一种基于机器学习的航班飞行全过程燃油消耗预测方法技术

本发明专利技术公开了一种基于机器学习的航班飞行全过程燃油消耗预测方法，根据航班的飞机飞行数据将航班飞行全过程划分为多个飞行阶段，得到各飞行阶段的飞行参数样本库，然后利用集成学习算法分别提取各飞行阶段的燃油消耗特征，并根据各飞行阶段的燃油消耗特征确定各飞行阶段的燃油特征数据集，结合各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集进行深度学习，从而对各飞行阶段的未来燃油消耗量进行预测，获取航班飞行全过程燃油消耗预测结果。耗预测结果。耗预测结果。

【技术实现步骤摘要】
一种基于机器学习的航班飞行全过程燃油消耗预测方法


[0001]本专利技术涉及飞行燃油消耗预测领域，具体涉及一种基于机器学习的航班飞行全过程燃油消耗预测方法。

技术介绍

[0002]随着保护环境压力的增大和可持续发展的需要，民航无论站在企业自身成本降低还是国家能源有效利用的角度，做好节能减排工作的责任和意义都是显而易见的。
[0003]在节能减排工作中，做好航班起飞前的燃油装载计划是关键的一环。燃油装载量过多会导致装载燃油过重，继而产生“油耗油”问题；燃油装载量不足则会产生民航飞行隐患。然而，在目前的民航业实际运营过程中，如何提前精准预测航班飞行全过程所需油耗是一个“痛点”。
[0004]QAR是Quick access recorder的缩写，即快速存取记录器。QAR记录设备是一种重要的记录飞机飞行参数的记载电子设备，可以连续记录长达600小时飞行的原始信息资料，同一时刻可采集数百个乃至上千个不同的飞行参数数据。QAR记录的数据涵盖了绝大部分的飞机飞行参数，如经纬度、高度、风速、风向迎角、耗油量、温度、气压等等。近年来，对QAR(快速存取记录器)全数据的应用研究正成为民航运行管理的一大趋势，该类数据可在油量、发动机损耗、飞行安全、飞行品质等多个领域发挥作用，因此，越来越多的航空公司开始研究利用QAR数据对未来航班飞行的燃油消耗量进行预测。
[0005]然而，当前国内外航空利用QAR数据预测未来航班飞行的燃油消耗量的现有研究中，存在以下几个技术“空白点”：
[0006]1)缺少对于QAR大数据所记录的燃油消耗影响因素的量化筛选。QAR数据中所记录的飞行状态参数达2000余项，有些参数每秒记录一次。进行燃油消耗预测需要对参数进行聚合，同时也需要进行参数筛选。因为使用高维特征数据进行预测会导致过拟合的风险，从而降低预测模型的泛化性能。目前航空公司进行燃油消耗影响因素研究多基于专家访谈或人工筛选的方式，没有采用人工智能的方法从QAR大数据中提取信息，所得到的燃油消耗影响因素并不准确。
[0007]2)缺少基于QAR大数据提前预测燃油消耗量的技术方法。在航班起飞之前对燃油消耗进行预测，能够为机务部门制定飞行计划决定燃油加油量提供指导。合理的燃油加油量是经济性和安全性的权衡。一方面，燃油加油量过多会导致飞机负载过重，从而产生“油烧油”的情况，会增加燃油消耗成本；另一方面，燃油加油量过少会导致飞机无法安全到达指定机场，而被迫在其他机场备降。
[0008]目前很多燃油消耗预测研究多预测燃油流率。燃油流率指的是某瞬间单位时间内或一段时间流过管道的燃油体积数或质量数。这些研究往往采用一段飞行过程中前序燃油消耗流率(fuel flow)预测后续的燃油流率。该方法虽然具有较高的准确性，然而无法在实际应用场景中提前预测燃油消耗量，具有较低的实用价值。同时，已有的燃油预测算法多采用传统机器学习算法进行预测，缺少采用集成学习或深度学习的算法应用，在预测准确性
和算法优化上有较大的提升空间。
[0009]3)缺乏在航班起飞前进行飞行全过程预测的实用技术。当前的燃油预测研究大多集中在巡航阶段，较少覆盖飞行全过程中除了巡航外的诸多阶段，如：起飞滑行、爬升、下降进近、到达滑行等阶段，因此难以达到提前预测飞机飞行全过程燃油消耗量、进而为提前加油量提供参考这一实践目标。
[0010]综上，目前各航空公司依然存在燃油预测准确率不高、燃油消耗成本较高等“痛点”，现有的燃油消耗预测的技术与研究还不足以应对这些痛点，存在以下几个技术“空白点”：缺乏针对QAR大数据的特征提取技术；缺乏基于集成学习和深度学习等预测方法的应用；缺乏在航班起飞前进行飞行全过程预测的实用技术。

技术实现思路

[0011]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
[0012]本专利技术的目的在于解决上述问题，提供了一种基于机器学习的航班飞行全过程燃油消耗预测方法，根据航班的飞机飞行数据将航班飞行全过程划分为多个飞行阶段，得到各飞行阶段的飞行参数样本库，然后利用集成学习算法分别提取各飞行阶段的燃油消耗特征，并根据各飞行阶段的燃油消耗特征确定各飞行阶段的燃油特征数据集，结合各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集进行深度学习，从而对各飞行阶段的未来燃油消耗量进行预测，得到航班飞行全过程燃油消耗预测结果。
[0013]本专利技术的技术方案为：
[0014]本专利技术提供一种基于机器学习的航班飞行全过程燃油消耗预测方法，包括以下步骤：
[0015]获取多个航班的飞机飞行数据，并基于飞机飞行数据划分飞行阶段；
[0016]将各飞行阶段对应的飞机飞行数据按航班进行汇总，获取各飞行阶段的飞行参数样本库；
[0017]基于各飞行阶段的飞行参数样本库提取各飞行阶段的燃油消耗特征，并确定各飞行阶段的燃油特征数据集；
[0018]基于各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集预测各飞行阶段的未来燃油消耗量，获取航班飞行全过程燃油消耗预测结果。
[0019]根据本专利技术的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述基于机器学习的航班飞行全过程燃油消耗预测方法获取到飞机飞行数据后，对飞机飞行数据进行数据清洗，然后根据数据清洗后的飞机飞行数据划分飞行阶段，从而得到各飞行阶段的飞行参数明细数据；其中，所述飞行阶段包括滑出阶段、爬升阶段、巡航阶段、下降阶段以及滑入阶段。
[0020]根据本专利技术的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述基于机器学习的航班飞行全过程燃油消耗预测方法得到各飞行阶段的飞行参数明细数据后，分别对各航班不同飞行阶段的飞行参数明细数据进行参数汇总，得到对应飞行阶段
的飞行参数样本数据，并将得到的飞行参数样本数据存储到对应飞行阶段的飞行参数样本库中，从而获取各飞行阶段的飞行参数样本库。
[0021]根据本专利技术的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述飞行参数样本库包括多个对应飞行阶段的飞行参数；其中，所述基于机器学习的航班飞行全过程燃油消耗预测方法获取到各飞行阶段的飞行参数样本库后，分别从各飞行阶段的飞行参数样本库提取多个飞行参数作为对应飞行阶段的燃油消耗特征。
[0022]根据本专利技术的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述基于机器学习的航班飞行全过程燃油消耗预测方法采用随机森林算法对各飞行阶段的飞行参数进行筛选，从而得到各飞行阶段的燃油消耗特征；其中，采用随机森林算法提取燃油消耗特征包括以下步骤：
[0023]基于飞行参数样本库构建多个采样集；其中，每个飞行阶段包括多个采样集，同一飞行阶段的采样集的样本数目相同；
[0024]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的航班飞行全过程燃油消耗预测方法，其特征在于，包括以下步骤：获取多个航班的飞机飞行数据，并基于飞机飞行数据划分飞行阶段；将各飞行阶段对应的飞机飞行数据按航班进行汇总，获取各飞行阶段的飞行参数样本库；基于各飞行阶段的飞行参数样本库提取各飞行阶段的燃油消耗特征，并确定各飞行阶段的燃油特征数据集；基于各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集预测各飞行阶段的未来燃油消耗量，获取航班飞行全过程燃油消耗预测结果。2.根据权利要求1所述的基于机器学习的航班飞行全过程燃油消耗预测方法，其特征在于，所述基于机器学习的航班飞行全过程燃油消耗预测方法获取到飞机飞行数据后，对飞机飞行数据进行数据清洗，然后根据数据清洗后的飞机飞行数据划分飞行阶段，从而得到各飞行阶段的飞行参数明细数据；其中，所述飞行阶段包括滑出阶段、爬升阶段、巡航阶段、下降阶段以及滑入阶段。3.根据权利要求2所述的基于机器学习的航班飞行全过程燃油消耗预测方法，其特征在于，所述基于机器学习的航班飞行全过程燃油消耗预测方法得到各飞行阶段的飞行参数明细数据后，分别对各航班不同飞行阶段的飞行参数明细数据进行参数汇总，得到对应飞行阶段的飞行参数样本数据，并将得到的飞行参数样本数据存储到对应飞行阶段的飞行参数样本库中，从而获取各飞行阶段的飞行参数样本库。4.根据权利要求3所述的基于机器学习的航班飞行全过程燃油消耗预测方法，其特征在于，所述飞行参数样本库包括多个对应飞行阶段的飞行参数；其中，所述基于机器学习的航班飞行全过程燃油消耗预测方法获取到各飞行阶段的飞行参数样本库后，分别从各飞行阶段的飞行参数样本库提取多个飞行参数作为对应飞行阶段的燃油消耗特征。5.根据权利要求4所述的基于机器学习的航班飞行全过程燃油消耗预测方法，其特征在于，所述基于机器学习的航班飞行全过程燃油消耗预测方法采用随机森林算法对各飞行阶段的飞行参数进行筛选，从而得到各飞行阶段的燃油消耗特征；其中，采用随机森林算法提取燃油消耗特征包括以下步骤：基于飞行参数样本库构建多个采样集；其中，每个飞行阶段包括多个采样集，同一飞行阶段的采样集的样本数目相同；基于各采样集分别构建多个基学习器；其中，所述基学习器用于对各飞行参数进行排序，然后根据各飞行参数对应节点的顺序对各飞行参数进行加权汇总，得到各飞行参数的重要性；将同一飞行阶段的各基学习器得到的各飞行参数的重要性进行特征汇总，然后根据特征汇总结果提取对应飞行阶段的燃油消耗特征。6.根据权利要求5所述的基于机器学习的航班飞行全过程燃油消耗预测方法，其特征在于，所述随机森林算法采用自主采样法分别对各飞行阶段的飞行参数样本库进行采样，得到各飞行阶段的采样集，然后基于各采样集分别构建多个基学习器；其中，每个飞行阶段包括多个采样集，每个采样集的样本数目为对应飞行阶段的飞行参数样本库的样本数量。7.根据权利要求5所述的基于机器学习的航班飞行全过程燃油消耗预测方法，其特征
在于，所述随机森林算法采用CART决策树作为基学习器，利用CART决策树回归对采样集进行训练，从而得到对应飞行阶段的CART决策树；其中，所述CART决策树包括多个节点，每个节点对应一个飞行参数，所述基学习器完成训练后，根据CART决策树各节点对应的飞行参数确定各飞行参数的权重。8.根据权利要求7所述的基于机器学习的航班...

【专利技术属性】
技术研发人员：胡松亭，李福娟，梁哲，丁晓华，黄蕾，方陈浩，蒋银，毛金凤，伊涵，
申请(专利权)人：东航技术应用研发中心有限公司，
类型：发明
国别省市：