一种恶劣天气下机场航班运行韧性评估及预测方法技术

本发明专利技术提供了一种恶劣天气下机场航班运行韧性评估及预测方法，包括如下步骤，步骤1：构建机场航班运行韧性评估模型，通过不同的度量指标评估机场航班运行性能；步骤2：基于LSTM构建机场航班运行韧性预测模型，对恶劣天气下机场性能进行预测。本发明专利技术可根据气象因素预测机场航班运行韧性，从而减轻灾害和提高紧急响应能力。应能力。应能力。

【技术实现步骤摘要】
一种恶劣天气下机场航班运行韧性评估及预测方法


[0001]本专利技术属于航空
，尤其是涉及一种恶劣天气下机场航班运行韧性评估及预测方法。

技术介绍

[0002]近年来，航空运输业连续保持高速增长态势，机场运输量逐年快速增长。由于软硬件不断更新迭代，航空器性能、管制技术、地面保障以及运行程序不断完善、航空公司的排班日益科学化，使得设备原因和人为等因素对机场运行的安全和效率影响不断在减小，恶劣天气成为了制约航班正常飞行的主要因素。为抵御恶劣天气带来的严重影响，机场航班运行韧性的研究应需而生。
[0003]与大量关于极端天气对出行活动、交通系统容量、可靠性、稳健性和脆弱性的影响的文献不同，关于灾后阶段交通系统韧性的研究仍然很少，且现有交通韧性的研究大多采用拓扑方法来量化交通系统的韧性。通常采用的方法是通过不断移除交通网络中的节点/链路来模拟突发事件场景，并通过恢复节点/链路来模拟突发事件逐渐消散和系统恢复场景。每次移除或恢复节点/链路时，系统的恢复能力都会被量化。尽管这些研究为交通韧性的测量和评估提供了初步探索，但是主要集中在网络层面，很少有研究量化交通网络节点或基础设施的韧性，尤其是缺乏评估主要交通枢纽韧性的方法。此外，它们中的大多数都是通过假设的突发事件场景和模拟数据，缺乏使用真实案例数据来评估机场性能受不同因素影响的程度，这在反映机场航班韧性方面存在局限性。
[0004]在研究恶劣天气对机场航班延误预测的影响方面，深度学习由于其灵活的模型结构和强大的学习能力，在一般预测研究中表现出较强的潜力。对于有着较强时间关系的数据来说，循环神经网络RNN方法表现出了具有竞争性的能力。然而，交通系统中的交通具有复杂的非欧相关性和方向性，呈现出较强的拓扑性质，而不是一般的欧氏空间相关性。对于这些数据，原始的RNN并不适用，而长短期记忆网络(Long short
‑
term memory，LSTM)可能会表现的更好。
[0005]总体来看，有关恶劣天气对机场航班运行影响的研究有了一定成果，但模型多基于一定假设，与实际航班运行情况脱节。大部分研究对恶劣天气与航班运行之间的耦合关系研究不够深入，针对恶劣天气发生整体过程下机场航班运行性能变化的研究较少，并且现有研究多采用传统的统计预测方法，缺乏与深度学习的结合。

技术实现思路

[0006]有鉴于此，本专利技术旨在提出一种恶劣天气下机场航班运行韧性评估及预测方法。
[0007]为达到上述目的，本专利技术的技术方案是这样实现的：
[0008]一种恶劣天气下机场航班运行韧性评估及预测方法，包括如下步骤
[0009]步骤1：构建机场航班运行韧性评估模型，通过不同的度量指标评估机场航班运行韧性；
[0010]步骤2：基于LSTM构建机场航班运行韧性预测模型，对恶劣天气下机场性能进行预测。
[0011]进一步的，所述步骤1中，采用离场出发率作为恶劣天气下机场航班运行韧性模型评估指标，离场出发率(Departure Rate)定义如下：
[0012][0013]其中：为[T1,T2]时间段内的计划离场航班总数；代表计划起飞时间在[T1,T2]时间段内同时离场延误小于30分钟的航班数量；代表在T1时刻之前延误而在[T1,T2]时间段内离场的航班数量。
[0014]进一步的，所述步骤1中，还包括采取不同的韧性各阶段度量指标衡量评估指标在不同阶段的表现情况，度量指标包括响应时间、破坏时间、破坏速率、鲁棒性、恢复时间、恢复速率、恢复能力、性能损失、以及平均性能损失。
[0015]进一步的，其中，各度量指标具体如下
[0016]响应时间(Response Time，RST)：从干扰事件开始时刻到系统性能开始下降的时刻t
d
'<t<t
d
，表示系统的抵抗外界干扰的能力；
[0017]RST＝t
d
‑
t
d
'
[0018]其中，t
d
'为恶劣天气开始时刻，t
d
为系统受到外界干扰，性能开始下降的时刻；
[0019]破坏时间(Destruction Time，DSS)：从系统性能初始下降时刻到性能最低的时间段t
d
<t<t
r
，表示系统性能下降时间的长短；
[0020]DSS＝t
r
‑
t
d
[0021]其中，t
r
为系统受到外界干扰，性能降低到最低值的时刻；
[0022]破坏速率(Rapidity，RAPI
DP
)：在破坏阶段t
d
<t<t
r
，表示系统从初始性能降低到最低性能的速度；
[0023][0024]其中，t
r
为系统受到外界干扰，性能降低到最低值的时刻；t
d
为系统受到外界干扰，性能开始下降的时刻；MORP(t
d
)是性能开始下降时刻的系统性能，MORP(t
r
)表示系统性能在外界干扰下的最低值；
[0025]鲁棒性(Robustness,R)：表示系统受到外界事件干扰情况下，仍然能够较好保持其稳定性的能力；
[0026]R＝min{MORP(t)}(t
d
<t<t
ns
)
[0027]其中，MORP(t)表示随时间变化的离散函数，t
d
表示系统受到扰动性能开始下降时刻，t
ns
表示系统恢复到新的稳定阶段的时刻，R表示在这个时间段系统性能的最值，可以衡量外界事件扰动下对系统产生的最大影响；
[0028]恢复时间(Recovery Time,RCT)：从系统性能最低时刻到系统恢复到新的稳定状态的时间段t
r
<t<t
ns
，表示系统性能恢复时间的长短；
[0029]RCT＝t
ns
‑
t
r
[0030]恢复速率(Rapidity，RAPI
RP
)：在恢复阶段t
r
<t<t
ns
，表示系统从最低性能恢复到新的稳定阶段的性能的速度；
[0031][0032]其中，MORP(t)表示在一次干扰事件下，随时间变化的系统性能离散函数，t
r
为系统受到外界干扰，性能降低到最低值的时刻，t
ns
表示系统恢复到新的稳定阶段的时刻，MORP(t
ns
)是性能恢复到稳定阶段的值，MORP(t
r
)表示系统性能在外界干扰下的最低值；
[0033]恢复能力(Recov本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种恶劣天气下机场航班运行韧性评估及预测方法，其特征在于：包括如下步骤步骤1：构建机场航班运行韧性评估模型，通过不同的度量指标评估机场航班运行韧性；步骤2：基于LSTM构建机场航班运行韧性预测模型，对恶劣天气下机场性能进行预测。2.根据权利要求1所述的一种恶劣天气下机场航班运行韧性评估及预测方法，其特征在于：所述步骤1中，采用离场出发率作为恶劣天气下机场航班运行韧性模型评估指标，离场出发率(Departure Rate)定义如下：其中：为[T1,T2]时间段内的计划离场航班总数；代表计划起飞时间在[T1,T2]时间段内同时离场延误小于30分钟的航班数量；代表在T1时刻之前延误而在[T1,T2]时间段内离场的航班数量。3.根据权利要求1所述的一种恶劣天气下机场航班运行韧性评估及预测方法，其特征在于：所述步骤1中，还包括采取不同的韧性各阶段度量指标衡量评估指标在不同阶段的表现情况，度量指标包括响应时间、破坏时间、破坏速率、鲁棒性、恢复时间、恢复速率、恢复能力、性能损失、以及平均性能损失。4.根据权利要求3所述的一种恶劣天气下机场航班运行韧性评估及预测方法，其特征在于：其中，各度量指标具体如下：响应时间(Response Time，RST)：从干扰事件开始时刻到系统性能开始下降的时刻t
d
'＜t＜t
d
，表示系统的抵抗外界干扰的能力；RST＝t
d
‑
t
d
'其中，t
d
'为恶劣天气开始时刻，t
d
为系统受到外界干扰，性能开始下降的时刻；破坏时间(Destruction Time，DSS)：从系统性能初始下降时刻到性能最低的时间段t
d
＜t＜t
r
，表示系统性能下降时间的长短；DSS＝t
r
‑
t
d
其中，t
r
为系统受到外界干扰，性能降低到最低值的时刻；破坏速率(Rapidity，RAPI
DP
)：在破坏阶段t
d
＜t＜t
r
，表示系统从初始性能降低到最低性能的速度；其中，t
r
为系统受到外界干扰，性能降低到最低值的时刻；t
d
为系统受到外界干扰，性能开始下降的时刻；MORP(t
d
)是性能开始下降时刻的系统性能，MORP(t
r
)表示系统性能在外界干扰下的最低值；鲁棒性(Robustness,R)：表示系统受到外界事件干扰情况下，仍然能够较好保持其稳定性的能力；R＝min{MORP(t)}(t
d
＜t＜t
ns
)其中，MORP(t)表示随时间变化的离散函数，t
d
表示系统受到扰动性能开始下降时刻，
t
ns
表示系统恢复到新的稳定阶段的时刻，R表示在这个时间段系统性能的最值，可以衡量外界事件扰动下对系统产生的最大影响；恢复时间(Recovery Time,RCT)：从系统性能最低时刻到系统恢复到新的稳定状态的时间段t
r
＜t＜t
ns
，表示系统性能恢复时...

【专利技术属性】
技术研发人员：王兴隆，陈仔燕，赵俊妮，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：