[发明专利]终端区起降容量预测系统

权利要求书

1.一种终端区起降容量预测系统，其特征在于，包括：

抽象模块，适于将影响终端区起降容量的管制运行经验抽象；

空域划分模块，适于根据管制运行经验抽象，对终端区空域结构进行重新划分；

获取模块，适于获取终端区起降高峰时段以及初始样本；

计算模块，适于计算初始样本的特征以及建立模型训练集；

模型建立模块，适于依据训练集建立随机森林回归模型；

验证与预测模块，适于对随机森林回归模型进行验证与预测；

所述获取模块包括：

流量样本集获取单元，适于获取基于历史数据的终端区的小时起降流量样本集；

高峰集合获取单元，适于通过终端区小时起降流量样本集获取基于分位数的终端区的高峰小时集合；

初始样本获取单元，适于通过终端区起降高峰小时集合获取基于高峰时段的初始样本；

流量样本集获取单元，适于获取基于历史数据的终端区的小时起降流量样本集，即：

将一天离散为24个小时时段，分别为0:00-1:00、1:00-2:00、...、23:00-24:00，并标号1至24，设一年中第i＝1,...,365天第t＝1,...,24个时间段的开始时刻为结束时刻为终端区内的机场代号为Airport，一年内终端区起降航班集合为Flight_set＝{f₁,...,f_N}，第f＝1,...,F个航班的起飞机场为Dep_f，降落机场为Arr_f，实际起飞时间为ADT_f，实际降落时间为AAT_f；

设则表示第f个航班属于机场Airport第i天第t时段的起飞航班，同理设则表示第f个航班属于机场Airport第i天第t时段的降落航班；

机场Airport的终端区第i天第t时段的航班起降流量为从而得到该终端区的小时起降流量样本集Flow_set＝{flow_i,t|i＝1,...,365；t＝1,...,24}；

所述高峰集合获取单元，适于通过终端区小时起降流量样本集获取基于分位数的终端区的高峰小时集合，即：

由终端区的小时起降流量样本集Flow_set，得到第t时段的流量样本集为flow_set_t＝{flow_i,t|i＝1,...,365}，将第t时段的365个流量样本按从小到大排序后生成顺序统计量{flow_t(1),flow_t(2),...,flow_t(365)}，其中flow_t(1)≤flow_t(2)≤...≤flow_t(365)，设第t时段的流量为随机变量X_t，假定X_t服从概率密度为f(x_t)的分布，记0＜p＜1，则满足等式P(X_t＜m_t,p)≤p,P(X_t≤m_t,p)≥p的唯一m_t,p称为第t时段流量的p分位数；

设flow_t(j),j＝1,...,365表示顺序统计量{flow_t(1),flow_t(2),...,flow_t(365)}中的第j个值，其中j为flow_t(j)在顺序统计量中的索引，则第t时段小时流量的p分位数估计为

设终端区起降的小时标称容量为C，则终端区的高峰小时集合为其中m_t,95％表示第t时段流量的0.95分位数；

所述初始样本获取单元，适于通过终端区起降高峰小时集合获取基于高峰时段的初始样本，即：

设WAF为天气避让区产品的样本集合，将第w个WAF样本记为WAF_w，其观测时刻为waftime_w，选择处于高峰时段内的天气避让区产品作为后续研究的初始样本，即selectedWAF_set＝{WAF_w|waftime_w∈peakhour_set}；

其中，WAF为天气避让区产品的样本集合，天气避让区产品反映了空域内对流天气的强度，其值为3的对应空域为建议避让空域；

所述计算模块，适于计算初始样本的特征以及建立模型训练集，即：设研究空域面积为S，被危险天气覆盖区域的面积为S_wx，则空域的

对selectedWAF_set中每个天气避让区产品样本，分别计算A至L空域的WSI值，记为WSI_A、WSI_B、...、WSI_L，其中，WSI为天气危险指数，指研究空域被危险天气覆盖的比例；

设M＝|peakhour_set|表示高峰小时的总数，第m＝1,...,M个高峰小时的开始时间为结束时间为则属于第m＝1,...,M个高峰小时的天气避让区产品样本集为

由于天气避让区产品的观测时间间隔为6分钟，因此一个小时内包含有10个天气避让区产品样本，即|waf_set_m|＝10，将这10个天气避让区产品样本按照观测时间先后排序，并将排序后天气避让区产品样本对应的A至L空域的WSI值作为最终模型训练集的特征，记为WSI_A_1、WSI_B_1、...、WSI_L_1、WSI_A_2、WSI_B_2、...、WSI_L_2、...、WSI_A_10、WSI_B_10、...、WSI_L_10；

训练集D的规模为M，即集合D中共有M＝|peakhour_set|条样本数据，120个特征，目标列为第m＝1,...,M个高峰小时的小时起降容量C_m，通过机器学习方法在训练集上建立从天气影响下的空域特征到小时起降容量C_m的映射即