一种基于DDDAS的航班运行风险分析与预测方法

一种基于dddas的航班运行风险分析与预测方法
技术领域
1.本发明涉及航班运行风险分析与预测，特别涉及一种基于dddas的航班运行风险分析与预测方法。


背景技术：

2.航班运行是一个连续动态的过程,航班运行风险随天气、设备等影响因素的变化而不断改变，面对此类复杂系统,构建科学的分析与预测方法是提高航班运行安全水平的必要措施。目前，国内外关于航班运行风险的预测研究主要采用的是传统仿真系统，然而传统仿真系统中的数据输入和模型的参数不是随着时间变化的，与实时的真实系统估计有较大差距。针对简单的系统，传统仿真系统能满足一定的需求，但对于航班运行这类复杂系统，则不能做到精确的评估预测，而且其误差将不断积累。
3.dddas(动态数据驱动应用程序系统)的核心是模拟系统能在运行时能够动态的接收各空间和时间的数据,将仿真数据和实际测量数据相结合，再调整改进模型，达到提高模型分析预测能力的目的，使仿真模拟系统动态预测的结果越来越贴近真实系统。dddas可以有效地解决传统仿真系统模型不能动态的追踪真实系统的实际变化规律、仅向仿真模型输入历史数据不能有效的反应随时间变化的系统的运行状态等缺点。目前dddas在国内外民航领域应用较少，主要用于航空公司延误时间预测，在航班运行风险预测研究中暂无应用。
4.数据同化：对于航班运行系统，模型估计和设备观测是获取航班运行风险数据的两种主要方法。模型估计的优势在于其能描述被估计对象的变化规律；而观测的优点则在于其能得到被预测内容在某时刻的“真实值”。但是，由于模型估计和观测都具有很大的不准确性，在航班运行系统中，现有的模型还并不完善，不能在任何时刻准确描述航班运行状态，对于航班风险值的预测不够精确，计算过程和建模系统还需调整改进；就设备的观测而言，只依靠设备的观测数据也无法完整连续地表示航班运行风险的真实状态，原因如下：设备观测得到的都是实时值，而航班运行过程是连续不断的；设备观测值和航班运行过程中与风险相关变量的关系是暗含的，无法直接通过观测得知；设备自身具有一定的局限性，导致部分与航班运行风险相关的信息无法被观测到；设备观测值存在一定误差。数据同化是在过程模型的动态框架内,通过数据同化算法不断融合时空上离散分布的不同来源和不同分辨率的直接或间接观测信息来自动调整模型轨迹,以改善动态模型状态的估计精度，提高模型预测能力。


技术实现要素：

5.为解决现有技术的不足，本发明提供一种基于dddas的航班运行风险分析与预测方法。对于航空公司来说，目前还没有建立能够对航班运行风险值进行预测的系统，经研究发现dddas系统适用于航班运行风险预测。
6.本发明采取的技术方案是：一种基于dddas的航班运行风险分析与预测方法，其特征在于，包括以下步骤：
7.第一步：数据采集与处理
8.(1)、从航班各个监测设备中，按时间顺序连续采集若干天的航班运行风险观测数据，每日的航班运行风险观测数据包括机组情况、飞机故障情况、机场情况、天气情况、空域情况、航班进离港计划。
9.(2)、将采集的若干天航班运行风险观测数据根据评分标准简化为航班运行风险观测值α
t
，t为自然数，表示离散日期。
10.第二步：建立状态空间模型
11.(1)、将若干天的航班运行风险观测值α
t
输入软件中的状态模型程序中，建立状态空间模型的观测方程和状态方程。
12.①
、观测方程用来描述状态变量与观测变量两者之间的相互关系，即模型系统内部状态变化引起的外部输入变化情况，由软件生成的观测方程公式为：
13.y＝sv1+[var＝r]
‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑
(1)
[0014]
式(1)中，y表示观测变量；sv1表示状态变量；var＝r表示观测方程的误差项。
[0015]
②
、状态方程用来描述系统的状态与状态之间的转换关系，即模型系统内部的状态变化情况，由软件生成的状态方程公式为：
[0016]
sv1＝sv1(
‑
1)+[var＝q]
‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑
(2)
[0017]
式(2)中，sv1(
‑
1)表示上一日的状态变量；var＝q表示状态方程的误差项。
[0018]
(2)、将预测前一天，即第t
‑
1天的航班运行风险观测值α
t
‑1代入状态空间模型的状态方程式(2)中，计算出预测当日航班运行风险的先验估计值，记作β
t
，计算公式为：
[0019][0020]
式(3)中，randn为服从均值为0，标准差为1的正态分布的随机数。
[0021]
第三步：数据同化
[0022]
(1)、采用粒子滤波算法对航班运行风险观测值α
t
和先验估计值β
t
进行融合；在系统运行的过程中，将输入到系统中的航班运行风险观测值α
t
不断用于对模型系统状态的先验估计值β
t
进行更新估计，最后得到航班运行风险预测值γ
t
，并把航班运行风险预测值γ
t
作为预测下一天的预测过程的先验估计值β
t+1
，具体步骤如下：
[0023]
①
、初始化粒子
[0024]
首先随机生成n个权值相同的粒子，使n个权值相同的粒子均服从均值为先验估计值β
t
、方差为r的正态分布，同时设每个粒子的初始值为x
i
(i＝1,2
…
n)。
[0025]
②
、重要性采样
[0026]
根据状态空间模型的状态方程式(2)，计算每一个粒子的预测值y
i
(i＝1,2
…
n)，计算公式为：
[0027][0028]
式(4)中，randn为服从均值为0，标准差为1的正态分布的随机数。
[0029]
③
、粒子权值更新
[0030]
已知当前时刻的航班运行风险观测值为α
t
,重新计算每个粒子的权重，与航班运行风险观测值α
t
相似度高的粒子被赋予较大的权重,而与航班运行风险观测值α
t
相似度低的粒子被赋予较小的权重,粒子相似度计算公式为：
[0031][0032]
设粒子更新后的权重为w
i
，权重归一化公式为：
[0033][0034]
根据公式(6)重新计算每个粒子的权重w
i
。
[0035]
④
、粒子重采样
[0036]
对粒子进行复制,权值越大则复制的次数越多,权值越小则复制的次数越少,权值过小的粒子直接被舍弃；经过重采样之后的粒子权重重新被均等地设置为1/n，重采样后的粒子权重记作w’i
。
[0037]
⑤
、状态预测
[0038]
将重采样后的粒子集x’i
代入状态空间模型的状态方程式(2)中，计算得到每个粒子的预测值y’i
(i＝1,2
…
n)，计算公式为：
[0039][0040]
航班运行风险预测值γ计算公式为：
[0041][0042]
根据公式(8)即可计算得到第t天的航班运行风险预测值γ
t
。
[0043]
(2)将计算得到的航班运行风险预测值γ
t
作为下一天预测过程的先验估计值β
t+1
：
[0044]
β
t+1
＝γ
t
‑‑‑‑‑‑‑‑‑‑‑‑‑‑
(9)
[0045]
重复第三步数据同化，直至完成未来若干日航班运行风险预测值的计算。
[0046]
本发明所产生的有益效果是：采用dddas对航班运行风险进行分析预测，与传统仿真系统相比，dddas系统的应用程序建模能力、效率和精度获得了提高，计算建模与动态数据输入相补充和扩展，可以在运行时动态地集成到计算中。同时，在执行应用程序过程中对测量过程进行控制和指导，可以有效提高测量的精度和效率。本发明提出的基于dddas的航班运行风险分析与预测方法对于航空公司提前规避风险，更加高效安全的运行，产生更高的经济效益具有一定的实际参考意义。
附图说明
[0047]
图1为本发明基于dddas的航班运行风险分析与预测方法流程图；
[0048]
图2为本发明预测值计算子流程图。
具体实施方式
[0049]
以下结合附图和实施例对本发明作进一步说明。
[0050]
参照图1：
[0051]
第一步：数据采集与处理
[0052]
(1)本实施例从航班各个监测设备中，按时间顺序连续采集185日的航班运行风险观测数据，每日的航班运行风险观测数据包括机组情况、飞机故障情况、机场情况、天气情
况、空域情况、航班进离港计划。
[0053]
(2)将采集的185日航班运行风险观测数据根据评分标准(如表1)，转化为航班运行风险观测值α
t
(t＝1,2
…
185)，如表2～表4所示。以采集的185日中前178日的航班运行风险观测值作为实验数据，预测后7日(179～185日)航班运行风险预测值。
[0054]
表1航空公司航班运行风险相关的影响因素及其评分标准
[0055]
[0056]
[0057][0058]
表2航空公司185日航班运行风险评价
[0059][0060]
表3航空公司前178日航班运行风险观测值α
t
[0061]
[0062][0063]
表4航空公司后7日航班运行风险观测值α
t
[0064]
日期179180181182183184185α
t
89766.578
[0065]
第二步：建立状态空间模型
[0066]
(1)将178日的航班运行风险观测值数据输入eviews软件中的状态模型程序中，建立状态空间模型的观测方程和状态方程，输出结果如表5所示。
[0067]
表5局部水平模型输出结果
[0068] coefficientstd.errorz
‑
statisticprobc(1)
‑
1.1076330.518583
‑
2.1258830.0327c(2)0.3510810.2053741.7094660.0874 final stateroot msez
‑
statisticprobsv18.8376891.3027356.783950
[0069]
①
观测方程：用来描述状态变量与观测变量两者之间的相互关系，即模型系统内部状态变化引起的外部输入变化情况。由eviews软件自动生成的观测方程公式为：
[0070]
y＝sv1+[var＝r]
‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑
(1)
[0071]
式(1)中，y表示观测变量；sv1代表局部水平状态变量；var＝r表示观测方程的误差项,r＝e
‑
1.107633
。
[0072]
②
状态方程：用来描述系统的状态与状态之间的转换关系，即系统内部的状态变化情况。由eviews软件自动生成的状态方程公式为：
[0073]
sv1＝sv1(
‑
1)+[var＝q]
‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑
(2)
[0074]
式(2)中，sv1(
‑
1)表示上一日的状态变量；var＝q表示状态方程的误差项，q＝e
0.351081
。
[0075]
(2)将第178日航班运行风险观测值α
178
＝8.5代入状态空间模型的状态方程式(2)中，计算出第179日航班运行风险的先验估计值，记作β
179
，计算公式为：
[0076][0077]
式(3)中，randn为服从均值为0，标准差为1的正态分布的随机数；q＝e
0.351081
，t＝179，计算后得到β
179
＝8.856329。
[0078]
第三步：数据同化：
[0079]
(1)采用粒子滤波算法对航班运行风险观测值α
t
和先验估计值β
t
进行融合，在系统运行的过程中，将输入到系统中的航班运行风险观测值α
t
不断用于对模型系统状态的先验估计值β
t
进行更新估计，最后得到航班运行风险预测值γ
t
，并把航班运行风险预测值γ
t
作为预测下一天的预测过程的先验估计值β
t+1
，如图2所示。
[0080]
具体步骤如下：
[0081]
①
初始化粒子
[0082]
随机生成n为100个权值相同的粒子，使其均服从均值为β
179
＝8.856329，方差为r＝e
‑
1.107633
的正态分布，设每个粒子的初始值为x
i
(i＝1,2
…
100)。
[0083]
②
重要性采样
[0084]
根据状态空间模型的状态方程式(2)，计算每一个粒子的预测值y
i
(i＝1,2
…
100)，计算公式为：
[0085][0086]
式(4)中randn为服从均值为0，标准差为1的正态分布的随机数，q＝e
0.351081
。
[0087]
③
粒子权值更新
[0088]
已知第179日的航班运行风险观测值α
179
＝8(如表4),重新计算每个粒子的权重。与观测值相似度高的粒子被赋予较大的权重,而与观测值相似度低的粒子被赋予较小的权重,将α
179
代入粒子相似度公式后的计算公式为：
[0089][0090]
式(5)中r＝e
‑
1.107633
，t＝179；
[0091]
设粒子更新后的权重为w
i
，权重归一化公式为：
[0092][0093]
根据公式重新计算每个粒子的权重w
i
。
[0094]
④
粒子重采样
[0095]
对粒子进行复制,权值w
i
越大则复制的次数越多,权值越小则复制的次数越少,权值过小的粒子直接被舍弃。将重采样后的粒子权重记作w’i
，经过重采样之后的粒子权重w’i
重新被均等地设置为1/100(100为粒子数)。
[0096]
⑤
状态预测
[0097]
将重采样后的粒子集x’i
代入状态空间模型的状态方程，即公式(2)，计算得到每个粒子的预测值y’i
(i＝1,2
…
100)：
[0098][0099]
式(7)中q＝e
0.351081
；
[0100]
航班运行风险预测值γ计算公式为：
[0101][0102]
根据公式(8)可计算得到第179天的航班运行风险预测值γ
179
＝8.1081。
[0103]
(2)将该预测值γ
179
作为下一个预测过程的先验估计值β
180
：
[0104]
β
180
＝γ
179
‑‑‑‑‑‑‑‑‑‑‑‑‑‑‑
(9)
[0105]
重复步骤三，直至完成未来7天(179
‑
185天)航班运行风险预测值的计算，预测结果如表6所示。
[0106]
表6第179
‑
185日航班运行风险预测结果
[0107]
日期真实值预测值误差17988.10811.35％18098.78902.34％18176.44387.95％18265.95340.78％1836.56.64472.23％18478.142616.32％18588.25303.16％平均精确度
ꢀꢀ
95.12443％
[0108]
经重复实验，一周之内预测结果的平均误差在4％
‑
6％之间，由此证明本发明的基于dddas的航班运行风险分析与预测方法有效。