针对城市场景下载人电动垂直起降飞行器(electric vertical takeoff and landing,eVTOL)路径规划问题进行了研究。首先,使用危险度栅格法进行三维城市空间建模,对选定型号的eVTOL飞行器,以航程、运行风险和高度变化为目标函数,结合飞行...针对城市场景下载人电动垂直起降飞行器(electric vertical takeoff and landing,eVTOL)路径规划问题进行了研究。首先,使用危险度栅格法进行三维城市空间建模,对选定型号的eVTOL飞行器,以航程、运行风险和高度变化为目标函数,结合飞行器自身特性及环境限制,构建了多约束条件的载人eVTOL路径规划模型。然后,设计了一种改进人工电场算法(im-proved artificial electric field algorithm,IAEFA),在传统人工电场算法(artificial electric field algorithm,AEFA)的基础上增加了自适应库伦参数,并在库伦常数的计算中引入递减系数,以此进行仿真求解。实验结果显示,所构建的模型可以达到预期效果。使用改进算法进行路径规划的求解效果更优,相较传统粒子群算法和人工电场法,航程更短,高度变化更小且运行更为安全。最后,根据对照实验确定递减系数的取值,当递减系数取值为1.5时,改进算法的求解效果最优。展开更多
为更精确地预测航班过站时间,将全国机场按照规模差异及不同地理位置所导致的客流量差异和天气差异对航班过站时间造成的不同影响进行分类,基于各类机场航班数据,构建混合轻量级梯度提升机算法(LightGBM)模型对航班过站时间分类预测。...为更精确地预测航班过站时间,将全国机场按照规模差异及不同地理位置所导致的客流量差异和天气差异对航班过站时间造成的不同影响进行分类,基于各类机场航班数据,构建混合轻量级梯度提升机算法(LightGBM)模型对航班过站时间分类预测。引入自适应鲁棒损失函数(adaptive robust loss function,ARLF)改进LightGBM模型损失函数,降低航班数据中存在离群值的影响;通过改进的麻雀搜索算法对改进后的LightGBM模型进行参数寻优,形成混合LightGBM模型。采用全国2019年全年航班数据进行验证,实验结果验证了方法的可行性。展开更多
目前,空管各类安全管理信息化平台积累了大量非结构化文本数据,但未得到充分利用,为了挖掘空管不正常事件中潜藏的风险,研究利用收集的四千余条空管站不正常事件数据和自构建的4836个空管领域专业术语词,提出了一个基于空管专业信息词...目前,空管各类安全管理信息化平台积累了大量非结构化文本数据,但未得到充分利用,为了挖掘空管不正常事件中潜藏的风险,研究利用收集的四千余条空管站不正常事件数据和自构建的4836个空管领域专业术语词,提出了一个基于空管专业信息词抽取的双向编码器表征法和双向长短时记忆网络的深度学习模型(Bidirectional Encoder Representations from Transformers-Bidirectional Long Short-Term Memory,BERT-BiLSTM)。该模型通过对不正常事件文本进行信息抽取,过滤其中无用信息,并将双向编码器表征法(Bidirectional Encoder Representations from Transformers,BERT)模型输出的特征向量序列作为双向长短时记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)的输入序列,以对空管不正常事件文本风险识别任务进行对比试验。试验结果显示,在风险识别试验中,基于空管专业信息词抽取的BERT-BiLSTM模型相比于通用领域的BERT模型,风险识别准确率提升了3百分点。可以看出该模型有效提升了空管安全信息处理能力,能够有效识别空管部门日常运行中出现的不正常事件所带来的风险,同时可以为空管安全领域信息挖掘相关任务提供基础参考。展开更多
文摘针对城市场景下载人电动垂直起降飞行器(electric vertical takeoff and landing,eVTOL)路径规划问题进行了研究。首先,使用危险度栅格法进行三维城市空间建模,对选定型号的eVTOL飞行器,以航程、运行风险和高度变化为目标函数,结合飞行器自身特性及环境限制,构建了多约束条件的载人eVTOL路径规划模型。然后,设计了一种改进人工电场算法(im-proved artificial electric field algorithm,IAEFA),在传统人工电场算法(artificial electric field algorithm,AEFA)的基础上增加了自适应库伦参数,并在库伦常数的计算中引入递减系数,以此进行仿真求解。实验结果显示,所构建的模型可以达到预期效果。使用改进算法进行路径规划的求解效果更优,相较传统粒子群算法和人工电场法,航程更短,高度变化更小且运行更为安全。最后,根据对照实验确定递减系数的取值,当递减系数取值为1.5时,改进算法的求解效果最优。
文摘为更精确地预测航班过站时间,将全国机场按照规模差异及不同地理位置所导致的客流量差异和天气差异对航班过站时间造成的不同影响进行分类,基于各类机场航班数据,构建混合轻量级梯度提升机算法(LightGBM)模型对航班过站时间分类预测。引入自适应鲁棒损失函数(adaptive robust loss function,ARLF)改进LightGBM模型损失函数,降低航班数据中存在离群值的影响;通过改进的麻雀搜索算法对改进后的LightGBM模型进行参数寻优,形成混合LightGBM模型。采用全国2019年全年航班数据进行验证,实验结果验证了方法的可行性。
文摘目前,空管各类安全管理信息化平台积累了大量非结构化文本数据,但未得到充分利用,为了挖掘空管不正常事件中潜藏的风险,研究利用收集的四千余条空管站不正常事件数据和自构建的4836个空管领域专业术语词,提出了一个基于空管专业信息词抽取的双向编码器表征法和双向长短时记忆网络的深度学习模型(Bidirectional Encoder Representations from Transformers-Bidirectional Long Short-Term Memory,BERT-BiLSTM)。该模型通过对不正常事件文本进行信息抽取,过滤其中无用信息,并将双向编码器表征法(Bidirectional Encoder Representations from Transformers,BERT)模型输出的特征向量序列作为双向长短时记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)的输入序列,以对空管不正常事件文本风险识别任务进行对比试验。试验结果显示,在风险识别试验中,基于空管专业信息词抽取的BERT-BiLSTM模型相比于通用领域的BERT模型,风险识别准确率提升了3百分点。可以看出该模型有效提升了空管安全信息处理能力,能够有效识别空管部门日常运行中出现的不正常事件所带来的风险,同时可以为空管安全领域信息挖掘相关任务提供基础参考。
