一种基于DDDAS的航班运行风险分析与预测方法技术

本发明专利技术公开了一种基于DDDAS的航班运行风险分析与预测方法，方法步骤：1、数据采集与处理；2、建立状态空间模型；3、数据同化；最后完成所有航班运行风险预测值的计算。采用DDDAS对航班运行风险进行分析预测，与传统仿真系统相比，DDDAS系统的应用程序建模能力、效率和精度获得了提高，计算建模与动态数据输入相补充和扩展，可以在运行时动态地集成到计算中。同时，在执行应用程序过程中对测量过程进行控制和指导，可以有效提高测量的精度和效率。本发明专利技术提出的基于DDDAS的航班运行风险分析与预测方法对于航空公司提前规避风险，更加高效安全的运行，产生更高的经济效益具有一定的实际参考意义。意义。意义。

【技术实现步骤摘要】
一种基于DDDAS的航班运行风险分析与预测方法


[0001]本专利技术涉及航班运行风险分析与预测，特别涉及一种基于DDDAS的航班运行风险分析与预测方法。

技术介绍

[0002]航班运行是一个连续动态的过程,航班运行风险随天气、设备等影响因素的变化而不断改变，面对此类复杂系统,构建科学的分析与预测方法是提高航班运行安全水平的必要措施。目前，国内外关于航班运行风险的预测研究主要采用的是传统仿真系统，然而传统仿真系统中的数据输入和模型的参数不是随着时间变化的，与实时的真实系统估计有较大差距。针对简单的系统，传统仿真系统能满足一定的需求，但对于航班运行这类复杂系统，则不能做到精确的评估预测，而且其误差将不断积累。
[0003]DDDAS(动态数据驱动应用程序系统)的核心是模拟系统能在运行时能够动态的接收各空间和时间的数据,将仿真数据和实际测量数据相结合，再调整改进模型，达到提高模型分析预测能力的目的，使仿真模拟系统动态预测的结果越来越贴近真实系统。DDDAS可以有效地解决传统仿真系统模型不能动态的追踪真实系统的实际变化规律、仅向仿真模型输入历史数据不能有效的反应随时间变化的系统的运行状态等缺点。目前DDDAS在国内外民航领域应用较少，主要用于航空公司延误时间预测，在航班运行风险预测研究中暂无应用。
[0004]数据同化：对于航班运行系统，模型估计和设备观测是获取航班运行风险数据的两种主要方法。模型估计的优势在于其能描述被估计对象的变化规律；而观测的优点则在于其能得到被预测内容在某时刻的“真实值”。但是，由于模型估计和观测都具有很大的不准确性，在航班运行系统中，现有的模型还并不完善，不能在任何时刻准确描述航班运行状态，对于航班风险值的预测不够精确，计算过程和建模系统还需调整改进；就设备的观测而言，只依靠设备的观测数据也无法完整连续地表示航班运行风险的真实状态，原因如下：设备观测得到的都是实时值，而航班运行过程是连续不断的；设备观测值和航班运行过程中与风险相关变量的关系是暗含的，无法直接通过观测得知；设备自身具有一定的局限性，导致部分与航班运行风险相关的信息无法被观测到；设备观测值存在一定误差。数据同化是在过程模型的动态框架内,通过数据同化算法不断融合时空上离散分布的不同来源和不同分辨率的直接或间接观测信息来自动调整模型轨迹,以改善动态模型状态的估计精度，提高模型预测能力。

技术实现思路

[0005]为解决现有技术的不足，本专利技术提供一种基于DDDAS的航班运行风险分析与预测方法。对于航空公司来说，目前还没有建立能够对航班运行风险值进行预测的系统，经研究发现DDDAS系统适用于航班运行风险预测。
[0006]本专利技术采取的技术方案是：一种基于DDDAS的航班运行风险分析与预测方法，其特征在于，包括以下步骤：
[0007]第一步：数据采集与处理
[0008](1)、从航班各个监测设备中，按时间顺序连续采集若干天的航班运行风险观测数据，每日的航班运行风险观测数据包括机组情况、飞机故障情况、机场情况、天气情况、空域情况、航班进离港计划。
[0009](2)、将采集的若干天航班运行风险观测数据根据评分标准简化为航班运行风险观测值α
t
，t为自然数，表示离散日期。
[0010]第二步：建立状态空间模型
[0011](1)、将若干天的航班运行风险观测值α
t
输入软件中的状态模型程序中，建立状态空间模型的观测方程和状态方程。
[0012]①
、观测方程用来描述状态变量与观测变量两者之间的相互关系，即模型系统内部状态变化引起的外部输入变化情况，由软件生成的观测方程公式为：
[0013]y＝SV1+[var＝R]‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑
(1)
[0014]式(1)中，y表示观测变量；SV1表示状态变量；var＝R表示观测方程的误差项。
[0015]②
、状态方程用来描述系统的状态与状态之间的转换关系，即模型系统内部的状态变化情况，由软件生成的状态方程公式为：
[0016]SV1＝SV1(
‑
1)+[var＝Q]‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑
(2)
[0017]式(2)中，SV1(
‑
1)表示上一日的状态变量；var＝Q表示状态方程的误差项。
[0018](2)、将预测前一天，即第t
‑
1天的航班运行风险观测值α
t
‑1代入状态空间模型的状态方程式(2)中，计算出预测当日航班运行风险的先验估计值，记作β
t
，计算公式为：
[0019][0020]式(3)中，randn为服从均值为0，标准差为1的正态分布的随机数。
[0021]第三步：数据同化
[0022](1)、采用粒子滤波算法对航班运行风险观测值α
t
和先验估计值β
t
进行融合；在系统运行的过程中，将输入到系统中的航班运行风险观测值α
t
不断用于对模型系统状态的先验估计值β
t
进行更新估计，最后得到航班运行风险预测值γ
t
，并把航班运行风险预测值γ
t
作为预测下一天的预测过程的先验估计值β
t+1
，具体步骤如下：
[0023]①
、初始化粒子
[0024]首先随机生成N个权值相同的粒子，使N个权值相同的粒子均服从均值为先验估计值β
t
、方差为R的正态分布，同时设每个粒子的初始值为x
i
(i＝1,2
…
N)。
[0025]②
、重要性采样
[0026]根据状态空间模型的状态方程式(2)，计算每一个粒子的预测值y
i
(i＝1,2
…
N)，计算公式为：
[0027][0028]式(4)中，randn为服从均值为0，标准差为1的正态分布的随机数。
[0029]③
、粒子权值更新
[0030]已知当前时刻的航班运行风险观测值为α
t
,重新计算每个粒子的权重，与航班运行风险观测值α
t
相似度高的粒子被赋予较大的权重,而与航班运行风险观测值α
t
相似度低的粒子被赋予较小的权重,粒子相似度计算公式为：
[0031][0032]设粒子更新后的权重为w
i
，权重归一化公式为：
[0033][0034]根据公式(6)重新计算每个粒子的权重w
i
。
[0035]④
、粒子重采样
[0036]对粒子进行复制,权值越大则复制的次数越多,权值越小则复制的次数越少,权值过小的粒子直接被舍弃；经过重采样之后的粒子权重重新被均等地设置为1/N，重采样后的粒子权重记作w
’
i
。
[0037本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DDDAS的航班运行风险分析与预测方法，其特征在于，包括以下步骤：第一步：数据采集与处理(1)、从航班各个监测设备中，按时间顺序连续采集若干天的航班运行风险观测数据，每日的航班运行风险观测数据包括机组情况、飞机故障情况、机场情况、天气情况、空域情况、航班进离港计划；(2)、将采集的若干天航班运行风险观测数据根据评分标准简化为航班运行风险观测值α
t
，t为自然数，表示离散日期；第二步：建立状态空间模型(1)、将若干天的航班运行风险观测值α
t
输入软件中的状态模型程序中，建立状态空间模型的观测方程和状态方程；
①
、观测方程用来描述状态变量与观测变量两者之间的相互关系，即模型系统内部状态变化引起的外部输入变化情况，由软件生成的观测方程公式为：y＝SV1+[var＝R]
‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑
(1)式(1)中，y表示观测变量；SV1表示状态变量；var＝R表示观测方程的误差项；
②
、状态方程用来描述系统的状态与状态之间的转换关系，即模型系统内部的状态变化情况，由软件生成的状态方程公式为：SV1＝SV1(
‑
1)+[var＝Q]
‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑
(2)式(2)中，SV1(
‑
1)表示上一日的状态变量；var＝Q表示状态方程的误差项；(2)、将预测前一天，即第t
‑
1天的航班运行风险观测值α
t
‑1代入状态空间模型的状态方程式(2)中，计算出预测当日航班运行风险的先验估计值，记作β
t
，计算公式为：式(3)中，randn为服从均值为0，标准差为1的正态分布的随机数；第三步：数据同化(1)、采用粒子滤波算法对航班运行风险观测值α
t
和先验估计值β
t
进行融合，在系统运行的过程中，将输入到系统中的航班运行风险观测值α
t
不断用于对模型系统状态的先验估计值β
t
进行更新估计，最后得到航班运行风险预测值γ
t
，并把航班运行风险预测值γ
t
作为预测下一天的预测过程的先验估...

【专利技术属性】
技术研发人员：王岩韬，赵昕颐，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：