期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
繁忙机场机坪空间构型对航班离港滑行时间的影响
被引量：
3
1
作者
唐小卫
陈祯
+1 位作者
张生润
丁叶
《交通运输系统工程与信息》
EI
CSCD
北大核心
2022年第5期309-317,共9页
航班离港始于停机坪推出,经由滑行道滑行并止于跑道离地,因此机坪空间及其与跑滑系统构成的相对位置关系对航班离港滑行具有较大影响,滑行时间的预测精度对ACDM机制下航班推出时刻优化和跑滑系统效率提升具有重要作用。首先提出机位组...
航班离港始于停机坪推出,经由滑行道滑行并止于跑道离地,因此机坪空间及其与跑滑系统构成的相对位置关系对航班离港滑行具有较大影响,滑行时间的预测精度对ACDM机制下航班推出时刻优化和跑滑系统效率提升具有重要作用。首先提出机位组概念表征机坪空间构型,据此设计场面实时动态航班流量、机位组无阻碍滑行时间和机位组空间影响指数等新特征变量,然后基于分类回归树构建预测模型,验证新特征引入对离港滑行时间的预测效果。以首都机场实际运行数据为例,预测结果表明:在保持较高拟合优度的同时,新引入的表征机坪构型及其与跑滑系统相对位置关系的特征变量提高了离港滑行时间预测模型精度,预测与实际误差值在3 min和5 min内的航班数量分别提高了4.88%和6.46%,每高峰小时可为首都机场减少约2~3个起飞时隙的浪费;新特征变量对离港滑行时间预测精度的整体贡献较大,且场面整体流量特征变量的贡献超过单一跑道流量,进港航班相关特征变量的贡献超过离港航班。
展开更多
关键词
航空运输
离港滑行时间
预测
分类回归树
机坪构型
特征构建
在线阅读
下载PDF
职称材料
基于MIC-iAFF-Stacking集成学习的航空器滑出时间预测
被引量：
1
2
作者
李浩
卢朝阳
+2 位作者
谈翌平
苟利鹏
张慧子
《交通运输工程与信息学报》
2024年第4期142-153,共12页
针对当前单一模型预测航空器滑出时间精度提升存在瓶颈的问题,提出一种结合最大互信息系数(Maximal Information Coefficient,MIC)的迭代注意力特征融合模块(iterative Attentional Feature Fusion,iAFF)和Stacking集成学习框架组合的...
针对当前单一模型预测航空器滑出时间精度提升存在瓶颈的问题,提出一种结合最大互信息系数(Maximal Information Coefficient,MIC)的迭代注意力特征融合模块(iterative Attentional Feature Fusion,iAFF)和Stacking集成学习框架组合的航空器滑出时间预测模型。首先利用MIC提取出与滑出时间相关性较高的因素作为模型原始特征序列;然后以支持向量回归(SVR)、随机森林(RF)、多层感知机(MLP)和极限梯度提升机(XGBoost)为基学习器模型对原始特征进行特征构造,并利用iAFF模块对基学习器得到的构造特征和原始特征进行特征融合,通过MLP对融合后的特征进行学习,最终得到预测滑出时间。经实际算例对比验证表明,与单一模型相比,MIC-iAFF-Stacking集成学习模型在±2、±3、±5 min误差范围内的预测精度分别提升了6.14%、6.40%、2.31%,证明了该模型在滑出时间预测中的有效性。
展开更多
关键词
航空运输
离港滑行时间
最大互信息系数
注意力特征融合
Stacking集成学习
在线阅读
下载PDF
职称材料
题名
繁忙机场机坪空间构型对航班离港滑行时间的影响
被引量：
3
1
作者
唐小卫
陈祯
张生润
丁叶
机构
南京航空航天大学
出处
《交通运输系统工程与信息》
EI
CSCD
北大核心
2022年第5期309-317,共9页
基金
国家自然科学基金(61603178)。
文摘
航班离港始于停机坪推出,经由滑行道滑行并止于跑道离地,因此机坪空间及其与跑滑系统构成的相对位置关系对航班离港滑行具有较大影响,滑行时间的预测精度对ACDM机制下航班推出时刻优化和跑滑系统效率提升具有重要作用。首先提出机位组概念表征机坪空间构型,据此设计场面实时动态航班流量、机位组无阻碍滑行时间和机位组空间影响指数等新特征变量,然后基于分类回归树构建预测模型,验证新特征引入对离港滑行时间的预测效果。以首都机场实际运行数据为例,预测结果表明:在保持较高拟合优度的同时,新引入的表征机坪构型及其与跑滑系统相对位置关系的特征变量提高了离港滑行时间预测模型精度,预测与实际误差值在3 min和5 min内的航班数量分别提高了4.88%和6.46%,每高峰小时可为首都机场减少约2~3个起飞时隙的浪费;新特征变量对离港滑行时间预测精度的整体贡献较大,且场面整体流量特征变量的贡献超过单一跑道流量,进港航班相关特征变量的贡献超过离港航班。
关键词
航空运输
离港滑行时间
预测
分类回归树
机坪构型
特征构建
Keywords
air transportation
departure taxi time prediction
classification and regression tree
apron configuration
feature construction
分类号
U8 [交通运输工程]
在线阅读
下载PDF
职称材料
题名
基于MIC-iAFF-Stacking集成学习的航空器滑出时间预测
被引量：
1
2
作者
李浩
卢朝阳
谈翌平
苟利鹏
张慧子
机构
南京航空航天大学
出处
《交通运输工程与信息学报》
2024年第4期142-153,共12页
基金
国家自然科学基金民航联合基金重点项目(U2033203)。
文摘
针对当前单一模型预测航空器滑出时间精度提升存在瓶颈的问题,提出一种结合最大互信息系数(Maximal Information Coefficient,MIC)的迭代注意力特征融合模块(iterative Attentional Feature Fusion,iAFF)和Stacking集成学习框架组合的航空器滑出时间预测模型。首先利用MIC提取出与滑出时间相关性较高的因素作为模型原始特征序列;然后以支持向量回归(SVR)、随机森林(RF)、多层感知机(MLP)和极限梯度提升机(XGBoost)为基学习器模型对原始特征进行特征构造,并利用iAFF模块对基学习器得到的构造特征和原始特征进行特征融合,通过MLP对融合后的特征进行学习,最终得到预测滑出时间。经实际算例对比验证表明,与单一模型相比,MIC-iAFF-Stacking集成学习模型在±2、±3、±5 min误差范围内的预测精度分别提升了6.14%、6.40%、2.31%,证明了该模型在滑出时间预测中的有效性。
关键词
航空运输
离港滑行时间
最大互信息系数
注意力特征融合
Stacking集成学习
Keywords
air transportation
departure taxiing time
maximal information coefficient
attentional feature fusion
Stacking ensemble learning
分类号
V355.2 [航空宇航科学与技术—人机与环境工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
繁忙机场机坪空间构型对航班离港滑行时间的影响
唐小卫
陈祯
张生润
丁叶
《交通运输系统工程与信息》
EI
CSCD
北大核心
2022
3
在线阅读
下载PDF
职称材料
2
基于MIC-iAFF-Stacking集成学习的航空器滑出时间预测
李浩
卢朝阳
谈翌平
苟利鹏
张慧子
《交通运输工程与信息学报》
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
