技术领域
[0001] 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
[0002] 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。
[0003] 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。
[0004] 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
[0005] 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。
[0006] 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：
[0007] 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。
[0008] 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：
[0009]
[0010] 其中所述p是我们在模型中允许的周期数，所述λk为
频率，所述ak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：
[0011]
[0012] (h＝0，1，2，...，N)
[0013] S2：将Levinson型算法应用于序列r(h)：
[0014] p0，0＝1
[0015]
[0016] p0，k＝δkp0，k-1，
[0017] pk，k＝1，
[0018] pj，k＝pj-1，k-1+δkpk-j-1，k-1
[0019] 输出值为：p0，q，p1，q，...，pq，q
[0020] S3：由步骤S2形成多项式：
[0021]
[0022] 并找到它的所有零值对应点：
[0023] zj＝rjexp(iθj)j＝1，2，...，p
[0024] 使用所述零点的参数θj来估计频率和幅度rj，以估计相对重要性。
[0025] 其中，所述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。
[0026] 其中，所述频率分析以确定数据中存在的周期性，通过选择多个重要频率，使用最小二乘法投影来重建数据。
[0027] 其中，所述数据发现存在每周，每月和季节性模式，以及一些不太常规的时期。
[0028] 其中，所述数据收集时间为三个月期间的前30天，所述Levinson算法用于生成50次的多项式，取与数据最相关的8个频率，使用最小二乘法重建序列模型，分析得出，月份被认为是影响第二阶段统计分析中航班延误的变量。
[0029] 其中，所述月份分析后为了检查是否存在短于一天的重要频率，将每日延误数据分为三个活动期：早晨，下午和晚上，该频率分析表明，双流机场存在每日，每月和多种到达延误模式，使用多元回归分析检查影响平均每日延误的因素，通过将因变量转换为其对数来开发非线性回归，延误被定义为分类变量而不是连续变量，设定因变量Y分为三个等级：Y≤0，延误5分钟以内；Y≤1，延误在5分钟和10分钟之间；和Y≤2，延误大于10分钟，其中，应变量Y设为平均每日到达延误，比预定到达时间早的航班延误设定为零，进行数据分析。
[0030] 本发明具有如下有益效果：
[0031] 本发明研究了检测在任何规则下重复当前延误模式的频率，确定与检测到的延误频率相关的因素，通过使用数学频率分析和统计分析技术，研究了一种两阶段方法的连续模型，通过消除观察到的延误数据中可能存在的噪声来有效地检测到达延误的多个周期性模式，研究了每日的航班数、天气降雨、每月到达延误、降雨量和飞行高度等因素对航班延误的影响，从而尽可能改善相关因素，消除航班延误带来的经济损失。
附图说明
[0032] 图1为本发明平均每日到达延误调研绘制图；
[0033] 图2为本发明接近真实频率的零点例证绘制图；
[0034] 图3为本发明统计分析绘制表；
[0035] 图4为本发明前30天平均每日延误的月度变化模式绘制图；
[0036] 图5为本发明90个活动期中前30天平均每日延误的日变化模式绘制图；
[0037] 图6为本发明单程到达延误的模型估计绘制图。
具体实施方式
[0038] 下面将结合本发明
实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0039] 本发明的具体实施方式是，一种两阶段方法的连续模型，其方法包括以下步骤：
[0040] 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，设定一天中的时间，一周中的一天或是一个月，通过数据收集和分析绘制出如
说明书附图1中所示的3个月的平均每日到达延误表格。
[0041] 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：
[0042]
[0043] 其中p是我们在模型中允许的周期数，λk为频率，ak用作权重，e(t)表示误差，根据所观察到的x(t)t＝0，1，2，...，N累计值为：
[0044]
[0045] (h＝0，1，2，...，N)
[0046] S2：将Levinson型算法应用于序列r(h)：
[0047] p0，0＝1
[0048]
[0049] p0，k＝δkp0，k-1，
[0050] pk，k＝1，
[0051] pj，k＝pj-1，k-1+δkpk-j-1，k-1
[0052] 输出值为：p0，q，p1，q，...，pq，q
[0053] S3：由步骤S2形成多项式：
[0054]
[0055] 并找到它的所有零值对应点：
[0056] zj＝rjexp(iθj)j＝1，2，...，p
[0057] 使用零点的参数θj来估计频率和幅度rj，以估计相对重要性。
[0058] 通过一个简单的例子来说明这个方法。
[0059]
[0060] 假设不知道这个公式，但想从x(t)的观测值中找到它，使用上述算法，对于N≥4的每个值，可以计算φ(t)的零并在复平面中绘制。例如，绘制说明书附图2，图中显示了当N为40-200的零点(用“+”表示)，范围应该是从小数到无穷大，和 的频率在单位圆圈'*'上显示。
[0061] 从说明书附图2中可以看出，零('+')收敛于正确的频率点('*')，所提出的频率分析方法在检测到达延误模式方面优于其他标准时间序列方法，它可以检测多个频繁重复模式的重要频率，并确定频率的重要性，由于预计飞行延误将显示多个时间模式，因此该方法特别有用，其次，该方法可以处理延误数据中可能存在的噪声，消除噪声对于检测沿着一段时间的主要航班延误趋势非常重要，将此算法应用于3个月到达延误数据时，估计的周期为2.10,11.76,2.23和2.39天。
[0062] 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。频率分析以确定数据中存在的周期性，通过选择多个重要频率，使用最小二乘法投影来重建数据。根据统计分析中使用的因子绘制说明书附图3，数据发现存在每周，每月和季节性模式，以及一些不太常规的时期。数据收集时间为三个月期间的前30天，Levinson算法用于生成50次的多项式，取与数据最相关的8个频率，使用最小二乘法重建序列模型，由模型重建的序列和观察序列绘制说明书附图4，分析得出，月份被认为是影响第二阶段统计分析中航班延误的变量。月份分析后为了检查是否存在短于一天的重要频率，将每日延误数据分为三个活动期：早晨，下午和晚上，按活动期观察和重建的延误序列绘制说明书附图5，该频率分析表明，双流机场存在每日，每月和多种到达延误模式，使用多元回归分析检查影响平均每日延误的因素，通过将因变量转换为其对数来开发非线性回归，延误被定义为分类变量而不是连续变量，设定因变量Y分为三个等级：Y≤0，延误5分钟以内；Y≤1，延误在5分钟和10分钟之间；和Y≤2，延误大于10分钟，其中，应变量Y设为平均每日到达延误，比预定到达时间早的航班延误设定为零，进行数据分析，单飞行的二元逻辑回归模型的结果绘制说明书附图6，Hosmer和Lemeshow拟合优度检验统计量为17.47，p值为0.12，再次表明该模型提供了与观察到的数据的良好拟合，时间，飞行距离，降
水量和间距是与单次航班延误相关的重要因素。
[0063] 通过上述方法，研究表明消除噪声对于检测沿着一段时间的主要航班延误趋势非常重要，将此算法应用于3个月到达延误数据时，估计的周期为2.10,11.76,2.23和2.39天；存在每周的延误模式。这种模式可能是因为航空公司航班时刻表每周都是相似的；就双流天气状况对到达延误的影响而言，延误时间随着降水量的增加而增加；时间，飞行距离，降水量和间距是与单次航班延误相关的重要因素；延误航班较多从而导致延误可能性升高或具有更长距离的航班有更多机会在飞行期间节省飞行时间以避免到达延误；降水的比值比表明，随着降水的增加，延误的几率增加。对数间距的比值表明，随着预定间距的增加，延误的几率降低。这可能是因为当预定的间距增加时，即使实际间距由于足够的到达间隔时间而减少了预期的延误，也不太可能造成航班延误。
[0064] 最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
