一种提取天气对航班韧性运行影响因素的方法

本发明涉及民航运营分析，尤其是涉及一种提取天气对航班韧性运行影响因素的方法。

背景技术：

1、在航空运输领域，天气条件常常对航班运行产生显著影响，可能导致延误和运营问题，给航空公司、机场和乘客带来不便和经济损失。尽管已有一些方法用于研究天气与航班运行之间的关系，但它们通常受到天气因素的局限性和复杂性的限制，难以提供全面的解决方案。随着机器学习技术的迅速发展，可从观察到的机场性能(输出)中推导出触发原因(天气)。因此，本发明利用大量的天气和航班数据，基于机器学习模型提取天气对航班延误韧性运行的影响因素，从而改善运营效率，减少延误，提高客户满意度。

2、已有研究从航线失效概率、机场运输能力的吸收扰动能力和恢复速度方面定义机场韧性指标，通过模拟事件破坏方式确定机场运输能力的受扰程度。但航班延误对于乘客而言是机场运行最关键的指标，对航班延误韧性状态的预测能体现航班运行的自适应程度。因此，为了考虑天气因素对机场运营的影响，有必要挖掘天气因素对航班延误韧性状态的影响程度。专利cn115660181a一种基于关联规则和lstm的机场延误等级预测方法中，仅利用历史航班运行数据预测机场延误等级，缺少天气等外界因素数据，预测结果无法给运营管理部门提供针对性缓解航班延误的措施。专利cn111738425a一种基于图挖掘的机场延误原因分析方法中，通过逐个删除机器学习模型中机场航班延误成因，比较预测准确率的变化，从而分析影响机场延误各因素的重要性，但缺少对延误韧性状态的因素分析，没有挖掘机场运营的自适应能力。

技术实现思路

1、本发明的目的是提供一种提取天气对航班韧性运行影响因素的方法，可以协助机场运营人员和航空公司更好地应对不利天气条件，有望显著提高机场运行的效率和可靠性，从而提供更好的乘客体验并获得更高的运营效益。

2、为实现上述目的，本发明提供了一种提取天气对航班韧性运行影响因素的方法，包括以下步骤：

3、s1、收集机场天气数据；

4、s2、基于历史机场航班数据，统计航班的实际起飞和降落时间，与计划时间比较，计算运行延误时间；

5、s3、利用航班延误时间，计算机场各航线航班在单位统计时间内的延误韧性值；

6、s4、利用人工神经网络ann机器学习方法，将历史航班数据和天气数据结合，预测天气对航班韧性运行的影响，计算天气各指标特征对机场航班延误影响的重要度。

7、优选的，在步骤s1中，机场天气数据包括机场名称、观测时刻、地面风向、风速、风向变化范围、能见度、云层类型及所在高度、温度、修正海平面气压值、未来两小时气候预测；

8、对以上收集的机场天气数据进行量化后，对一个运营日中个时间段内机场天气数据的个气象要素分别建立一维向量，构成的二维向量。

9、优选的，在步骤s2中，当第条航线的第次航班在机场起飞或落地时，计算延误时间，包括实际起飞时间减去计划起飞时间的延误时间，实际落地时间减去计划落地时间的延误时间，具体为：

10、 ；

11、其中，为第条航线的第次航班的延误时间，为第条航线的第次航班的实际起飞或落地时间，为第条航线的第次航班的计划起飞或落地时间。

12、优选的，在步骤s3中，根据一个运营日内机场航班运行从受到损失-损失持续-损失恢复的过程，计算航线上航班在一个运营日个时间段运行的韧性值；

13、 ；

14、 ；

15、其中，为统计时段内至时段的延误累积，为统计时段内机场航班延误时间出现拐点与零点的时刻，为统计时段内至时段的延误极大值，为统计时段内至时段的延误恢复速率，为统计时段内至时段的延误受扰速率，为统计时段内延误的最大值，为统计时段内航班延误时间的零点个数。

16、优选的，在步骤s4中，包括以下步骤：

17、s41、数据预处理

18、ann为有向图，其中节点为神经节点，边为连接，节点分为输入神经节点、输出神经节点和隐藏神经节点；

19、由天气数据形成的特征集为，各关键指标，为所有关键指标的数据集，为模型的训练数据集，为模型的测试数据集，为模型的验证数据集；

20、s42、利用机器学习模型建立映射函数

21、定义ann隐藏层节点数量；设置模型的参数：初始训练效率、全部样本训练次数、一次训练输入样本量及丢包率dropout rate，以便在训练过程中有效地更新模型参数的权重；进行模型训练，通过将训练数据输入模型中，反复迭代优化权重，使模型能够学习并适应数据的特征；

22、s43、输入特征的重要度计算

23、调用python中mlxtend机器学习扩展包，利用pi法计算特征向量排列换位后ann机器学习模型预测误差的增加来衡量特征的重要性。

24、优选的，在步骤s41中，包括以下步骤：

25、s411、机场航班运行延误韧性分类

26、结合步骤s3机场航班运行延误时间韧性值，从现状航班调度能力与机场系统运行自适应力的角度，将机场航班运行的韧性状态分为三类，分别表示为弹性、弹塑性及塑性，其中，表示机场航班延误的恢复过程为弹性的最大阈值，表示机场航班延误的恢复过程为塑性的最小阈值，利用k-means聚类算法计算各韧性状态的阈值；

27、s412、提取特征

28、利用rfe递归特征消除方法消除天气数据中各时间序列变量的相关性，提取关键特征，具体步骤如下：

29、s4121、在python中调用sklearn库feature_selection模块的rfe评估器，对当前数据集a1进行训练并计算每个特征的重要性，即计算每个特征的重要性；

30、s4122、剔除特征重要性计算结果最小的特征，得到特征子集a2，再次训练模型，并计算剩余特征的特征重要性；

31、s4123、重复s4122，直到特征子集的个数等于n_features_to_select，其中n_features_to_select是人工设置的最终保留特征个数；

32、s413、数据分割集选择

33、s4131、相似运行天数：利用dtw算法计算两个时间序列之间的相似性，避免相似天数数据同时输入，输入步骤s2中机场航班运行数据，统计每日分时段航班吞吐量；计算每两个航班运行时间序列的欧式距离；对欧式距离小于2的运行天数取各时段平均值，得到合并时间序列；

34、s4132、确定训练集、验证集、测试集。

35、优选的，在步骤s411中，算法的流程为：

36、s4111、选择初始聚类中心：从步骤s3计算得到的机场航班运行延误韧性值中随机选择三个数据点作为初始的聚类中心；

37、s4112、分配数据点到最近的聚类中心：对于每个数据点，计算其与每个聚类中心的距离，并将其分配给最近的聚类中心，计算时使用欧式距离，式中，，，其中为第个样本，为第个聚类中心，每个样本具有个属性值；为第个样本的第个属性值，为第个聚类中心的第个属性值，按照最小距离原则，将每一个样本分配到最邻近的聚类中心；

38、s4113、更新聚类中心：对于每个簇，计算该簇中所有数据点的平均值，然后将这个平均值作为新的聚类中心；

39、s4114、重复步骤s4112和步骤s4113：重复进行数据点分配和聚类中心更新的过程，直到聚类中心不再发生显著变化或达到预定的迭代次数；

40、s4115、确定阈值：将各类别的聚类中心从小到大排序，相邻类别的聚类中心的平均值为各状态的阈值，设排序后的聚类中心分别为，，，则各状态阈值为：，。

41、优选的，在步骤s42中，包括以下步骤：

42、s421、隐藏层节点数量确定：

43、 ；

44、其中，为训练集样本个数，为规模因子，取值范围为；

45、s422、超参数确定

46、在python的sklearn库中调用gridsearchcv，利用网格搜索法优化ann机器学习模型中初始训练效率、全部样本训练次数、一次训练输入样本量、丢包率dropout rate；

47、s423、ann机器学习模型训练

48、利用基于sgd随机梯度下降法的adam优化器，对ann机器学习模型进行训练，更新模型参数。

49、优选的，在步骤s43中，包括以下步骤：

50、s431、保存训练过程完成的ann模型，其预测结果为；

51、s432、将某一特征的所有值合并为一个向量，使用该向量进行机场航班运行韧性预测，其预测结果为，计算由关键特征合并造成的预测损失；

52、s433、将输入特征的数据集恢复到原始顺序，对所有输入特征重复步骤s432，计算各天气关键特征对机场航班运行延误韧性状态的重要度。

53、因此，本发明采用上述一种提取天气对航班韧性运行影响因素的方法，其技术效果如下：

54、（1）本发明准确统计航班延误时间，为机场运营和航空公司提供可靠的天气影响数据，帮助应对不利天气条件。

55、（2）本发明结合材料形变的概念将运行状态准确划分为三类并确定各类阈值，挖掘机场运营自身对干扰的抵抗能力，能够有效减少冗余的外部管制措施。

56、（3）本发明利用ann人工神经网络进行天气影响预测，提供高度准确的信息，改善乘客体验，增加运营效益。

57、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。