-
题名数据缺失下的航班地面保障关键环节时间预测
- 1
-
-
作者
顾思诗
吴薇薇
蒋燕
张皓瑜
-
机构
南京航空航天大学民航学院
中国国际航空股份有限公司地面服务部枢纽运行中心
-
出处
《南京航空航天大学学报(自然科学版)》
北大核心
2025年第2期349-360,共12页
-
基金
国家自然科学基金(U2033205,U1933118)
民航局安全能力专项项目(1007-IMH22004)
南京航空航天大学科研基金(1007-YAT23021)。
-
文摘
准确预测航班地面保障关键环节时间可以更高效地为航班过站做好保障工作,实现航班精细化管理。在实际航班运行生产过程中,保障数据缺失与异常普遍发生。传统预测模型在面对数据缺失挑战时,其预测性能往往遭受显著制约。为克服此局限,在因果图卷积网络(Causal graph convolutional network,CGCN)的基础上,引入动态时间规整(Dynamic time warping,DTW)模块,构建了面向数据缺失场景的航班保障时间节点预测模型。通过缺失值的自主式处理与时空特征的深入挖掘,为数据缺失下的航班地面保障时间预测提供了一种更为有效的解决方案。以国内某大型机场航班保障数据集(共6480条数据)为例进行验证,实验结果表明:与考虑缺失值的因果图卷积网络(Causal graph convolutional network with missing data,CGCNM)、动态时空图卷积神经网络(Dynamic spatial‑temporal graph convolution network,DSTGCN)、贝叶斯时间因子矩阵分解(Bayesian temporal matrix factorization,BTMF)、长短期记忆网络(Long short‑term memory,LSTM)等7种基准模型相比,所提模型在20%~80%缺失率的场景下,各保障时间节点预测结果的平均绝对误差(Mean absolute error,MAE)至少降低8.1%,均方根误差(Root mean square error,RMSE)至少降低4.6%;且随着缺失率的增加,所提模型的优势更加明显。实例证明,建立的考虑缺失值的航班地面保障时间预测模型在预测精度和预测稳定性上都优于上述基准模型,能够为机场保障运行提供客观可靠的决策依据。
-
关键词
航空运输
时间预测
深度学习
航班保障网络
数据缺失
-
Keywords
air transportation
time prediction
deep learning
flight support network
missing data
-
分类号
V351.11
[航空宇航科学与技术—人机与环境工程]
U8
[交通运输工程]
-
