【技术实现步骤摘要】
本专利技术属于民航航班上客申请数据处理，尤其涉及多业务数据的民用机场上客申请动态规划分配方法及系统。
技术介绍
1、随着航空运输行业的发展，机场面临的挑战越来越多，尤其是在暑运、空中管制、大面积航延等高峰期，航班延误旅客滞留往往面临引发一系列灾难性的后果。如何高效地处理上客申请，确保航班能够及时上客，按时起飞，成为机场运营的重要一环。
2、传统的上客申请处理方式依赖人工，缺乏灵活性和智能化，往往存在以下问题：
3、依赖人工经验：传统的上客申请处理通常由调度员根据自身的经验和直觉来安排，这种做法可能导致任务分配不够科学合理，容易出现偏差或者遗漏。
4、调度效率低下：由于需要反复确认进展情况，调度效率受到很大影响，尤其是在繁忙时段，调度员可能需要频繁地使用对讲机或其他通讯工具来协调工作，这不仅耗费时间，还增加了沟通成本。
5、难以全面掌握现场情况：由于现场情况变化多端，调度员很难实时全面了解现场作业情况，这导致在做出调度决定时可能存在信息不足的情况，从而影响调度的质量。
6、灵活性不足：传统方法在面对突发情况时调整空间有限，难以迅速适应变化，例如航班延误或取消等情况发生时，需要重新协调资源，传统方法在这种情况下往往显得力不从心。
7、随着信息技术的不断进步，大数据技术和深度学习等人工智能技术在各个领域得到了广泛的应用，为解决传统方法中存在的问题提供了新的途径和解决方案。在民航领域，大数据技术能够帮助收集和处理大量的航班数据、机场运营数据、天气信息以及航路信息，为
技术实现思路
1、为克服相关技术中存在的问题，本专利技术公开实施例提供了多业务数据的民用机场上客申请动态规划分配方法及系统，尤其涉及一种基于大数据和深度学习方式的民航航班上客申请动态规划处理方法。本专利技术目的在于提供一种基于多业务数据的机场上客申请动态规划处理方法，旨在通过自动化手段提高上客申请处理的效率和质量，满足民航业逐步发展带来的日益增长的需求。
2、所述技术方案如下：一种多业务数据的民用机场上客申请动态规划分配方法，包括：
3、s1，数据采集与清洗加工：采集多种数据源的历史数据，进行数据清洗以及数据变换；
4、s2，特征选择与模型训练：从历史数据中挑选出反映历史数据内在特性的指标及属性，利用深度学习算法构建预测模型，并利用获取的指标及属性作为输入信息，进行预测模型训练；
5、s3，数据计算与发布：通过历史数据进行预测模型训练，将预测模型应用于航班上客申请的生产场景中，实时采集动态航班信息、空中交通管制atc信息输入到预测模型中，预测模型结合历史数据分析，处理上客申请，预测最优上客时间及上客顺序，保证航班正常率；
6、s4，输出校验与优化：利用统计方法，自动筛查出不符合常规模式的结果项，并标记，持续更新数据资源池，刨除干扰项。
7、进一步，采集多种数据源的历史数据，进行数据清洗以及数据变换，包括：
8、从不同数据源收集历史数据，不同数据源通过数据库抽取、api接口调用、网页抓取获取；
9、数据清洗，包括：去除冗余信息、一致性检查、异常值检测与修正；
10、数据变换，包括：通过对现有属性进行数学运算，创建新的特征；通过标准化和归一化方式调整数值范围。
11、进一步，历史数据，包括：航班号、机型、机号、航线、区域、任务、vip、机位、登机口、保障完成时间、计划降落时间、实际降落时间、计划起飞时间、实际起飞时间、开始登机时间、登机截止时间、开关舱门时间、上客时间、cobt、ctot、气象信息、航路限制、流量控制、延误信息。
12、在步骤s2中，特征选择，包括：基于民航领域知识和探索性数据分析，排除明显无关或噪声较多的数据字段，计算各变量间以及各变量与目标变量之间的皮尔逊系数，找出强关联关系的存在；结合机器学习算法反复迭代地移除不重要的特征，直到达到理想规模为止；皮尔逊系数的计算公式为：
13、
14、式中，为皮尔逊系数，分别为两个变量在样本中的取值，为两个变量在样本中的平均值，为样本的大小；
15、皮尔逊系数计算公式用于计算两个变量之间的线性相关程度，其值介于-1和1之间；当接近1或-1时，表示两个变量之间存在强烈的线性关系；当接近0时，表示两个变量之间几乎没有线性关系；正值表示正相关，负值表示负相关。
16、在步骤s2中，利用深度学习算法构建预测模型，并利用获取的指标及属性作为输入信息，进行预测模型训练，包括：
17、（a）数据集划分：将数据集按照8:1:1的比例划分为训练集、验证集和测试集；
18、（b）构建transformer模型：选择transformer模型作为深度学习算法的底层架构，将历史航班的特征：航班号、起降机场、起降时间、cobt、天气条件、流量信息转换为嵌入向量，供transformer编码器使用；设置6层的编码器，每层8个头，构成深层的transformer模型网络，通过自注意力机制捕捉历史航班数据中的依赖关系，以捕捉复杂特征；
19、（c）强化学习策略优化：使用transformer作为基础架构，引入强化学习元素rl进行策略优化；
20、（d）输出校验与优化：在预测模型训练完成以后，对模型的输出结果进行校验。
21、在步骤（c）中，使用transformer作为基础架构，引入强化学习元素进行策略优化，包括：
22、定义状态空间，包括：当前航班的人数、旅客等待时长及航班的延误情况；动作空间由允许航班开始上客的决策组成，奖励函数通过评估旅客的等待时间和航班放行正常率指标进行奖励或惩罚；
23、设计深度q网络作为智能体，用于学习最佳的上客决策策略，通过优化上客过程，使得累积奖励最大化；结合经验回放机制，收集与航班上客的经验元组，并存储在经验回放缓冲区中，用于训练深度q网络；
24、rl模块与transformer模块协同工作，由transformer模块处理航班上客申请数据，通过特征提取、标准化和时序数据处理，对不同航班的上客序列进行建模，捕获输入序列之间的长距离依赖关系，并进行大数据预测。
25、在步骤（d）中，对模型的输出结果进行校验，包括：通过准确率、平均绝对误差、均方误差检查模型在历史数据上的拟合情况。
26、在步骤s3中，计算完成的结果包含上客申请结果信息，上客时间，上客地点，上客序列；结果集输出到机场管理系统、空管系统、航司系统，供用户查询参考使用。
27、在步骤s4中，在预测模型上线后，设置一段时间作为试运行期，在此期间同时保留人工审查机制以对比两者的差异；利用统计方法，自动筛查出不符本文档来自技高网...
【技术保护点】
1.一种多业务数据的民用机场上客申请动态规划分配方法，其特征在于，该方法包括：
2.根据权利要求1所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，采集多种数据源的历史数据，进行数据清洗以及数据变换，包括：
3.根据权利要求2所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，历史数据，包括：航班号、机型、机号、航线、区域、任务、VIP、机位、登机口、保障完成时间、计划降落时间、实际降落时间、计划起飞时间、实际起飞时间、开始登机时间、登机截止时间、开关舱门时间、上客时间、COBT、CTOT、气象信息、航路限制、流量控制、延误信息。
4.根据权利要求1所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，在步骤S2中，特征选择，包括：基于民航领域知识和探索性数据分析，排除明显无关或噪声多的数据字段，计算各变量间以及各变量与目标变量之间的皮尔逊系数，找出强关联关系的存在；结合机器学习算法反复迭代地移除不重要的特征，直到达到理想规模为止；皮尔逊系数的计算公式为：
5.根据权利要求1所述的多业务数据的
6.根据权利要求5所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，在步骤（c）中，使用Transformer作为基础架构，引入强化学习元素进行策略优化，包括：
7.根据权利要求5所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，在步骤（d）中，对模型的输出结果进行校验，包括：通过准确率、平均绝对误差、均方误差检查模型在历史数据上的拟合情况。
8.根据权利要求1所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，在步骤S3中，计算完成的结果包含上客申请结果信息，上客时间，上客地点，上客序列；结果集输出到机场管理系统、空管系统、航司系统，供用户查询参考使用。
9.根据权利要求1所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，在步骤S4中，在预测模型上线后，设置一段时间作为试运行期，在此期间同时保留人工审查机制以对比两者的差异；利用统计方法，自动筛查出不符合常规模式的结果项，并标记出来等待复查确认，持续更新数据资源池，不断完善内部知识图谱内容，刨除干扰项。
10.一种多业务数据的民用机场上客申请动态规划分配系统，其特征在于，该系统实施如权利要求1-9任意一项所述多业务数据的民用机场上客申请动态规划分配方法，该系统包括：
...【技术特征摘要】
1.一种多业务数据的民用机场上客申请动态规划分配方法，其特征在于，该方法包括：
2.根据权利要求1所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，采集多种数据源的历史数据，进行数据清洗以及数据变换，包括：
3.根据权利要求2所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，历史数据，包括：航班号、机型、机号、航线、区域、任务、vip、机位、登机口、保障完成时间、计划降落时间、实际降落时间、计划起飞时间、实际起飞时间、开始登机时间、登机截止时间、开关舱门时间、上客时间、cobt、ctot、气象信息、航路限制、流量控制、延误信息。
4.根据权利要求1所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，在步骤s2中，特征选择，包括：基于民航领域知识和探索性数据分析，排除明显无关或噪声多的数据字段，计算各变量间以及各变量与目标变量之间的皮尔逊系数，找出强关联关系的存在；结合机器学习算法反复迭代地移除不重要的特征，直到达到理想规模为止；皮尔逊系数的计算公式为：
5.根据权利要求1所述的多业务数据的民用机场上客申请动态规划分配方法，其特征在于，在步骤s2中，利用深度学习算法构建预测模型，并利用获取的指标及属性作为输入信息，进行预测模型训练，包括：<...
【专利技术属性】
技术研发人员：刘世鑫，陈晓，徐国盛，张道钰，李今朝，
申请(专利权)人：青岛民航凯亚系统集成有限公司，
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。