一种基于人工智能的航班飞行时刻预测方法、装置和介质与流程
本发明涉及一种基于人工智能的航班飞行时刻预测方法、装置和介质，属于民航时间预测。
背景技术：
1、在民航领域，航班飞行时长的预估对于航空公司的运营效率和乘客的出行体验至关重要。准确的飞行时长预估可以帮助航空公司优化航班计划，减少延误，提高乘客满意度，并有效管理航空公司的资源。然而，由于多种因素的影响，如天气变化、空中交通管制、机场运营状况等，航班飞行时长的预测一直是一个复杂且充满挑战的任务。
2、传统的航班飞行时长预测方法主要依赖于历史数据和经验规则，这些方法在处理大规模数据和实时数据更新方面存在局限性。随着人工智能技术的发展，特别是机器学习算法在预测领域的应用，为航班飞行时长的预测提供了新的可能性。机器学习算法能够处理大量历史数据，学习其中的模式和趋势，从而提供更为精确的预测结果。
3、尽管如此，现有的基于人工智能的预测方法仍有改进空间。例如，它们可能没有充分考虑不同季节令时变化对飞行时长的影响，或者在实时数据处理和预测准确度方面还有待提高。此外，现有的方法可能缺乏与人类调度员的协同工作能力，无法有效辅助调度员进行决策。
技术实现思路
1、本发明目的是提供了一种基于人工智能的航班飞行时刻预测方法、装置和介质，进行高精度的航班飞行时刻预测，从而提高航班正点率。
2、本发明为实现上述目的，通过以下技术方案实现：
3、采集历史飞行数据，将历史航班飞行的起飞时刻和到达时刻的本地时刻转换为国际标准时间；
4、根据民航准则对执行的两地飞行航线与航班日期进行夏秋令时或冬春令时判断，分别计算夏秋令时和冬春令时的飞行时间得到飞行时长数据集；
5、初始化梯度提升分类器，设置分类器的参数，包括估计器数量、学习率、最大深度和随机状态；
6、分别使用飞行时长数据集中的夏秋令时和冬春令时数据训练梯度提升分类器，并对模型进行存储；
7、计算预测准确率，将误差值最小的飞行时间作为预测结果，据此执行航班。
8、优选的，使用均方误差（mse）作为梯度提升分类器性能的评估指标。
9、优选的，所述历史飞行数据包括出发地、目的地、航班开始时间、结束时间和执行日期。
10、优选的，对历史飞行数据预处理包括数据清洗和数据补全；所述数据补全包括：根据机场代码添加机场经纬度，根据航班执行日期添加时间特征、交通特征、气象特征和事故报告，所述时间特征包括如：星期、是否为节假日、影响时长，交通特征包括：机场航班流量、空管限制，气象特征包括：温度、湿度、风速、雨雪情况；所述影响时长为工作日平均飞行时长与节假日平均飞行时长的差值。
11、优选的，所述梯度提升分类器估计器数量为100，学习率为0.1，最大深度为6，随机状态为123。
12、优选的，计算准确率具体步骤如下：
13、随机抽取样本库中近一年的航班执行时间进行预测测试，得到预测结果；
14、根据机型、起飞地、目的地对飞行任务数组进行排序，并获取中位数，
15、计算预测结果与上次执行任务时间、平均执行任务时长、夏秋令时中位数、冬春令时中位数的方差；
16、返回误差最小值的飞行时长，作为航班计划的预估飞行时长。
17、优选的，预测结果与上次执行任务时间的方差具体公式如下：
18、，
19、其中，表示第个航班执行时间的预测结果，表示上次执行任务时间，表示所有航班执行时间数量；
20、预测结果与平均执行任务时长的方差具体公式如下：
21、，
22、其中，表示平均执行任务时长；
23、预测结果与夏秋令时中位数的方差具体公式如下：
24、，
25、其中，表示夏秋令时中位数；
26、预测结果与冬春令时中位数的方差具体公式如下：
27、，
28、其中，表示冬春令时中位数。
29、本发明的优点在于：
30、通过高精度的航班飞行时刻预测，航空公司可以更准确地制定航班计划，减少由于天气、交通流量等不可预测因素导致的航班延误，从而提高航班正点率，提升乘客满意度。
31、考虑到夏秋令时和冬春令时对飞行时间的影响，该方法能够分别训练模型以适应不同时令的飞行条件，提高了预测的准确性。
32、准确的航班飞行时刻预测可以帮助航空公司更好地规划人员、飞机和其他资源的配置，减少资源浪费，提高运营效率。
33、通过自动化的预测系统和模型，航空公司可以快速获得航班飞行时刻的预测结果，提高了决策效率，缩短了计划制定时间。
技术特征：
1.一种基于人工智能的航班飞行时刻预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的航班飞行时刻预测方法，其特征在于，所述历史飞行数据包括机场代码、出发地、目的地、航班开始时间、结束时间和执行日期。
3.根据权利要求2所述的基于人工智能的航班飞行时刻预测方法，其特征在于，对历史飞行数据预处理包括数据清洗和数据补全；所述数据补全包括：根据机场代码添加机场经纬度，根据航班执行日期添加时间特征、交通特征、气象特征和事故报告，所述时间特征包括如：星期、是否为节假日、影响时长，交通特征包括：机场航班流量、空管限制，气象特征包括：温度、湿度、风速、雨雪情况；所述影响时长为工作日平均飞行时长与节假日平均飞行时长的差值。
4.根据权利要求1所述的基于人工智能的航班飞行时刻预测方法，其特征在于，使用均方误差作为梯度提升分类器性能的评估指标。
5.根据权利要求1所述的基于人工智能的航班飞行时刻预测方法，其特征在于，所述梯度提升分类器估计器数量为100，学习率为0.1，最大深度为6，随机状态为123。
6.根据权利要求1所述的基于人工智能的航班飞行时刻预测方法，其特征在于，计算准确率具体步骤如下：
7.根据权利要求1所述的基于人工智能的航班飞行时刻预测方法，其特征在于，预测结果与上次执行任务时间的方差具体公式如下：
8.一种基于人工智能的航班飞行时刻预测装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1-7任一所述的基于人工智能的航班飞行时刻预测方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如上述权利要求1-7任一所述的方法。
技术总结
本发明提供了一种基于人工智能的航班飞行时刻预测方法、装置和介质，属于民航时间预测技术领域。方法包括：采集历史飞行数据，将历史航班飞行的起飞时刻和到达时刻的本地时刻转换为国际标准时间；进行夏秋令时或冬春令时判断，分别计算夏秋令时和冬春令时的飞行时间得到飞行时长数据集；初始化梯度提升分类器；分别使用飞行时长数据集中的夏秋令时和冬春令时数据训练梯度提升分类器；计算预测准确率，将误差值最小的飞行时间作为预测结果，据此执行航班。通过高精度的航班飞行时刻预测，航空公司可以更准确地制定航班计划，减少由于天气、交通流量等不可预测因素导致的航班延误，从而提高航班正点率，提升乘客满意度。
技术研发人员：李丕朝,夏方南,郭健东,郭嘉
受保护的技术使用者：山东浪潮成舟数字服务有限公司
技术研发日：
技术公布日：2024/9/23