[发明专利]一种两阶段方法的连续模型

说明书

本发明公开了一种两阶段方法的连续模型，第一阶段频率分析用于检测数据中的周期性，第二阶段进行统计分析以确认在阶段一中检测到的模式并确定与延误相关的因素，建立多项逻辑回归和二元逻辑回归模型，以检验各种因素对平均日延误和单航班延误的影响，本方法目标是评估航空器准时到达能力并使用创新的两阶段法识别航班延误。这种方法使用一种新的数学算法，可以在航班延误中识别定期重复的现象，即具有周期性的航班延误特征。基于检测到的重复出现现象，可以识别影响延迟的重要变量。利用统计技术研究了这些变量与航班延误之间的关系。该方法可以显示航班延误的趋势，并帮助机场管理人员制定减少航班延误的有效策略。

技术领域

本发明涉及航空技术领域，尤其涉及一种两阶段方法的连续模型。

背景技术

国内外相关学者针对航班延误预测问题已展开大量研究，已有方法中多采用决策树、贝叶斯网络、神经网络等机器学习算法。一些研究人员发现，由于空中交通管制不足和航空运营不规范，造成延误；例如研究调查指出，欧洲机场的大多数延误与空中交通管制的困难有关。同样，Mueller和Chatterji提出延误的原因与航空公司的运营和管理程序的变化有关。在这方面，研究发现航班时刻表的延误本质上是由于航班之间的有限运行和航空运营的随机中断造成的。研究观察到安全分离和双跑道占用的数量增加也增加了延误。

然而，在航空飞行延误的各种原因中，许多研究人员发现天气是主导因素.Abdelghany等。研究表明，由于恶劣的天气条件，近75％的系统发生延误，这主要是因为在恶劣天气下飞机的分离增加导致机场容量减少。特别是，诸如高地面风和低可见性等恶劣天气导致飞机着陆困难，这使得到达延误增加。因为类似的原因，基于普遍的夏季雾和冬季暴雨，并且旧金山机场的到达延误增加。在这方面，研究观察到，在恶劣天气条件下，与拥堵相关的延误主要发生在终端而非空域。

根据对过去研究的回顾，发现航班延误主要是由于机场恶劣天气，跑道容量不足，飞机数量增加以及空中交通管制不善所致。其中一些因素是静态的，一些是动态的。因此，如果这些动态因子中的变化显示出某些模式，则预期受这些因素影响的飞行器延误在控制静态因素的影响之后也会显示相似的模式。因此，需要调查、分析和研究各变量及因素对航班延误的影响，进而尽可能的消除影响。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种两阶段方法的连续模型。

为了实现上述目的，本发明采用了如下技术方案：一种两阶段方法的连续模型，其方法包括以下步骤：

S1：以每日延误中减去延误的平均值，以消除不变趋势，平均每日延误时间定义为从其他机场到双流机场的所有延误航班的正延误的总和除以该日的总航班数量。

设定x(t)表示第t天的平均每日到达延误，目标是检测x(t)的隐藏周期作为t的函数，模型可以描述为：

其中所述p是我们在模型中允许的周期数，所述λ_k为频率，所述a_k用作权重，所述e(t)表示误差，根据所观察到的x(t)t＝0，1，2，...，N累计值为：

(h＝0，1，2，...，N)

S2：将Levinson型算法应用于序列r(h)：

p_0，0＝1

p_0，k＝δ_kp_0，k-1，

p_k，k＝1，

p_j，k＝p_j-1，k-1+δ_kp_k-j-1，k-1