一种恶劣天气下机场航班运行韧性评估及预测方法

1.本发明属于航空技术领域，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。


背景技术：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.有鉴于此，本发明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。
7.为达到上述目的，本发明的技术方案是这样实现的：
8.一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
9.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；
10.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。
11.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td'《t《td，表示系统的抵抗外界干扰的能力；
[0017]
rst＝t
d-td'
[0018]
其中，td'为恶劣天气开始时刻，td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td《t《tr，表示系统性能下降时间的长短；
[0020]
dss＝t
r-td[0021]
其中，tr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td《t《tr，表示系统从初始性能降低到最低性能的速度；
[0023][0024]
其中，tr为系统受到外界干扰，性能降低到最低值的时刻；td为系统受到外界干扰，性能开始下降的时刻；morp(td)是性能开始下降时刻的系统性能，morp(tr)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)}(td《t《t
ns
)
[0027]
其中，morp(t)表示随时间变化的离散函数，td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tr《t《t
ns
，表示系统性能恢复时间的长短；
[0029]
rct＝t
ns-tr[0030]
恢复速率(rapidity，rapi
rp
)：在恢复阶段tr《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，tr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(tr)表示系统性能在外界干扰下的最低值；
[0033]
恢复能力(recovery ability,ra)：表示在t≥t
ns
时系统达到新的稳定阶段；
[0034][0035]
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，morp(t
ns
)是性能恢复到稳定阶段的值，morp(tr)表示系统性能在外界干扰下的最低值，morp(td)是性能开始下降时刻的系统性能；
[0036]
性能损失(loss of performance，lop)：表示在干扰事件发生的整个过程中性能下降的总量；
[0037][0038]
平均性能损失(time averaged performance loss，tapl)：表示系统在破坏阶段和恢复阶段总体性能损失；
[0039][0040]
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；td代表系统性能开始下降时刻；t
ns
为系统恢复到新的稳定阶段的时刻；morp
week
(t)表示在正常条件下系统性能变化的函数。
[0041]
进一步的，所述步骤1还包括建立非负综合韧性指标衡量不同系统受到相同破坏性事件下及同一系统受到不同破坏性事件下的韧性，通过获取时间序列上机场航班性能变化对机场航班运行韧性进行评估，其中，非负综合韧性指标(nonnegative general resilience，ngr)：
[0042][0043]
进一步的，所述步骤2中，基于lstm构建机场航班运行韧性预测模型架构包括采用pca技术对数据进行降维处理，利用lstm模型，使用报文数据对机场性能morp值进行深度学习，结果经过fc层进行预测，预测结果经过sigmoid激活函数进行处理得到最终预测值morp'。
[0044]
进一步的，基于lstm构建机场航班运行韧性预测模型的损失函数采用morp'与真实值morp的均方误差(mean-square error,mse)，
[0045]
loss＝mse(morp,morp')。
[0046]
进一步的，采用均方误差(mse)作为评估预测值与真实值差异性的度量指标，判断预测模型的预测值与真实值的拟合程度，
[0047][0048]
其中，y为morp真实值(标签)，y'为预测模型对输入数据得到的预测值，均方误差(mse)取值范围为[0,+∞]，越接近0表明预测值与真实值越接近，模型预测性能越好。
[0049]
相对于现有技术，本发明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具有以下优势：
[0050]
(1)将现有的韧性研究方法推广到更广泛真实的灾害情况，涉及到多种恶劣天气而不仅是某一种恶劣天气，有利于航空决策者根据不同恶劣事件下机场航班运行性能的变化规律及预测结果提前采取应对措施减少恶劣天气造成的影响，对减少航班延误、保障机场航班运行系统的安全等问题具有重要意义。
[0051]
(2)提出新的机场运行性能韧性指标离场出发率，并结合机场航班运行的实际情况，提出非负综合韧性指标。研究不同恶劣天气从发生到消散过程下机场航班运行性能的变化规律，探究恶劣天气事件与机场航班运行性能之间的关系，对降低恶劣天气对机场航班运行影响具有重要现实意义。
[0052]
(3)根据气象因素，运用深度学习模型lstm预测机场航班运行的韧性，为机场机坪管制和运行管理中心人员指挥航班、协调决策提供理论支持，有利于保障机场安全高效运行。
附图说明
[0053]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0054]
图1为系统韧性变化示意图；
[0055]
图2为基于lstm的恶劣天气下机场航班韧性预测模型示意图；
[0056]
图3为sigmoid函数图像；
[0057]
图4为不同恶劣天气下机场航班运行性能变化示意图；
[0058]
图5为gr和ngr对比示意图；
[0059]
图6为基于lstm的恶劣天气下机场航班运行韧性预测模型训练loss值。
具体实施方式
[0060]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0061]
下面将参考附图并结合实施例来详细说明本发明。
[0062]
1机场航班运行韧性评估模型
[0063]
1.1韧性评估模型构建
[0064]
本发明提出一种有记忆性且可全面衡量恶劣天气下机场航班实际运行性能的指标，即离场出发率(departure rate)定义如下：
[0065][0066]
式中：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。该指标能够准确描述出机场航班实际运行性能，既考虑某段时间内准时出发的航班量占计划出发的航班量的比重，也考虑之前延误的航班在之后时间段的表现情况。
[0067]
本发明采用离场准点率作为恶劣天气下机场航班运行韧性模型评估指标。模型将系统受扰前后分为5个阶段，如图1所示纵轴为随时间变化的系统性能韧性指标(measurement of performance resilience,morp)，表征系统性能韧性指标的选取取决于所研究的内容，取值范围在[0,1]之间波动，其中0表示系统处于瘫痪状态，1表示系统处于理想状态下的性能。
[0068]
系统受扰前后不同阶段及对应的评估方法归纳如表1所示：
[0069]
表1韧性过程不同阶段总结
[0070][0071]
1.2韧性度量指标
[0072]
为对机场航班运行性能进行描述和分析，选取以下韧性度量指标：
[0073]
1.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td'《t《td，表示系统的抵抗外界干扰的能力；
[0074]
rst＝t
d-td'
ꢀꢀꢀꢀ
(1.2)
[0075]
其中，td'为恶劣天气开始时刻，td为系统受到外界干扰，性能开始下降的时刻。
[0076]
2.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td《t《tr，表示系统性能下降时间的长短；
[0077]
dss＝t
r-tdꢀꢀꢀꢀ
(1.3)
[0078]
其中，tr为系统受到外界干扰，性能降低到最低值的时刻。
[0079]
3.破坏速率(rapidity，rapi
dp
)：在破坏阶段td《t《tr，表示系统从初始性能降低到最低性能的速度；
[0080][0081]
其中，tr为系统受到外界干扰，性能降低到最低值的时刻；td为系统受到外界干扰，性能开始下降的时刻；morp(td)是性能开始下降时刻的系统性能，morp(tr)表示系统性能在外界干扰下的最低值。
[0082]
4.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；
[0083]
r＝min{morp(t)}(td《t《t
ns
)
ꢀꢀꢀꢀ
(1.5)
[0084]
其中，morp(t)表示随时间变化的离散函数，td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。
[0085]
5.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tr《t《t
ns
，表示系统性能恢复时间的长短；
[0086]
rct＝t
ns-trꢀꢀꢀꢀ
(1.6)
[0087]
6.恢复速率(rapidity，rapi
rp
)：在恢复阶段tr《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；
[0088][0089]
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，tr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(tr)表示系统性能在外界干扰下的最低值。
[0090]
7.恢复能力(recovery ability,ra)：表示在t≥t
ns
时系统达到新的稳定阶段；
[0091][0092]
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，morp(t
ns
)是性能恢复到稳定阶段的值，morp(tr)表示系统性能在外界干扰下的最低值，morp(td)是性能开始下降时刻的系统性能。
[0093]
8.性能损失(loss of performance，lop)：表示在干扰事件发生的整个过程中性能下降的总量；
[0094][0095]
9.平均性能损失(time averaged performance loss，tapl)：表示系统在破坏阶段和恢复阶段总体性能损失；
[0096][0097]
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；td代表
系统性能开始下降时刻；t
ns
为系统恢复到新的稳定阶段的时刻；morp
week
(t)表示在正常条件下系统性能变化的函数。
[0098]
为了从整体的角度全面对比分析不同干扰事件下不同系统之间的韧性，提出了综合韧性指标(general resilience，gr)，用来全面度量系统受到外界干扰前后的整个韧性过程，定义如下：
[0099][0100]
该指标的不足之处在于当系统的在外界干扰事件过程中，系统性能水平达到了最低值0，即系统的鲁棒性r为0，算出的综合韧性指标值为0。此时从整体的角度来看表示系统的综合韧性能力为0。该指标没有考虑到系统性能达到最低值0后再次恢复的情况，所以若因鲁棒性在某次干扰事件下为0就直接认为此次事件下系统的综合韧性值为0，显然有些不够合理。此外，出现这种情况还会导致不同系统之间无法分析比较综合韧性值。
[0101]
在此基础上提出一个新的综合韧性指标为非负综合韧性指标(nonnegative general resilience，ngr)：
[0102][0103]
上述指标为衡量不同系统受到相同破坏性事件下及同一系统受到不同破坏性事件下的韧性提供了重要度量，可以通过获取时间序列上机场航班性能变化对机场航班运行韧性进行评估。
[0104]
恶劣天气下机场航班运行韧性评估模型中提出新的机场运行性能韧性指标离场出发率；其次，结合机场航班运行的实际情况进行改进，提出非负综合韧性指标；采用正常天气下的机场航班运行性能作为基线减少计算性能损失的误差。该模型对比研究了系统在不同恶劣天气条件下以及在不同强度的恶劣天气条件下的变化规律，对机场航班运行性能的实证研究和分析提供方法。
[0105]
2机场航班运行韧性预测
[0106]
由于恶劣天气事件频发，对交通基础设施和系统的功能造成广泛的破坏性影响，甚至造成人员伤亡，因此，如果能够基于交通系统性能和气象数据定量观测和估计各种恶劣天气事件下的交通恢复力时空分布格局，显示具体的恢复力损失严重程度和系统总体恢复时间，对于减轻灾害和提高紧急响应能力将更加有效。
[0107]
根据报文数据预测机场航班运行性能韧性的实际情况出发，适应性地优化并搭建了基于lstm的恶劣天气下机场性能预测模型，如图2所示。
[0108]
采用sigmoid激活函数来解决机场航班运行性能韧性指标morp取值在0到1之间的问题。sigmoid激活函数如公式(2.1)所示，其函数图像如图3所示。
[0109]
[0110]
具体的基于lstm的恶劣天气下机场航班运行性能韧性预测模型架构细节如表2所示。将原始报文数据各因素取值归一化到-1到1之间，采用pca技术对数据进行降维处理，利用lstm模型，使用报文数据对机场性能morp值进行深度学习，结果经过fc层进行预测。预测结果经过sigmoid激活函数进行处理得到最终预测值morp'。
[0111]
表2基于lstm的机场航班运行韧性预测模型详细信息
[0112][0113][0114]
基于lstm的恶劣天气下机场性能预测模型的损失函数采用morp'与真实值morp的均方误差(mean-square error,mse)，如公式(2.2)所示。以降低损失函数值为目的，优化器选择adam，
[0115]
通过梯度下降来不断优化模型参数，提高模型准确度。
[0116]
loss＝mse(morp,morp')
ꢀꢀꢀꢀ
(2.2)
[0117]
为了验证模型得到的预测值的精度，采用均方误差(mse)作为评估预测值与真实值差异性的度量指标，来判断本文所提模型的预测值与真实值的拟合程度，如公式(2.3)所示。
[0118][0119]
其中，y为morp真实值(标签)，y'为本文所提出的模型对输入数据得到的预测值。均方误差(mse)取值范围为[0,+∞]，越接近0表明预测值与真实值越接近，模型预测性能越好。
[0120]
此外，还采用平均相对误差(mean relative error，mre)、根均方误差(root mean square error，rmse)、平均绝对误差(mean absolute error，mae)、对称平均绝对百分比误差(symmetric mean absolute percentage error，smape)来体现所提出的模型对于机场性能预测的准确性情况，如公式(2.4)、(2.5)、(2.6)、(2.7)所示。
[0121][0122][0123]
[0124][0125]
其中，k为报文数据的总数量。mre、rmse、mae、smape取值范围在[[0,+∞]，所以值越小越接近0，说明本文morp预测结果越接近真实值，模型的预测性能表现的效果越好。
[0126]
3实证分析
[0127]
选用了2021年1月1日00时00分至2021年8月1日00时00分(共5088个小时)时间段内的北京首都机场气象报文数据、气象预警信息以及航班起飞数据，经过数据预处理等操作，共筛选出7个恶劣天气事件包括2次降雪事件(1月18日降雪事件和1月25日降雪事件)，1次沙尘暴事件(3月14日沙尘暴事件)，4次下雨事件(7月1日下雨事件、7月5日下雨事件、7月11日下雨事件以及7月26日下雨事件)，分别以事件1、事件2、事件3、事件4、事件5、事件6以及事件7来表示。在北京气象台网页获取这几次恶劣天气事件的气象预警信息分别为：7月1日16时50分发布了暴雨蓝色预警；7月5日12时59分发布了暴雨橙色预警；7月11日20时00分发布了暴雨橙色预警；7月26日21时25分发布了暴雨黄色预警，随后在23时40分发布了暴雨红色预警。
[0128]
3.1机场航班运行韧性评估
[0129]
由选取出的恶劣事件和韧性度量指标公式计算得到各指标，如表3所示。
[0130]
表3恶劣天气事件下的机场航班运行韧性各阶段度量指标
[0131][0132]
以正常天气下的出发率为基线，描绘出降雪、沙尘暴以及雷雨事件下出发率的变化情况。图4中的虚折线代表正常天气下机场出发率，绿色线代表恶劣天气事件下机场出发率；三条虚垂线分别代表机场航班运行性能开始下降时刻td，性能达到最低时刻tr，性能恢复到稳定时刻t
ns
。从图中可以看出，不同恶劣天气事件发生时对机场航班运行有着不同程度的影响。
[0133]
针对不同恶劣天气事件，分别计算了相应恶劣天气发生时gr与ngr所表现出的综合韧性指标值，以及对比分析7次恶劣天气事件下gr与ngr所表现出的机场航班运行韧性差异情况，如图5所示。图中柱状代表综合韧性指标gr，折线代表改进后的非负综合韧性指标ngr。由图可知，在雷暴雨的恶劣天气下(事件4到事件7)，由于机场航班运行性能水平在某个时刻降低到为0的最低值，即鲁棒性r为0。因此，根据公式(1.12)计算出的事件4至事件7
的gr值均为0，表明机场航班运行系统在事件4至事件7的干扰下系统没有“回弹”的过程，这与实际情况相违背。此外，由于事件4至事件7的gr均为0，也无法探究这些恶劣天气事件与gr之间的规律。从事件发生前后的整体机场航班运行性能变化情况来看，在事件4至事件7的干扰下，机场航班运行系统的性能只是在某个时间段内为0，之后随着恶劣天气的消散以及管理人员的协调调度，系统于逐渐恢复的过程并复原到最初的状态，也就是反弹，而gr直接为0，从而说明了ngr指标全面评估机场航班运行韧性比原始gr更贴合实际。
[0134]
3.2机场航班运行韧性预测
[0135]
3.2.1数据处理
[0136]
采取数据归一化处理不同报文因素之间存在取值量纲差异性大问题，如公式(3.1)所示，式中x代表某个报文因素。
[0137][0138]
采用主成分分析(pca)对数据降维处理，设报文数据归一化后的结果为x
*
，使用公式(3.2)和(3.3)计算x
*
的协方差矩阵c，使用公式(3.4)和(3.5)分别计算主成分累积贡献率和m个主成分的样本数据。
[0139][0140][0141]
式中，cov(x,y)为矩阵x
*
的第x列与第y列的协方差，n为每个报文数据的因素个数。
[0142][0143][0144]
式中，k是样本数量。
[0145]
根据pca技术可以有效地将报文数据进行降维处理，从而达到对数据进行紧缩或简化模型的效果，同时最大程度的保持了原有数据的信息。
[0146]
3.2.1实验细节
[0147]
由机场自动气象站每隔半小时采集一次采用metar报文，时间段为2021年1月1日00：00至2021年7月31日23：30。除去了时间、报文类型、机场代码这3个因素，选取了如下共
39个因素作为每半小时的报文数据：风速(m/s)、能见度、浅的、散片的、低吹、吹、阵性的、雷暴、过冷、毛毛雨、雨、雪、米雪、冰针、冰粒、冰雹、霰、雾、烟、火山灰、浮沉、沙、霾、沙卷、飑、龙卷、沙暴、尘暴、云量1、云底高1、积云1、云量2、云底高2、积云2、云量3、云底高3、积云3、温度、露点温度共39个报文数据作为每个样本的因素，共采集10176个样本，作为模型输入。在报文数据量化的基础上，采用3种时序步长的实验设置：6小时、12小时、24小时。70％数据用于训练，20％用于测试，10％用于验证。采用公式(2.8)优化模型，保存模型训练过程中在验证集上表现出最优拟合程度(mse最小值)的模型参数。具体数据集划分情况如表4所示。实验参数设置如表5所示。实验环境如表6所示。
[0148]
表4实验数据划分情况
[0149][0150]
表5实验参数设置
[0151][0152]
表6实验环境
[0153][0154]
通过公式(3.1-3.5)可得39个因素的主成分特征值、贡献率及累积贡献率如表7所示：
[0155]
表7各因素主成分特征值、贡献率及累积贡献率
[0156][0157][0158]
3.2.3实验结果与分析
[0159]
采用处理好的数据对基于lstm的恶劣天气下机场性能预测模型进行训练、验证和测试。模型训练过程的损失函数loss值如图6所示。
[0160]
由图6可知，24小时的loss值波动较大，12小时的loss下降趋势较慢，6小时的loss下降较为趋势平和，但仍存在少许的波动。总体来说，3个时间下的loss值总体趋势是随着训练次数的增加而逐渐减小，最终都下降到同一数量级的范围内。损失值逐渐减小的趋势表明基于lstm的恶劣天气下机场性能预测模型在不断优化。
[0161]
为了评估基于lstm的恶劣天气下机场性能预测模型的预测精度情况，计算了不同时序步长下的均方误差mse，如表8所示。
[0162]
表8不同步长下的mse结果
[0163][0164]
均方误差mse是用来反映预测值与真实值之间的差异程度的一种度量，如果预测值与真实值越接近，说明模型预测能力越强，mse就会越接近于0。总体来说，6小时时序步长所训练出来的模型要优于其他时间所训练的模型，在训练集和测试集上达到了最好的效果，稳定性较好。
[0165]
计算得到平均相对误差(mre)、根均方误差(rmse)、平均绝对误差(mae)、对称平均绝对百分比误差(smape)指标结果，如表9所示。
[0166]
表9不同步长下的测试集度量指标结果
[0167][0168]
表9是从预测值与真实值的误差分析方面来评估本文所提模型的预测性能。从不同时序步长的测试集误差结果来看，6小时情况下的所有误差指标值都小于0.22，说明预测值与真实值相似度较高。
[0169]
为了合理评估本发明所提出的问题和相应改进的效果，进行消融实验，结果如表10所示。以lstm模型(hidden size＝128，num layers＝2)为基础模型(baseline)，然后根据是否使用数据归一化处理、数据pca降维和sigmoid激活函数做了相关的消融实验。由数据的pca降维技术中包含了数据归一化处理，所以使用pca时必然使用了数据归一化处理。
[0170]
表10消融实验
[0171][0172]
由表10可知，数据进行归一化处理对模型的性能有着显著的影响。在模型使用了数据归一化的基础上加上sigmoid函数(baseline5)，其模型性能再次提高，在测试集上所计算的误差值再次降低。三者均使用的模型(our)所表现出来的性能最优，证明了所提出解决数据单位及量纲、信息过长和冗余、morp值范围在0到1内等问题方法的有效性。
[0173]
本发明对机场性能情况进行预测，并采用多种误差分析的定量评估方法进行度量，对比分析不同时间策略下的误差分析指标，可以评估预测模型在报文数据下的最优性能，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。
[0174]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。