跃三类；步骤S3、基于BP神经网络分别对各类机场流量对应的匹配信息进行训练和学习，得到不同天气类型对选定机场的各类机场流量的影响关系，并对影响关系进行分析和验证，最终获得相应的BP神经网络模型；步骤S4、基于步骤3中训练好的BP神经网络模型以及预报的天气信息对机场的进离场流量进行分类预测。

【技术特征摘要】
1.一种基于天气数据挖掘的机场进离场交通流量预测方法，其特征在于，包括：步骤S1、对选定机场的历史数据按照预设规则提取所需天气信息，并将提取到的特定时间段的天气信息按照预设条件进行识别，得到天气信息识别表；步骤S2、获取选定机场特定时间段内的机场流量统计数据，将所述机场流量与所述天气信息识别表中的天气信息进行匹配，获得天气信息与机场流量的同时段匹配信息，并将所述机场流量分为起飞、降落和飞跃三类；步骤S3、基于BP神经网络分别对各类机场流量对应的匹配信息进行训练和学习，得到不同天气类型对选定机场的各类机场流量的影响关系，并对影响关系进行分析和验证，最终获得相应的BP神经网络模型；步骤S4、基于步骤3中训练好的BP神经网络模型以及预报的天气信息对机场的进离场流量进行分类预测。2.如权利要求1所述的预测方法，其特征在于，所述天气信息包括风向、风速、能见度、云底高、降水、雾、霾。3.如权利要求1所述的预测方法，其特征在于，所述历史数据选自历史METAR报文，步骤S1具体包括：翻译原始METAR报文以提取所需的天气数据，并将提取的天气数据存入数据库；对提取到的天气数据根据预设的METAR报文信息识别条件进行识别和0-1分类，从而得到天气数据识别表。4.如权利要求3所述的预测方法，其特征在于，所述METAR报文信息识别条件包括：能见度：>5000米，识别数值设定为0；≤5000米，识别数值设定为1；云底高：>300米，识别数值设定为0；≤300米，识别数值设定为1；降水：无降水，识别数值设定为0；有降水，识别数值设定为1；雾：无雾，识别数值设定为0；有雾，识别数值设定为1；霾：无霾，识别数值设定为0；有霾，识别数值设定为1；地面风：侧风风速＜15m/s，识别数值设定为0；侧风风速≥15m/s，识别数值设定为1；顺风风速＜15m/s，识别数值设定为0；顺风风速≥15m/s，识别数值设定为1。5.如权利要求1所述的预测方法，其特征在于，所述BP神经网络采用学习运...

【专利技术属性】
技术研发人员：张明，黄倩文，刘思涵，孔祥鲁，张一帆，吴翰林，仇志峰，李伯权，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32