【技术实现步骤摘要】
本申请属于空中交通管理，尤其涉及一种基于优化深度神经网络和支持向量机的航班进场效率的评估方法。
技术介绍
1、近年来，随着民航业的迅猛发展，有限的服务资源和日益增长的运输需求与航班流量之间的矛盾也愈显突出。矛盾的激化势必会导致空中交通的运行效率下降,且以交通量最大的终端区较为明显,因此对终端区运行效率的研究正在逐步开展。在终端区的航班进场过程是航班运行中的复杂阶段，对航班进场效率进行评估能够直观感受到终端区的运行能力，有利于机场资源的调度与利用。现有的航班进场效率评估主要从时间角度切入，对航班数据进行分析与计算，评估速度较慢，并且评估指标过于单一，导致评估结果不客观。
技术实现思路
1、有鉴于此，本申请的目的在于提供一种基于优化深度神经网络和支持向量机的航班进场效率的评估方法，通过优化深度神经网络和支持向量机，分别评估目标航班的时间进场效率等级和距离进场效率等级，能够避免大量的数据分析与计算，以提高航班进场效率的评估速度。
2、本申请实施例提供了一种基于优化深度神经网络和支持向量机的航班进场效率的评估方法，其特征在于，所述评估方法，包括：
3、获取目标航班对应的航迹数据和天气数据；
4、根据所述目标航班对应的航迹数据和天气数据，确定所述目标航班包括实际进场时间和实际进场距离在内的数据集；
5、将所述目标航班的数据集输入至优化深度神经网络中，提取出所述目标航班的特征数据；所述优化深度神经网络的隐藏层数量为3；
6、将所述目标
7、进一步的，所述优化深度神经网络，通过以下方式进行训练：
8、s2a、设置优化深度神经网络的初始种群、超参数以及适应度函数值；其中，所述初始种群为根据0到1之间的随机数随机生成；所述超参数，包括：初始学习率、粒子种群大小和最大训练代数；所述适应度函数为所述深度神经网络的分类准确率)；
9、s2b、计算当前种群每个个体的适应度函数值；
10、s2c、利用天鹰优化算法，更新当前种群中的个体；
11、s2d、判断当前的优化深度神经网络是否达到最大训练代数；
12、s2e、若当前的优化深度神经网络未达到最大训练代数，则重复步骤s2b-s2d；
13、s2f、若当前的优化深度神经网络达到最大训练代数，则输出当前的优化深度神经网络的全局最优解和适应度函数值。
14、进一步的，所述利用天鹰优化算法，更新当前种群中的个体，包括：
15、判断当前的训练代数是否超过三分之二的最大训练代数；
16、若当前的训练代数超过三分之二的最大训练代数，则利用所述天鹰优化算法对所述超参数进行勘探，以确定当前优化深度神经网络的个体最优解和全局最优解；
17、若当前的训练代数未超过三分之二的最大训练代数，则利用所述天鹰优化算法对所述超参数进行开发，以确定当前优化深度神经网络的个体最优解和全局最优解。
18、进一步的，所述利用所述天鹰优化算法对所述超参数进行勘探，包括：
19、判断0到1之间的随机数是否超过0.5；
20、若所述随机数未超过0.5，则利用所述天鹰优化算法对所述超参数进行扩大勘探；
21、若所述随机数超过0.5，则利用所述天鹰优化算法对所述超参数进行狭窄勘探。
22、进一步的，所述利用所述天鹰优化算法对所述超参数进行开发，包括：
23、判断0到1之间的随机数是否超过0.5；
24、若所述随机数未超过0.5，则利用所述天鹰优化算法对所述超参数进行扩大开发；
25、若所述随机数超过0.5，则利用所述天鹰优化算法对所述超参数进行狭窄开发。
26、进一步的，所述支持向量机，通过以下方式进行训练：
27、获取目标机场在终端区范围内的多个进场航班各自对应的航迹数据和天气数据；
28、针对每一个进场航班，根据所述进场航班对应的航迹数据和天气数据，确定所述进场航班包括实际进场时间和实际进场距离在内的数据集；
29、根据所述进场航班的实际进场时间和实际进场距离，确定所述进场航班的时间进场效率等级和距离进场效率等级，并使用所述进场航班的时间进场效率等级和距离进场效率等级对所述进场航班的数据集进行标记；
30、根据进场航班的时间进场效率等级和距离进场效率等级，构建k个分类器，并基于所述进场航班的数据集，对k个分类器进行监督学习。
31、进一步的，所述获取目标机场在终端区范围内的多个进场航班各自对应的航迹数据和天气数据，包括：
32、获取目标机场在终端区范围内的航迹数据；
33、从所述航迹数据中筛选出进场航班对应的航迹数据；
34、获取所述目标机场在特定的国际协调时间范围内的天气数据；
35、针对每一个进场航班，获取所述进场航班对应的天气数据。
36、进一步的，所述根据所述进场航班的实际进场时间和实际进场距离，确定所述进场航班的进场效率等级，包括：
37、根据所述进场航班的实际进场时间和预先设定的畅通进场时间，计算所述进场航班的额外进场时间，并确定所述进场航班的时间进场效率等级；其中，所述畅通进场时间为航班在不受影响下的进场时间；
38、根据所述进场航班的实际进场距离和预先设定的水平飞行距离基准值，计算所述进场航班的额外进场距离，并确定所述进场航班的距离进场效率等级；其中，所述水平飞行距离基准值为航班在无干扰运动下的水平飞行距离。
39、进一步的，所述航迹数据，包括：当前时刻，icao24应答器编码，航空器当前位置的经纬度，当前速率，航向，垂直速率，航班呼号，气压高度，地理高度；
40、所述天气数据，包括：露点温度，干球温度，气压变化，湿度，能见度，云层，风向，风速。
41、进一步的，所述数据集，还包括：着陆跑道，进场位置，降水，能见度，云层状况，相对湿度，阵风风速以及平均风速。
42、本申请实施例提供的基于优化深度神经网络和支持向量机的航班进场效率的评估方法，通过获取目标航班对应的航迹数据和天气数据；根据所述目标航班对应的航迹数据和天气数据，确定所述目标航班包括实际进场时间和实际进场距离在内的数据集；将所述目标航班的数据集输入至优化深度神经网络中，提取出所述目标航班的特征数据；所述优化深度神经网络的隐藏层数量为3；将所述目标航班的特征数据输入至支持向量机，分别评估所述目标航班的时间进场效率等级和距离进场效率等级。通过所述评估方法，能够避免大量的数据分析与计算，以提高航班进场效率的评估速度。
本文档来自技高网...【技术保护点】
1.一种基于优化深度神经网络和支持向量机的航班进场效率的评估方法，其特征在于，所述评估方法，包括：
2.如权利要求1所述的评估方法，其特征在于，所述优化深度神经网络，通过以下方式进行训练：
3.如权利要求2所述的评估方法，其特征在于，所述利用天鹰优化算法，更新当前种群中的个体，包括：
4.如权利要求3所述的评估方法，其特征在于，所述利用所述天鹰优化算法对所述超参数进行勘探，包括：
5.如权利要求3所述的评估方法，其特征在于，所述利用所述天鹰优化算法对所述超参数进行开发，包括：
6.如权利要求1所述的评估方法，其特征在于，所述支持向量机，通过以下方式进行训练：
7.如权利要求6所述的评估方法，其特征在于，所述获取目标机场在终端区范围内的多个进场航班各自对应的航迹数据和天气数据，包括：
8.如权利要求6所述的评估方法，其特征在于，所述根据所述进场航班的实际进场时间和实际进场距离，确定所述进场航班的进场效率等级，包括：
9.如权利要求1所述的在线识别方法，其特征在于，所述航迹数据，包括：当前
10.如权利要求1所述的评估方法，其特征在于，所述数据集，还包括：着陆跑道，进场位置，降水，能见度，云层状况，相对湿度，阵风风速以及平均风速。
...【技术特征摘要】
1.一种基于优化深度神经网络和支持向量机的航班进场效率的评估方法，其特征在于，所述评估方法，包括：
2.如权利要求1所述的评估方法，其特征在于，所述优化深度神经网络，通过以下方式进行训练：
3.如权利要求2所述的评估方法，其特征在于，所述利用天鹰优化算法，更新当前种群中的个体，包括：
4.如权利要求3所述的评估方法，其特征在于，所述利用所述天鹰优化算法对所述超参数进行勘探，包括：
5.如权利要求3所述的评估方法，其特征在于，所述利用所述天鹰优化算法对所述超参数进行开发，包括：
6.如权利要求1所述的评估方法，其特征在于，所述支持向量机，通过以下方式进行训练：
【专利技术属性】
技术研发人员：邓武，迟嘉庆，赵慧敏，李想，党香俊，徐俊洁，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。