动态数据驱动的航班延误预测研究

第３６卷第３期武汉理工大学学报（交通科学与工程版）

ＪｏｕｒｎａｌｏｆＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ

（ＴｒａｎｓｐｏｒｔａｔｉｏｎＳｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ）

Ｖ０１．３６Ｎｏ．３

２０１２年６月Ｊｕｏｅ２０１２

动态数据驱动的航班延误预测研究＊

陈海燕１’

王建东＂

徐涛２’

南京２１００１６）天津３００３００）

（南京航空航天大学计算机科学与技术学院”（中国民航大学计算机科学与技术学院”

摘要：航班运行过程的动态性导致延误实时预测成为难题．动态数据驱动方法为其提供了一种解

决方案．该方法能将航班运行实时数据动态加人延误预测过程中，使预测结果更准确可靠．以预测

连续进港航班的降落延误为例，对航班之间的延误传递过程进行分析，建立相应的状态空间模型；

给出动态数据驱动的航班延误预测框架及预测过程．在航班运行历史数据上进行的多个实验表明：该方法能获得较高的预测准确度和良好的预测稳定性．

关键词：动态数据驱动应用系统；航班延误预测｝参数估计；数据同化；卡尔曼滤波

中图法分类号：Ｕ８；ＴＰ３９１

ＤＯＩ：１０．３９６３／ｊ．ｉｓｓｎ．２０９５—３８４４．２０１２．０３．００６

近ｌＯａ来，国内外学者针对航班延误原因、

此，美国国家科学基金会于２０００年提出全新的仿真预测分析系统——ＤＤＤＡＳ［３］，旨在将仿真和实验有机结合起来，使仿真可以在执行过程中动态地从实际系统接收数据并做出响应，而仿真结果可以动态地控制实际系统的运行，指导测量的进行．

目前，ＤＤＤＡＳ在交通运输领域的已有一些应用成果．Ｆｕｊｉｍｏｔｏ等Ｈ１基于一种微观城市地面交通仿真模型，根据所采集到的实时交通流数据来优化信号控制、确定当前地面交通状态及预测未来状态．Ｈｕａｎｇ【５’重点研究了在轨道交通中如何在仿真过程中不断利用实测数据对预测模型进行校验以获得更精确可靠的预测输出．Ｗａｎｇ［６３提出了～种基于随机宏观高速公路交通流模型和扩展卡尔曼滤波技术的实时高速公路交通状态估计器．在空中交通领域，Ｈｙａｔｔ【７３给出了一种航班延误预测ＤＤＤＡＳ框架和实时数据采集方法．

从上述研究中可以总结出，要应用动态数据

驱动方法进行系统状态预测必须解决２个关键问

传播模型ｕ］及如何减少延误［２３等问题进行了研究．目前，常用的航班延误预测方法一般采用确定性模型。势必会忽略一些重要的随机因素，如突发事件．因此，对航班延误实时预测毫无意义．

航班延误实时预测本质上是一个动态系统状

态估计问题．本文将仿真领域最新研究成果——

动态数据驱动应用系统（ｄｙｎａｍｉｃ

ｄａｔａｄｒｉｖｅｎａｐ—

ｐｌｉｃａｔｉｏｎｓｙｓｔｅｍ，ＤＤＤＡＳ）范型用于航班延误的

实时预测，对连续进港航班延误波及问题进行分析和建模，基于系统状态空间模型构建了一种动态数据驱动的航班延误预测框架，并用某枢纽机场的历史航班运行数据验证该方法的有效性．

１

ＤＤＤＡＳ应用问题

传统的系统仿真方法是将早期测量得到的静

态数据输入到系统模型中预测现在或未来系统的变化．然而，由于早期测量数据并不能及时和准确的反映动态系统的实时变化情况，仿真的结果往往与实际测量结果相差甚远，导致预测失败．为

收稿日期：２０１ｉ－１２－１０

题：（１）预测模型．根据系统行为特征建立一个可计算的预测模型。能反映系统状态之间的关系，及系统状态与可测数据之间的关系，（２）数据同化．

陈海燕（１９７９－）；女．博士生，讲师，主要研究领域为数据挖掘、仿真与建模、系统分析与集成

‘国家“８６３”高科技项目（批准号：２００６ＡＡｌ２Ａ１０６）．国家自然科学基金重点项目（批准号：６】１３９００２）资助

４６４

武汉理工大学学报（交通科学与工程版）２０１２年第３６卷

根据模型性质确定一种数据同化算法，能将动态实测数据融合到模型预测中，达到更新预测结果

的目的．

２

航班延误状态空间模型

２．１延误问题分析

由于同一时间跑道只能供一架飞机使用，连续进港的相邻两航班之间的存在延误波及问题．在计划紧凑的情况下，若前行航班发生延误，会引起链式反应，将延误影响传播到后行航班．设飞机在发出准备降落就绪信号前产生的延误为已知的累积延误，在发出准备降落就绪信号后产生的延误为降落延误，两者之和为该航班的进港延误．设进港延误为ｄ，降落延误为ｚ，累积延误为口，波及延误为Ｐ，前后行飞机之间存在最小飞机间隔时

间为ｍ，两飞机间缓冲时间为ｂ，／Ｔ／包含在ｂ中，

且必须得到满足．前行飞机对后行飞机的延误波

及产生过程见图１．

耐行Ｅ机

，酉＿ｒ乜口Ｌ

计划进港日抽Ｊ

ｆ．鼙４．韭港时词

．

６２

．盟；－

＿

一凶一

●，

．

西

一

●

７●

．

凶

ｍ．

３

一

．乌

．

西

４

．卅．

．

厦。１：

图１延误波及产生过程

可见，当ｄ，大于ｂ。和ｍ之差时，为确保最小飞机间隔，后行飞机将产生波及延误Ｐ。，后行飞机的降落延误可表示为

Ｚ２＝Ｐ２＋如＝Ｚ１＋口１一ｂ２＋ｍ＋￡２

（１）

式中：ｅ２为降落过程中由其他随机因素引起的延误．

２．２状态空间模型

通过上节对航班降落延误问题的分析，可将

系统状态空间模型表示为如下分段线性模型：ｆ

ｆｚＦｌ＋ａｋ－－ｌ—ｂ±＋ｚ｝ｌ＋口｝１≥

ｍ＋“＋＂Ｗｋ

ｂ＾一ｍ

｛以一１

＠’

。＋。。＋叫。

Ｌ

ｚ≮。＋口卜，＜以一优

【Ｙ＾＝ｚＩ＋仇

（３）

其中：式（２）为过程方程；式（３）为观测方程；ｚｔ为第ｋ个航班的降落延误；口ｔ为第Ａ个航班的累积延误；坟为第ｋ个航班的计划间隔；ｍ为最小飞机间隔，按规定执行；Ｙ。为观测值；ｍ，仇为过程噪声和观测噪声池为随机延误．由于影响航班降

落的因素较复杂，且各种因素与航班延误之间的关系很难用数学模型表示，因此，“不能直接计算得到．这里可采用智能数据挖掘算法，从历史数据中学习到随机因素的影响模式，估计出当前情况下的岛；若遇极端情况，如空中管制、恶劣天气等，可直接参考专家意见．关于岛的计算已由另文发表［８］，本文不再展开讨论．

３

动态数据驱动的航班延误预测

３．１动态数据驱动的航班延误预测系统框架基于状态空间模型构造出动态数据驱动的航

班延误预测框架见图２．

ｌ圄圄圄曰

匡擀爵

系统

———’————————一ｌ

状态空问预测值

模型

－－－－－—．－——＿—＿＿＿．．Ｊ’、ｌ

Ｉｌ司化ｌ

——————————＇，Ｌ—————＿Ｊ

Ｔ

数据采集与处理

竹

＼

Ｉ

８吣１

图２

动态数据驱动的航班延误预测框架

该框架由４个主要模块组成：（１）数据采集与处理模块．完成实时数据的采集和处理，为参数估计和数据同化提供输入数据；（２）参数估计模块．根据实时数据估计状态空间模型中吼，ｂ。，伽。，仇，ｅ。等参数在当前条件下的取值；（３）系统

状态空间模型．根据过程方程所描述的前后行航

班降落延误之问的关系，计算出后行航班降落延误的先验估计值作为数据同化的输入；（４）数据同化模块．用实际测量的结果来更新或优化模型预测的结果，目前可用卡尔曼滤波［９１或粒子滤波［１叩方法实现数据同化，前者适用于线形系统状态估计，后者适用于非线性非高斯系统的状态估计．

３．２基于卡尔曼滤波的状态预测

对线性状态空间模型｛瓤一竺“。十肌，基ｌ儿２／＇／Ｘｋ十ｈ

于卡尔曼滤波的状态估计和预测过程为：

１）初始化状态初值甄及其协方差Ｐｏ．

２）时间更新

根据‰一。，只一－计算瓤和Ｐ。

的先验估计

缸ｌｐｌ—Ａ工ｐｌ

（４）

第３期陈海燕，等：动态数据驱动的航班延误预测研究

４６５

ｎ【ｐｌ—Ｐｂｌ＋Ｑ

（５）表２均方根误差随连续航班数量的变化

式中：Ｇ＝Ｖａｒ（Ｗｋ）．

３）测量更新

当新的观测值Ｙ。到达时，更

从表２可以看出：连续航班数量对预测准确

（６）

新工。’ｉ。，Ｒ。，得到瓤和Ｐ。的后验估计

瓤＝‰ｌ｝＿ｌ＋Ｋ＾（弘一ＨｒⅢ＿１）

度的影响不大，动态数据驱动的延误预测方法有

式中：Ｋ为卡尔曼增益，计算方法为

Ｋｋ＝Ｐ女【＾一ｌＨｌ（ＨＰ＾ｐ１Ｈ１Ｒ＾）＿１

（７）

较好的稳定性．

式中：风一Ｖａｒ（ｈ）．

４）重复２），３）预测不断向前推进．

５

结束语

本文提出了一种动态数据驱动的航班延误预

４

实验及结果分析

本文在Ｍａｔｌａｂ平台上进行了一系列实验，实

测方法．该方法能在利用系统状态空间模型进行先验预测的同时，将采集到的有关航班运行过程的各种实时数据反馈到预测过程中，用于动态地更新延误预测值．实例研究证明所提出的动态数据驱动的航班延误预测方法具有较高的预测准确

度，且受被测连续航班数量的影响很小．这就为机

验数据来源于国内某枢纽机场航班运行历史记录．实验从不同角度展开，在验证动态数据驱动航班延误预测能力的同时，还验证了噪声、连续预测步数等因素对预测准确度的影响．

实验１考察动态数据驱动航班延误预测的

场或航空公司预测未来航班的执行、制定减少航班延误的相关决策及进一步的机场环境预测提供了有力支持．

参考文献

准确度，以及噪声方差Ｒ，Ｑ取不同值时对预测结

果的影响．图３显示了对５０架连续进港航班进行

降落延误预测的结果．

［１］Ａｂｄｅｌｇｈａｎｙ

ｆｏｒ

＼亘烈剖

ＥＥ

ＫＦ，ＳｈａｈＳＳ，ＲａｉｎａＳ，ｅｔａ１．Ａｍｏｄｅｌ

ｐｒｏｊｅｃｔｉｎｇｆｌｉｇｈｔｄｅｌａｙｓｄｕｒｉｎｇｉｒｒｅｇｕｌａｒｏｐｅｒａｔｉｏｎ

ＡｉｒＴｒａｎｓｐｏｒｔ

ｃｏｎｄｉｔｉｏｎｓ［Ｊ］．Ｊｏｕｒｎａｌｏｆ

ｍｅｎｔ，２００４，１０（６）：３８５—３９４．

Ｍａｎａｇｅ

々

［２］ＡｈｍａｄＢｅｙｇｉＳ．ＣｏｈｎＡ，ＬａｐｐＭ．Ｄｅｃｒｅａｓｉｎｇａｉｒｌｉｎｅ

ｄｅｌａｙｐｒｏｐａｇａｔｉｏｎ

ｂｙ

ｒｅ－ａｌｌｏｃａｔｉｎｇ

ｓｃｈｅｄｕｌｅｄ

ｓｌａｃｋ

［Ｊ］．１ＩＥ［３３

Ｄａｒｅｍａ

Ｔｒａｎｓａｃｔｉｏｎｓ，２０１０，４２（７）：４７８—４８９．Ｆ．Ｄｙｎａｍｉｃｄａｔａ

ｏｎ

ｄｒｉｖｅｎａｐｐｌｉｃａｔｉｏｎｓｙｓｔｅｍｓ

［Ｒ］．ＮＳＦＷｏｒｋｓｈｏｐ

ｃａｔｉｏｎ

ＤｙｎａｍｉｃＤａｔａＤｒｉｖｅｎＡｐｐｌｉ—

Ｓｙｓｔｅｍｓ，Ｍａｒｃｈ，２０００．

Ｒ，Ｓｕｈ

［４］ＨｕｎｔｅｒＭ，Ｆｕｊｉｍｏｔｏ

ｔｉｏｎｏｆ

ｒｅａｌ—ｔｉｍｅ

Ｗ，ｅｔａ１．Ａｎｉｎｖｅｓｔｉｇａ—

ｄｒｉｖｅｎｔｒａｎｓｐｏｒｔａｔｉｏｎ

ｄｙｎａｍｉｃｄａｔａ

ｓｉｍｕｌａｔｉｏｎ［Ｃ］ｆｆＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２００６ＷｉｎｔｅｒＳｉｍ

ｕｌａｔｉｏｎ

Ｃｏｎｆｅｒｅｎｃｅ．Ｗａｓｈｉｎｇｔｏｎ，ＤＣ，ＵＳＡ：ＩＥＥＥ，

４２１．

ａｕｔｏ—

均方根误差／ｍｉｎ

（Ｒ．Ｑ）

２００６：１４１４—１

先验估计

（１．Ｉ）

预测值

２．６５６

［５］Ｈｕａｎｇ

Ｙ，ＳｅｃｋＭＤ，ＶｅｒｂｒａｅｃｋＡ．Ｔｏｗａｒｄｓ

６．３５５５５．１７２４６．５４５８

９

３

ｍａｔｅｄｍｏｄｅｌｃａｌｉｂｒａｔｉｏｎａｎｄｖａｌｉｄａｔｉｏｎｉｎｒａｉｌｔｒａｎｓｉｔ

（１，４）（１．９）

１．００４６１．２１３

０

ｓｉｍｕｌａｔｉｏｎ［Ｃ］｝｝Ｐｒｏｃｅｄｉａ

１２５９—１２６５．

Ｃｏｍｐｕｔｅｒ

Ｓｃｉｅｎｃｅｌ，２０１０：

（０．０１，９）８．９５４０．００９９２．２９２

０

（４，９）８．３４０８

［６３Ｗａｎｇ

Ｙ，Ｐａｐａｇｅｏｒｇｉｏｕ

ｆｒｅｅｗａｙｔｒａｆｆｉｃ

Ｍ，ＭｅｓｓｍｅｒＡ，ｅｔａ１．Ａｎ

ｓｔａｔｅ

ａｄａｐｔｉｖｅｅｓｔｉｍａｔｏｒ［Ｊ］．Ａｕｔｏ—

由表１可见，融合实时观测数据能明显提高预测的准确度；（Ｒ，Ｑ）取值对预测准确度有重大

影响．

［７３

ｍａｔｉｃａ，２００９（４５）：１０—２４．Ｈｙａｔｔ

ｃａｓｔ—ａｎ

Ｒ，ＢａｎｓａｌＤ，ＣｈａｋｒａｂｏｒｔｙＳ，ｅｔａ１．Ｆｌｉｇｈｔａｉｒｌｉｎｅｆｌｉｇｈｔｄｅｌａｙｐｒｅｄｉｃｔｉｎｇ

ＤＤＤＡＳ［ｃ］∥

ｏｎ

实验２考察预测不同数量连续航班时预测准确度的变化，均方根误差见表２．

Ｐｒｏｃｅｅｄｉｎｇｓｏｆ２００７ＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｔｒｉｂｕｔｅｄＣｏｍｐｕｔｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎ

ｔｏ

Ｄｉｓ—

Ｂｕｓｉｎｅｓｓ，Ｅｎ—

４６６

武汉理工大学学报（交通科学与工程版）

Ｓｃｉｅｎｃｅ．ＷｕｈａｎＣｈｉｎａ，ＨｕｂｅｉＳｃｉｅｎｃｅ

２０１２年第３６卷

８ｉｎｅｅｒｉｎｇａｎｄ［９］ＫａｌｍａｎＲＥ，ＢｕｃｙＲ．Ｎｅｗｒｅｓｕｌｔｓｉｎｌｉｎｅａｒｆｉｌｔｅｒｉｎｇ

ａｎｄＴｅｃｈｎｏｌｏｇｙＰｒｅｓｓ，２００７：８５—８８．ａｎｄｐｒｅｄｉｃｔｉｏｎ

ｐｒｏｂｌｅｍｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＢａｓｉｃＥｎｇｉ—

Ｉｓ］Ｃｈｅｎ

Ｈ

Ｙ，ＷａｎｇＪＤ，ＸｕＴ．Ｍｏｄｅｌｉｎｇｏｆｆｌｉｇｈｔｄｅ—

ｏｎ

ｎｅｅｒｉｎｇ １９６１，８３（１）：９５—１０８．

ｌａｙｓｔａｔｅ－ｓｐａｃｅｍｏｄｅｌｂａｓｅｄ

ｇｅｎｅｔｉｃ

ＥＭａｌｇｏｒｉｔｈｍ［１０］ＢｏｌｖｉｋｅｎＥ，ＡｃｋｌａｍＰＪ，ＣｈｒｉｓｔｏｐｈｅｒｓｅｎＮ，ｅｔａ１．

ｓｔａｔｅ

［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＡｅｒｏｎａｕ—ｔｉｃｓ＆Ａｓｔｒｏｎａｕｔｉｃｓ．２０１Ｉ．２８（３）：２７６—２８１．

Ｍｏｎｔｅｃａｒｌｏｆｉｌｔｅｒｓｆｏｒｎｏｎ—ｌｉｎｅａｒ

ｅｓｔｉｍａｔｉｏｎ

［Ｊ］．Ａｕｔｏｍａｔｉｃａ，２００１，３７（２）：１７７—１８３．

Ｒｅｓｅａｒｃｈ

ｏｎ

ｔｈｅＤｙｎａｍｉｃＤａｔａ—ｄｒｉｖｅｎＰｒｅｄｉｃｔｉｏｎｆｏｒＦｌｉｇｈｔＤｅｌａｙ

ＣｈｅｎＨａｉｙａｎ”ＷａｎｇＪｉａｎｄｏｎ９１’ＸｕＴａ０２’

（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙ

ｏｆＡｅｒｏｎａｕｔｉｃｓａｎｄＡｓｔｒｏｎａｕｔｉｃｓ，Ｎａｎｊｉｎｇ２１００１６，Ｃｈｉｎａ）”

（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＣｉｖｉｌＡｖｉａｔｉｏｎＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａ，Ｔｉａｎｊｉｎ

３００３００，Ｃｈｉｎａ）２’

Ａｂｓｔｒａｃｔ：Ｆｌｉｇｈｔｄｅｌａｙｐｒｅｄｉｃｔｉｏｎｒｅｍａｉｎｓｃｒａｔｉｎｇｐｒｏｃｅｓｓ．Ｔｏｓｏｌｖｅ

ａｎ

ｉｍｐｏｒｔａｎｔｒｅｓｅａｒｃｈｔｏｐｉｃｄｕｅ

ｔｏ

ｔｈｅｄｙｎａｍｉｃｓｉｎｆｌｉｇｈｔｏｐ—

ａｒｅａ

ｔｈｉｓｐｒｏｂｌｅｍｄｙｎａｍｉｃ

ｄａｔａ—ｄｒｉｖｅｎａｐｐｒｏａｃｈｆｒｏｍｃｏｎｔｒｏｌ

ｔｏ

ｗａｓｉｎｔｒｏ—

ａｃｃｕｒａｔｅ

ｄｕｅｅｄ，ｗｈｅｒｅｒｅａｌ—ｔｉｍｅｄａｔａｗａｓｃｏｌｌｅｃｔｅｄａｎｄｉｎｊｅｃｔｅｄｉｎｔｏｔｈｅｐｒｅｄｉｃｔｉｏｎｐｒｏｃｅｓｓａｎｄｒｅｌｉａｂｌｅｒｅｓｕｌｔ．Ｉｎｇａｔｉｏｎｗａｓａｎａｌｙｚｅｄ

ｔｏ

ｃａｓｅ

ｇｅｔ

ｍｏｒｅ

ｏｆｐｒｅｄｉｃｔｉｎｇｔｈｅｌａｎｄｉｎｇｄｅｌａｙｓｏｆｃｏｎｔｉｎｕｏｕｓａｒｒｉｖａｌｆｌｉｇｈｔｓ，ｄｅｌａｙｐｒｏｐａ—

ｓｔａｔｅ

ｅｓｔａｂｌｉｓｈｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇ

ｓｐａｃｅ

ｏｎ

ｍｏｄｅｌ．Ｔｈｅｎｄｙｎａｍｉｃｄａｔａ—ｄｒｉｖｅｎｐｒｅ—ｔｈｉｓａｒｃｈｉｔｅｃｔｕｒｅｗｅｒｅｐｒｅｓｅｎｔｅｄ．Ｓｅｖｅｒ－

ｄｉｃｔｉｏｎａｒｃｈｉｔｅｃｔｕｒｅｆｏｒｆｌｉｇｈｔｄｅｌａｙａｎｄｔｈｅｐｒｅｄｉｃｔｉｏｎｓｔｅｐｓａｌｅｘｐｅｒｉｍｅｎｔｓｗｅｒｅｃａｒｒｉｅｄ

ｏｕｔ

ｏｎ

ｔｈｅｈｉｓｔｏｒｉｃｆｌｉｇｈｔｄａｔａ

ｎｏｔ

ｔｏ

ｖａｌｉｄａｔｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｉｓｓｏｌｕｔｉｏｎ．

ｔｏ

Ｒｅｓｕｈｓｓｈｏｗｔｈａｔ：ｔｈｅａｃｃｕｒａｃｙｉｓｈｉｇｈ，ａｎｄｉｔｉｓ

ｓｅｎｓｉｔｉｖｅ

ｔｈｅｎｕｍｂｅｒｏｆｃｏｎｔｉｎｕｏｕｓａｒｒｉｖａｌ

ｆｌｉｇｈｔｓ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅｓｏｌｕｔｉｏｎｈａｓｇｏｏｄｐｒｅｄｉｃｔｉｖｅｓｔａｂｉｌｉｔｙａｎｄｒｅｌｉａｂｉｌｉｔｙ．

ｏ“”ｏ…々…ｏ…ｏ…ｏ……—ｏ…ｏ目＿…ｏｔ＿——…ｏＨ。ｏｍ‘，ｄｑ●＾Ｅ，，目。如ｏ●“

Ｋｅｙ

ｗｏｒｄｓ：ｄｙｎａｍｉｃｄａｔａ’ｄｒｉｖｅｎａｐｐｌｉｃａｔｉｏｎｓｙｓｔｅｍ；ｆｌｉｇｈｔｄｅｌａｙｓｐｒｅｄｉｃｔｉｏｎ；ｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｉｏｎ；ｄａ—

ｔａ

ａｓｓｉｍｉｌａｔｉｏｎ；Ｋａｌｍａｎｆｉｌｔｅｒ

（上接第４６２页）

Ｒｅｓｅａｒｃｈ

ｏｎ

ｔｈｅＲｅｌａｔｉｏｎｓｈｉｐＢｅｔｗｅｅｎＧｒａｄｉｎｇＣｕｒｖｅＴｒｅｎｄ

ａｎｄＡｉｒＶｏｉｄｓｉｎＡｓｐｈａｌｔ

Ｍｉｘｔｕｒｅｓ

ｘｕ

Ｈｕｉｎｉｎ９１１

ＴａｎＹｉｑｉｕ”ＬｉＸｉａｏｍｉｎ２’ＭａＳｈａａｊｕｎ”

（ＳｃｈｏｏｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎＳｃｉｅｎｃｅ

ａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＨａｒｂｉｎＩｎｓｔ．ｏＪ。Ｔｅｃｈ．，Ｈａｒｂｉｎ

１５００９０，Ｃｈｉｎａ）＂

（ＧａｎｓｕＰｒｏｖｉｎｃｉａｌＣｏｍｍｕｎｉｃａｔｉｏｎｓＰｌａｎｎｉｎｇＳｕｒｖｅｙａｎｄＤｅｓｉｇ刀Ｉｎｓｔｉｔｕｔｅ，Ｌａｎｚｈｏｕ

７３００３０，Ｃｈｉｎａ）２’

Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｉｎｖｅｓｔｉｇａｔｅｄｔｈｅｉｎｆｌｕｅｎｃｅｏｆｇｒａｄｉｎｇ

ｃｕｒｖｅ

ｔｒｅｎｄ

ｏｎ

ｔｈｅａｉｒｖｏｉｄｓｉｎａｓｐｈａｌｔｍｉｘ—

ａｎ

ｔｕｒｅｓ．Ａｔｏｔａｌｏｆ１１ａｓｐｈａｌｔｍｉｘｔｕｒｅｓｗｉｔｈｄｉｆｆｅｒｅｎｔｇｒａｄｉｎｇｗｅｒｅｓｔｕｄｉｅｄ．Ｔｈｅ

ｔｅｓｔ

ｃｕｒｖｅ

ｔｒａｉｔｓａｎｄ

ａ

ａｓｐｈａｌｔｂｉｎｄｅｒｃｏｎｔｅｎｔ

ｏｎ

ｄａｔａｉｌｌｕｓｔｒａｔｅｄｔｈａｔｔｈｅａｇｇｒｅｇａｔｅｇｒａｄａｔｉｏｎｈａｄ

ｓｉｇｎｉｆｉｃａｎｔｉｎｆｌｕｅｎｃｅ

ｔｈｅ

ａｉｒｖｏｉｄｓｉｎａｓｐｈａｌｔｍｉｘｔｕｒｅｓ．Ｗｉｔｈｔｈｅｆｉｎｅａｇｇｒｅｇａｔｅｃｈａｎｇｉｎｇｆｒｏｍｆｉｎｅｔｏｃｏａｒｓｅ．ａｉｒｖｏｉｄｓｉｎｃｒｅａｓｅｄｇｒａｄｕａｌｌｙ．Ｔｈｅａｉｒｖｏｉｄｓｗａｓｔｈｅｌｅａｓｔｗｈｅｎｔｈｅ

ｔｙａｇｇｒｅｇａｔｅ

ｃｏａｒｓｅ

ａｇｇｒｅｇａｔｅｇｒａｄｉｎｇ

ｎｅａｒｓｔｏ

ｔｈｅｍａｘｉｍｕｍｄｅｎｓｉ—

ｔｏ

ｇｒａｄｉｎｇ，ａｎｄｗａｓｔｈｅｍｏｓｔｗｈｅｎｔｈｅ

ｃｏａｒｓｅ

ａｇｇｒｅｇａｔｅ

ｔｏ

ｇｒａｄｉｎｇ

ｎｅａｒｓ

ｔｈｅｕｐｐｅｒｌｉｍｉｔ．

Ｗｉｔｈ

ｔｈｅａｉｄｏｆｒａｎｋｓｕｍｔｅｓｔ，ｔｈｅｓｅｎｓｉｔｉｖｉｔｙｏｆａｉｒｖｏｉｄｓ

ｔｈｅｃｈａｎｇｅｏｆａｇｇｒｅｇａｔｅｇｒａｄｉｎｇｗａｓｓｔｕｄ—

ｃｏａｒｓｅ

ｌｅｄ．Ｔｈｅｒｅｓｕｌｔｓｐｒｅｓｅｎｔｅｄｔｈａｔｉｎａｓｐｈａｌｔｍｉｘｔｕｒｅｓｔｈｅｃｈａｎｇｅｏｆａｎｙｏｆｔｈｅ

ｇｒｅｇａｔｅ

ａｇｇｒｅｇａｔｅ，ｆｉｎｅａｇ—

ａｎｄ４．７５ｍｍｐｅｒｃｅｎｔｐａｓｓｉｎｇａｆｆｅｃｔｅｄｔｈｅａｉｒｖｏｉｄｓ．Ｔｈｅｆｉｎｄｉｎｇａｌｓｏｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅｖａｒｉａ—

ｔｏ

ｔｉｏｎｏｆｆｉｎｅａｇｇｒｅｇａｔｅｗａｓｔｈｅｍｏｓｔｓｉｇｎｉｆｉｃａｎｔｆａｃｔｏｒＫｅｙｗｏｒｄｓ：ｇｒａｄｉｎｇ

ｃｕｒｖｅ

ｔｈｅｃｈａｎｇｅｏｆａｉｒｖｏｉｄｓｉｎａｓｐｈａｌｔｍｉｘｔｕｒｅｓ．

ｔｅｓｔ

ｔｒｅｎｄ；ａｓｐｈａｌｔｍｉｘｔｕｒｅ；ａｉｒｖｏｉｄｓ；ｒａｎｋｓｕｍ

内容需要下载文档才能查看 内容需要下载文档才能查看

动态数据驱动的航班延误预测研究

作者：作者单位：刊名：英文刊名：年，卷(期)：

陈海燕， 王建东， 徐涛， Chen Haiyan， Wang Jiandong， Xu Tao

陈海燕,王建东,Chen Haiyan,Wang Jiandong(南京航空航天大学计算机科学与技术学院 南京210016)， 徐涛,Xu Tao(中国民航大学计算机科学与技术学院 天津300300)

武汉理工大学学报（交通科学与工程版）

Journal of Wuhan University of Technology(Transportation Science & Engineering)2012,36(3)

参考文献(10条)

1.Abdelghany K F;Shah S S;Raina S A model for projecting flight delays during irregular operationconditions[外文期刊] 2004(06)

2.AhmadBeygi S;Cohn A;Lapp M Decreasing airline delay propagation by re-allocating scheduled slack2010(07)

3.Darema F Dynamic data driven application systems 2000

4.Hunter M;Fujimoto R;Suh W An investigation of real-time dynamic data driven transportationsimulation 2006

5.Huang Y;Seck M D;Verbraeck A Towards auto mated model calibration and validation in rail transitsimulation 2010

6.Wang Y;Papageorgiou M;Messmer A An adaptive freeway traffic state estimator 2009(45)7.Hyatt R;Bansal D;Chakraborty S Flight cast-an airline flight delay predicting DDDAS 2007

8.Chen H Y;Wang J D;Xu T Modeling of flight delay state-space model based on genetic EM algorithm[期刊论文]-Transactions of Nanjing University of Aeronautics and Astronautics 2011(03)9.Kalman R E;Bucy R New results in linear filtering and prediction problems 1961(01)

10.B(o)lviken E;Acklam P J;Christophersen N Monte carlo filters for non-linear state estimation[外文期刊] 2001(02)

引用本文格式：陈海燕.王建东.徐涛.Chen Haiyan.Wang Jiandong.Xu Tao 动态数据驱动的航班延误预测研究[期刊论文]-武汉理工大学学报（交通科学与工程版） 2012(3)