[发明专利]一种基于动态排序的进场航班落地时间预测方法

权利要求书

1.一种基于动态排序的进场航班落地时间预测方法，其特征在于，包括以下步骤：

步骤1：确定使用动态排序方法的情形下影响进场航班落地时间的重要因素，作为深度神经网络模型的输入特征；

步骤2：收集历史数据，从历史数据中获取步骤1确定的特征数据，并对特征数据进行预处理；

步骤3：以步骤2经过预处理的各航班特征数据作为输入，以各航班进场飞行时间作为标签，建立、训练并验证深度神经网络模型，用于动态预测进场航班的进场飞行时间，进而得到预测的进场航班落地时间。

2.根据权利要求1所述的一种基于动态排序的进场航班落地时间预测方法，其特征在于，步骤1中动态排序方法包括如下步骤：

步骤1.1：获取航班实时ADS-B数据Data1；

步骤1.2：将Data1和进场航班飞行计划数据FP1相关，筛选出进场航班的ADS-B数据Data2；

步骤1.3：根据Data2中的航班位置信息，判断Data2中是否有航班到达更新圈，若是，则进行步骤1.4；若否，则返回步骤1.1；所述更新圈为以机场基准点为圆心半径为R₁的圆形；

步骤1.4：进一步处理Data2，筛选出此刻处于起始圈和更新圈之间的进场航班ADS-B数据Data3，并从FP1中提取出Data3中涉及到的航班的飞行计划数据FP2；将FP2从FP1中删除以完成对FP1的更新；所述起始圈为以机场基准点为圆心半径为R₂的圆形，起始圈和更新圈之间的范围作为航班排序的缓冲区域；

步骤1.5：此排序阶段数据处理完成，返回步骤1.1进行后续的数据判断及处理工作。

3.根据权利要求1所述的一种基于动态排序的进场航班落地时间预测方法，其特征在于，步骤1中使用动态排序方法的情形下影响进场航班落地时间的4类重要因素和相应18个特征为：

航班静态因素：航空器机型、航空公司、航班类型；

航班动态因素：速度、高度、航向、预计进场点、预计使用跑道号、当前位置沿预计进场航线距接地点的飞行距离；

流量因素：进场航班数、离场航班数；

气象因素：组合反射率、回波顶高、垂直累积液态含水量、修正海压、风向、风速、能见度。

4.根据权利要求1所述的一种基于动态排序的进场航班落地时间预测方法，其特征在于，步骤2中收集的历史数据包括：飞行计划数据、AIP数据、ADS-B数据、气象数据。

5.根据权利要求3所述的一种基于动态排序的进场航班落地时间预测方法，其特征在于，步骤2中对特征数据进行预处理包括如下步骤：

步骤2.1：确定进场航班类型；根据重要程度将进场航班分为最高等级、次高等级和最低等级三类：最高等级的航班重要度最高，为专机或需要立即着陆的航班；次高等级的航班为国际航班和国内重要航班；最低等级的航班为一般国内普通航班；

步骤2.2：对于步骤1确定的输入特征中的定性特征：航空器机型、航空公司、航班类型、预计进场点和预计使用跑道号，根据各特征所有取值的数目按顺序以正整数进行编码，将定性特征值转换为定量表示；

步骤2.3：对步骤1确定的输入特征中除组合反射率、回波顶高和垂直累积液态含水量外的定量特征：速度、高度、航向、当前位置沿预计进场航线距接地点的飞行距离、进场航班数、离场航班数、修正海压、风向、风速、能见度，和通过步骤2.2定量转换后的定性特征值进行标准化，以消除量纲影响和取值范围差异影响。

6.根据权利要求3所述的一种基于动态排序的进场航班落地时间预测方法，其特征在于，步骤3中建立、训练并验证深度神经网络模型包括如下步骤：

步骤3.1：对组合反射率、回波顶高和垂直累积液态含水量3个特征，建立三通道卷积神经网络；

步骤3.2：将步骤3.1的输出与剩余15个特征作为输入，以各航班进场飞行时间作为标签，建立径向基神经网络；

步骤3.3：训练并验证深度神经网络模型。