导读:本文包含了航班节网络模型论文开题报告文献综述及选题提纲参考文献，主要关键词:民航空管,循环神经网络,机器学习,航班延误预测
航班节网络模型论文文献综述
刘亮[1]（2019）在《基于循环神经网络的航班延误预测模型》一文中研究指出在民航飞行航班量持续攀升的背景下,航班延误对民航生产的影响越来越大,准确有效的航班延误预测能够有效降低延误所带来的不利影响,提高民航生产的运行效率和服务质量。文章通过引入循环神经网络来挖掘航班延误在时间维度上的潜在关系,设计了深度机器学习算法,建立了基于RNN及LSTM单元相混合的延误预测模型,文章所设计模型使用民航空管的历史真实数据,也是对机器学习技术在空管行业应用的有益探索。(本文来源于《信息通信》期刊2019年10期）
吴仁彪,李佳怡,屈景怡[2]（2018）在《基于双通道卷积神经网络的航班延误预测模型》一文中研究指出针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限的问题,提出一种基于双通道卷积神经网络(DCNN)的航班延误预测模型。首先,该模型将航班数据和气象数据进行融合,应用DCNN进行自动特征提取,采用批归一化(BN)和Padding策略优化,提升到港延误等级的分类预测性能;然后,在卷积神经网络(CNN)基础上加入直通通道,以保证特征矩阵的无损传输,增强深度网络的畅通性;同时引入卷积衰减因子对卷积通道的特征矩阵进行稀疏性限制,控制不同网络深度的特征迭加比例,维持模型的稳定性。实验结果表明,所提模型与传统模型相比,具有更强的数据处理能力。通过数据融合,航班延误预测准确率可提高1个百分点;加深网络深度后,该模型能保证梯度的稳定,从而训练更深的网络,使准确率提升至92.1%。该基于DCNN算法的模型特征提取充分,预测性能优于对比模型,可更好地服务于民航决策。(本文来源于《计算机应用》期刊2018年07期）
汪瑜,孙宏[3]（2018）在《基于航班时空网络模型的网络型机队随机规划方法》一文中研究指出为了解决传统基于航班机型分配机队规划法无法准确反映枢纽航线网络下网络效应随机特性问题,将旅客收益网络优化模型合并入航班时空网络数学模型中构建航空公司网络型机队规划方法.在模拟航空公司枢纽网络运营环境(航线网络、航班计划、旅客需求与平均票价水平等)基础上,构建航班时空网络模型并划分行程结构需求情景集,以各机型飞机数为自由变量,将任一需求情景下机型飞机数等于相应自由变量视为非预期约束,构建以机队期望运营利润最大化为目标函数的网络型机队规划随机情景模型,并设计以"完成所需飞机数最少"为第一阶段,以"情景汇聚算法优化机队结构"为第二阶段的两阶段算法求解该模型.算例仿真结果表明,与基于航班机型分配的收益摊销型机队规划法相比较,网络型机队规划法的机队期望运营利润增加了17.1%;与"确定性"需求下的机队规划法相比较,网络型机队规划法的机队期望运营利润增加了1.7%.结果表明,设计的机队规划法能够更好的适应枢纽航线网络运营环境,且结果稳定性更高.(本文来源于《数学的实践与认识》期刊2018年06期）
刘振[4]（2015）在《航班延误的BN网络模型构建与治理研究》一文中研究指出近年来我国航班延误现象频繁发生,造成了巨大的经济损失和社会不良影响。航班延误治理受到各方高度重视,但治理效果不佳,航班正常率仍呈现逐年下降的趋势。提升航班延误治理的效果,需要对航班延误规律做更深入的了解,识别航班延误的关键影响因素,更有针对性的提出航班延误治理对策。本文对航班延误等相关概念进行了界定,对我国航班延误现状及延误原因做出分析,并对航班延误影响因素按航班运行流程进行了梳理。在此基础上,以X机场离港航班为例,构建了航班延误的贝叶斯网络模型并对模型进行了检验。模型同时具有预测功能。模型的网络结构以及叶节点的后验概率分布表明,航空公司、始发航班和机型是影响航班延误原因与离港延误时间的关键因素。不同航空公司在航班运行保障能力方面存在显着差异,治理航班延误,航空公司应补足自身运营的短板,推进优势资源的共享与市场化,合理安排执飞机型与航班串。此外,相关各方还应强化对始发航班延误的专项整治,完善对航班延误处置的奖惩机制,加强对航班延误的数据统计工作。(本文来源于《中国民航大学》期刊2015-04-28）
罗谦,张永辉,程华,李川[5]（2014）在《基于航空信息网络的枢纽机场航班延误预测模型》一文中研究指出航班延误一直是机场运营管理的一大难题,本研究报告面向区域多机场,重点针对机场集团内枢纽机场的航班延误问题,提出基于航空信息网络的航班延误预测模型NBFDM.该模型不仅使用了航班自身的相关属性,并且还考虑了航空信息网络内其他机场的因素对航班延误的影响.NBFDM模型首先提取航班本身的特征和该航班飞行前一段时间内航空信息网络的特征,然后使用PCA进行降维,对降维处理后的特征再使用SVR方法,得到非线性回归模型,用于预测航班的延误时间.实验表明本研究报告所提模型NBFDM相比仅使用航班自身属性的模型,对航班延误时间的预测误差降低约20%.(本文来源于《系统工程理论与实践》期刊2014年S1期）
张力菠,鲍和映[6]（2013）在《基于离散时空网络的不正常航班调度模型》一文中研究指出针对飞机资源短缺、机场临时关闭导致的不正常航班情况,同时考虑航班取消、航班延误及摆渡飞机等不正常航班调度策略,综合分析了原航班时间计划表、造成不正常航班的原因、可用飞机位置及航班取消、航班延迟和摆渡飞机的成本等不正常航班调度策略的影响因素,设计了新的离散时空网络算法,给出了算法步骤,并基于此网络构建了不正常航班调度模型。最后以一个中等规模航空公司的航班计划实例验证了算法和模型的可行性与有效性。(本文来源于《系统工程》期刊2013年12期）
乐美龙,王婷婷,吴聪聪[7]（2013）在《多机型不正常航班恢复的时空网络模型》一文中研究指出航空公司在执行日常飞行任务过程中,不可避免地会遇到恶劣天气、飞机故障等突发事件.此时,以最短时间、最小成本,调用可利用的资源进行航班的恢复是航空公司的重要目标.航班恢复包括飞机恢复、机组恢复及乘客恢复.其中飞机恢复是航空公司考虑的首要因素.在目前涉及飞机恢复的文献中,往往是单机型的飞机恢复,但实际中航空公司也可能调用不同机型的飞机进行航班的恢复.本文建立了单机型和多机型的时空网络模型,结合数学模型,采用Gurobi优化软件进行求解.实验结果表明,本文所提出的模型在有限时间内可以给出相对优化的恢复方案.(本文来源于《四川大学学报(自然科学版)》期刊2013年03期）
曹卫东,丁建立[8]（2012）在《基于GATS贝叶斯网络结构学习的航班延误模型》一文中研究指出对遗传算法(GA)贝叶斯网络(BN)结构学习和禁忌搜索算法(TS)进行分析,提出遗传禁忌搜索贝叶斯网络结构学习算法GATS_BNSL。把禁忌搜索思想引入到遗传算法BN结构学习由父代种群产生后代种群的演化过程中,以禁忌搜索交叉和禁忌搜索变异改进传统的遗传算子,对比实验分析表明了GATS_BNSL的学习优势。应用此方法,基于真实数据,建立了大型枢纽机场航班离港延误模型。该模型切实反映了导致航班延误的多因素之间的因果关系,而且建模时间少,学习正确率高。(本文来源于《计算机工程与应用》期刊2012年31期）
曹卫东,房芗浓[9]（2011）在《基于改进贝叶斯网络结构学习的机场航班离港延误模型》一文中研究指出将遗传算法与模拟退火算法相结合,提出高评分优先遗传模拟退火贝叶斯网络结构学习算法(HSPGSA)。算法具有遗传算法广泛的全局搜索能力和模拟退火算法的局部爬山优势;最高评分结构优先被选择,同时给非最高评分的网络结构以充分的机会,有效避免高评分个体误导种群发展方向所带来的早熟问题。算法应用于大型枢纽机场航班离港延误分析,构建航班数据的贝叶斯网络模型。实验结果表明:算法能够学到优化的网络结构,而且收敛速度快。参数学习结果可以反映机场航班离港延误情况。(本文来源于《Proceedings of 2011 AASRI Conference on Artificial Intelligence and Industry Application（AASRI-AIIA 2011 V1）》期刊2011-05-23）
曹卫东,房芗浓[10]（2010）在《基于改进贝叶斯网络结构学习的机场航班离港延误模型》一文中研究指出将遗传算法与模拟退火算法相结合,提出高评分优先遗传模拟退火贝叶斯网络结构学习算法(HSPGSA)。算法具有遗传算法广泛的全局搜索能力和模拟退火算法的局部爬山优势;最高评分结构优先被选择,同时给非最高评分的网络结构以充分的机会,有效避免高评分个体误导种群发展方向所带来的早熟问题。算法应用于大型枢纽机场航班离港延误分析,构建航班数据的贝叶斯网络模型。实验结果表明:算法能够学到优化的网络结构,而且收敛速度快。参数学习结果可以反映机场航班离港延误情况。(本文来源于《Proceedings of 2010 International Conference on Services Science, Management and Engineering(Volume 2)》期刊2010-12-26）
航班节网络模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限的问题,提出一种基于双通道卷积神经网络(DCNN)的航班延误预测模型。首先,该模型将航班数据和气象数据进行融合,应用DCNN进行自动特征提取,采用批归一化(BN)和Padding策略优化,提升到港延误等级的分类预测性能;然后,在卷积神经网络(CNN)基础上加入直通通道,以保证特征矩阵的无损传输,增强深度网络的畅通性;同时引入卷积衰减因子对卷积通道的特征矩阵进行稀疏性限制,控制不同网络深度的特征迭加比例,维持模型的稳定性。实验结果表明,所提模型与传统模型相比,具有更强的数据处理能力。通过数据融合,航班延误预测准确率可提高1个百分点;加深网络深度后,该模型能保证梯度的稳定,从而训练更深的网络,使准确率提升至92.1%。该基于DCNN算法的模型特征提取充分,预测性能优于对比模型,可更好地服务于民航决策。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
航班节网络模型论文参考文献
[1].刘亮.基于循环神经网络的航班延误预测模型[J].信息通信.2019
[2].吴仁彪,李佳怡,屈景怡.基于双通道卷积神经网络的航班延误预测模型[J].计算机应用.2018
[3].汪瑜,孙宏.基于航班时空网络模型的网络型机队随机规划方法[J].数学的实践与认识.2018
[4].刘振.航班延误的BN网络模型构建与治理研究[D].中国民航大学.2015
[5].罗谦,张永辉,程华,李川.基于航空信息网络的枢纽机场航班延误预测模型[J].系统工程理论与实践.2014
[6].张力菠,鲍和映.基于离散时空网络的不正常航班调度模型[J].系统工程.2013
[7].乐美龙,王婷婷,吴聪聪.多机型不正常航班恢复的时空网络模型[J].四川大学学报(自然科学版).2013
[8].曹卫东,丁建立.基于GATS贝叶斯网络结构学习的航班延误模型[J].计算机工程与应用.2012
[9].曹卫东,房芗浓.基于改进贝叶斯网络结构学习的机场航班离港延误模型[C].Proceedingsof2011AASRIConferenceonArtificialIntelligenceandIndustryApplication（AASRI-AIIA2011V1）.2011
[10].曹卫东,房芗浓.基于改进贝叶斯网络结构学习的机场航班离港延误模型[C].Proceedingsof2010InternationalConferenceonServicesScience,ManagementandEngineering(Volume2).2010