[发明专利]用于航空网络数据的流形学习的系统和方法

说明书

用于利用航空网络流量的流形学习来检测航空网络流量中断的方法和系统。在一个实施例中，计算机处理器向模拟装置发送异常航空网络流量模拟数据的请求，接收异常航空网络流量模拟数据，并利用流形学习处理生成模拟的异常航空网络流量流形表示数据。在一些实施例中，该处理接下来可以包括向当前网络流量计算机发送对当前航空网络流量数据的请求，接收当前航空网络流量数据，以及生成当前航空网络流量数据集。在一些实施方式中，然后将当前航空网络流量数据集映射到异常航空网络流量流形表示，确定当前航空网络流量数据集的阈值数的数据点映射到异常航空流量流形表示，然后向操作员装置发送指示即将发生航空网络流量中断的警报。

技术领域

实施例通常涉及用于利用航空网络数据的流形学习来检测和/或预测航空网络中断的系统和方法。更具体地，公开了利用流形学习将高维航空网络流量(traffic)数据减少为低维表示的系统和方法，然后可以更容易地分析异常。

背景技术

由于航空网络中断，航空公司每年损失数百万美元。特别是，对于航空公司和飞行公众而言，航空网络中断和恢复是一个极为复杂且代价高昂的问题。

各大航空公司的航空公司操作中心(AOC)的任务是管理每天数千次航班的执行，包括实时调整飞机和机组人员的动向，以尽量减少昂贵的延误和取消，同时遵守复杂的维护和路径约束。操作员负责准备飞行计划，调整航空公司调度，包括但不限于航班调度(schedule)、出发航班分配、飞机分配和机组人员分配，以响应可能包括与天气有关的问题和各种类型的设备故障的各种因素。因此，各大航空公司努力有效地管理大量与操作相关的数据，以减轻不可预见的飞机调度中断的影响，并管理航空网络中相关、相互依存和/或不相关的航班或路线上的飞机故障或调度延迟的未来影响。例如，在执行当前飞机路线的一条或多条航段之后，飞机调度延迟可能会影响多条路线。

典型的AOC是非常繁忙的环境，在该环境中必须快速而准确地做出航空网络决策，因为飞机操作员做出的此类决策会对航空公司的操作和经济产生重大影响。由于航空网络是以随机方式运行的系统的极其复杂的系统，因此对于人类网络操作员而言，很难检测到即将发生中断的早期迹象。

航空网络流量数据是高维数据的一个示例，这使得机器学习算法难以对航空网络流量数据进行操作。高维数据已经被定义为需要三个以上维度来表示的数据，这对于人类而言可能难以解释。简化此类高维数据的一种方法是假设感兴趣的数据位于高维空间内的嵌入式非线性流形上。如果流形的维度足够低，则数据可以在低维空间中可视化，例如，通过在显示屏上显示为二维(2D)或三维(3D)表示，以供人类操作员查看。因此，流形学习是一种非线性降维的方法，而这项任务的算法是基于这样的思想：许多数据集的维度可以用低维度表示，并且仍然保留数据集中最重要的特征。

发明人认识到，有必要提供机器学习技术以帮助航空公司人员减轻和/或防止昂贵的航空网络中断。特别地，发明人认识到，可以利用机器学习技术对正常和异常的航空网络状况数据进行分类，以便航空公司操作中心(AOC)人员能够在各大航空公司中断发生之前采取措施，或者能够检测到潜在航空网络中断的开始，从而允许采取早期补救措施，这有可能使航空公司每年节省数百万美元的操作成本。

发明内容