航线飞机积冰风险区识别及其特征参数的构建装置及方法与流程

1.本发明涉及飞机航线监控的领域，尤其涉及一种航线飞机积冰风险区识别及其特征参数的构建装置及方法。


背景技术：

2.飞机积冰是一种较为危险的航空天气，为了能够更好地对飞机积冰进行研究，就需要了解飞机积冰产生的条件，而飞机积冰的产生通常与温度、云状、湿度和降水等因素有关。
3.在现有的方法中统计预报法、霜点法、动力增温法和数值预报法是飞机积冰常见的预报方法，其中统计预报法、霜点法、动力增温法由于其考虑的气象要素较为单一，导致其预报效果不理想，现在基本不使用这三种方法进行预测，现多使用数值预报或数值预报与飞机积冰经验公式相结合的飞机积冰的预报方法。其基本思路是基于飞机报告中飞机积冰资料通过统计和天气学分析方法建立预报模型，并应用数值模式输出的温度、相对湿度、云、降水等参数来预报飞机积冰潜势。但数值预报需要高性能计算平台，此类平台通常造价昂贵且需专业人员维护，对于大部分业务单位而言无足够的资金和人力支持。
4.有鉴于此，有必要提出一种航线飞机积冰风险区识别及其特征参数的构建装置及方法。


技术实现要素：

5.为了克服现有技术存在的缺点与不足，本发明提供一种航线飞机积冰风险区识别及其特征参数的构建装置及方法。
6.本发明所采用的技术方案是，航线飞机积冰风险区识别及其特征参数的构建装置，所述装置包括：飞机航线积冰数据识别模块、飞机航线数据包特征加密模块、异常积冰发现模块、飞机航线积冰风险阈值设定模块、飞机航线数据实时录入更新模块、飞机航线监控模块、飞机航线调整模块、飞机航线数据模型算法模块、积冰风险评估结果传输模块、积冰数据报警模块，其中，
7.所述飞机航线积冰数据识别模块用于对待监控飞机航线数据进行识别整理，所述飞机航线积冰数据识别模块与所述飞机航线数据包特征加密模块电连接；
8.所述飞机航线数据包特征加密模块用于根据所述飞机航线积冰数据识别模块的飞机航线数据识别整理，从飞机航线数据库中识别待监控飞机航线数据，并把飞机航线数据归一化后特征加密成统一的格式，所述飞机航线数据包特征加密模块分别与所述飞机航线积冰数据识别模块、所述异常积冰发现模块以及所述飞机航线数据模型算法模块电连接；
9.所述异常积冰发现模块用于自动发现所述飞机航线数据包特征加密模块中归一化后的待监控飞机航线数据表中哪些飞机航线数据需要进行积冰风险监控，所述异常积冰发现模块分别与所述飞机航线数据包特征加密模块、所述飞机航线数据积冰风险监控规则
生成与更新模块以及所述飞机航线监控模块电连接；
10.所述飞机航线积冰风险阈值设定模块用于对装置中进行积冰标准参数的设定，所述飞机航线数据规则整理模块与所述飞机航线数据实时录入更新模块电连接；
11.所述飞机航线数据实时录入更新模块用于根据所述飞行航线规则整理模块用户自定义或默认的积冰风险监控规则参数、所述飞机航线数据包特征加密模块归一化后的历史飞机航线数据对监控规则，以及异常积冰发现模块自动发现(挖掘)的需要进行积冰风险监控飞机航线数据进行积冰风险监控规则特征提取，所述飞机航线数据实时录入更新模块分别与所述飞行航线规则整理模块、所述飞机航线数据包特征加密模块以及异常积冰发现模块电连接；
12.所述飞机航线监控模块用于支持云端智能对所述飞机航线数据实时录入更新模块自生成的模型参数进行修改和调整，完善监控规则，或者由云端智能自主定义新的监控规则，所述飞机航线监控模块分别与所述异常积冰发现模块以及所述飞机航线数据实时录入更新模块电连接；
13.所述飞机航线调整模块用于完成装置中各个功能模块的统一调度和执行，规划出最合理的飞行路径所述飞机航线调整模块分别与所述飞行航线规则整理模块以及所述积冰风险评估结果传输模块电连接；
14.所述飞机航线数据模型算法模块用于根据所述飞机航线数据实时录入更新模块自生成的飞机航线数据监控规则综合所述飞机航线监控模块的云端智能自定义规则对新增待积冰风险监控飞机航线数据进行计算，并判断该新增飞机航线数据是否触发积冰风险异常警报信号，所述飞机航线数据模型算法模块分别与所述飞机航线数据实时录入更新模块、所述飞机航线监控模块以及所述积冰风险评估结果传输模块电连接；
15.所述飞机航线数据模型，表达式为：
[0016][0017]
其中，f
fb
表示飞机航线数据预警函数，u
gs
表示飞机航线数据设定阈值函数，q
jh
表示飞机航线数据集合，y表示积冰风险预测因子，c
jh
表示积冰风险预警等级，r表示积冰风险预测误差；
[0018]
所述积冰风险评估结果传输模块根据飞机航线数据模型算法模块的计算结果向飞机航线数据监控平台发出相关警报信号，所述积冰风险评估结果传输模块分别与所述飞机航线数据模型算法模块以及所述积冰数据报警模块电连接；
[0019]
所述积冰数据报警模块用于接收飞机航线数据监控平台对警报信号数据的预警，并将该数据预警给所述飞机航线数据实时录入更新模块根据云端智能预警对模型进行调整和优化，所述积冰数据报警模块分别与所述飞机航线数据实时录入更新模块以及所述积冰风险评估结果传输模块电连接。
[0020]
进一步地，所述飞机航线数据包特征加密模块包括待监控飞机航线数据识别块子模块以及飞机航线数据格式归一化子模块，所述待监控飞机航线数据识别块子模块用于根据所述飞机航线积冰数据识别模块所设置好的飞机航线数据识别方式对待监控飞机航线数据或待监控飞机航线数据的历史正常飞机航线数据进行识别，所述飞机航线数据格式归
一化子模块用于将所述待监控飞机航线数据识别块子模块识别的飞机航线数据归一化成所述飞机航线数据实时录入更新模块、飞机航线数据模型算法模块可识别的标准飞机航线数据格式。
[0021]
进一步地，所述异常积冰发现模块包括数值型飞机航线数据筛选子模块以及强相关飞机航线数据对筛选子模块，所述数值型飞机航线数据筛选子模块用于将数值型数据筛选出来，所述强相关飞机航线数据对筛选子模块用于筛选出强相关飞机航线数据。
[0022]
进一步地，所述飞行航线规则整理模块的监控规则模型为参数实时更新飞机航线数据的监控模型。
[0023]
一种航线飞机积冰风险区识别及其特征参数的构建方法，包括：
[0024]
步骤p1，对待监控飞机航线数据进行识别整理，分析飞机积冰的航路分布特征，包括气候特征、高度分布特征、季节分布特征以及月份分布特征，整理归纳我国飞机积冰的多发区域、多发高度层、多发季节以及多发月份，用于相应地区的飞行、管制人员做好飞机积冰的预防措施；
[0025]
步骤p2，根据识别整理，从飞机航线数据库中识别待监控飞机航线数据，并把飞机航线数据归一化成统一的格式；
[0026]
步骤p3，寻找发现归一化后的待监控飞机航线数据表中哪些飞机航线数据需要进行积冰风险监控；
[0027]
步骤p4，对装置中进行积冰标准参数的设定，使用matlab编程对欧洲中期天气预报中心(european centre for mediumrange weather forecasts，以下简称ecmwf)数据进行解码提取，分析飞机积冰发生时温度、相对湿度、水平及垂直风速和比湿的特征和规律，再绘制水汽通量散度图、相对涡度剖面图、风温位势高度叠加图总结出水汽通量散度、相对涡度以及风温位势高度的特征和规律；
[0028]
步骤p5，根据步骤p2中归一化后的飞机航线数据、步骤p3中需要进行积冰风险监控的飞机航线数据以及步骤p4中自动监控规则模型的超参数进行积冰风险监控规则特征提取；
[0029]
步骤p6，以不断更新的飞机航线数据，利用基于门控循环神经网络方法建立飞机积冰预报模型，将步骤p3中需要进行积冰风险监控的飞机航线数据代入积冰预报模型得到积冰强度的预报值，并与同期ecmwf预报数据计算得到的国际民航组织推荐的积冰指数预报算法相比较，构建得到融合预报结论，云端智能对步骤p5中自生成的积冰风险监控规则进行修改和调整，完善监控规则；
[0030]
步骤p7，根据步骤p5中自生成的积冰风险监控规则以及步骤p6中云端智能修改的积冰风险监控规则对待监控飞机航线数据进行积冰风险计算，并判断该新增飞机航线数据是否触发积冰风险异常警报信号；
[0031]
步骤p8：根据步骤p7中的计算结果向飞机航线数据监控平台发出相关警报信号。
[0032]
进一步地，所述步骤p8之后还包括步骤p9：接收飞机航线数据监控平台对警报信号数据的预警，并将该数据预警到步骤p5中，对积冰风险监控特征提取规则进行调整和优化。
[0033]
进一步地，所述步骤p2具体包括：
[0034]
步骤t1，根据识别整理，对飞机航线数据库中的待监控飞机航线数据或待监控飞
机航线数据的历史正常飞机航线数据进行识别；
[0035]
步骤t2，把识别出的飞机航线数据归一化成统一的格式。
[0036]
进一步地，所述步骤p3具体包括：
[0037]
步骤k1，从待监控飞机航线数据表中筛选出数值型飞机航线数据；
[0038]
步骤k2，根据筛选出的数值型数据历史飞机航线数据，计算相关数据飞机航线数据的协方差矩阵，得
[0039]
到数据飞机航线数据间的相关性度量；
[0040]
步骤k3，得到的不同飞机航线数据相关度，筛选出强相关飞机航线数据。
[0041]
进一步地，所述步骤p5具体包括：
[0042]
步骤h1，判断待监控飞机航线数据是否为新的待监控飞机航线数据；
[0043]
步骤h2，如果判断为新的飞机航线数据，则进行积冰风险监控规则模型参数学习；
[0044]
步骤h3，如果判断不是新飞机航线数据，则判断当前时间点是否为待积冰风险监控飞机航线数据的更新时间点。如果到达更新时间点，则对待积冰风险监控规则模型参数进行更新调整。
[0045]
进一步地，所述步骤h2具体包括：
[0046]
步骤h21，假设两个待积冰风险检查数据对应的飞机航线数据变量；
[0047]
步骤h22，根据历史飞机航线数据进行多变量回归，得到多变量模型回归模型；
[0048]
步骤h23，进行多变量回归模型与真实飞机航线数据值的判别分析；
[0049]
步骤h24，计算历史判别分析的离散变量和差异水平，得到卷积神经网络的参数。
[0050]
与现有技术相比，本发明提供的航线飞机积冰风险区识别及其特征参数的构建装置及方法，通过机器特征提取对飞机航线数据积冰风险进行监控，降低了漏报、误报率，同时大大降低了云端智能成本，提高了监控效率。
附图说明
[0051]
图1为本发明的航线飞机积冰风险区识别及其特征参数的构建装置的结构示意图；
[0052]
图2为本发明的一种航线飞机积冰风险区识别及其特征参数的构建方法的流程图；
[0053]
图3为本发明的一种航线飞机积冰风险区识别及其特征参数的构建方法的步骤p200的具体流程图；
[0054]
图4为本发明的一种航线飞机积冰风险区识别及其特征参数的构建方法的步骤p300的具体流程图；
[0055]
图5为本发明的一种航线飞机积冰风险区识别及其特征参数的构建方法的步骤p500的具体流程图；
[0056]
图6为本发明的一种航线飞机积冰风险区识别及其特征参数的构建方法的步骤p502的具体流程图。
具体实施方式
[0057]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相
互结合，下面结合附图和有具体实施例对本技术作进一步详细说明。
[0058]
如图1所示，一种航线飞机积冰风险区识别及其特征参数的构建装置及方法，
[0059]
如图1所示，为本发明航线飞机积冰风险区识别及其特征参数的构建装置的一种实施例，该航线飞机积冰风险区识别及其特征参数的构建装置包括飞机航线积冰数据识别模块1、飞机航线数据包特征加密模块2、异常积冰发现模块3、飞机航线积冰风险阈值设定模块4、飞机航线数据实时录入更新模块5、飞机航线监控模块6、飞机航线调整模块7、飞机航线数据模型算法模块8、积冰风险评估结果传输模块9、积冰数据报警模块10，其中，
[0060]
所述飞机航线积冰数据识别模块1用于对待监控飞机航线数据进行识别整理，所述飞机航线积冰数据识别模块1与所述飞机航线数据包特征加密模块2电连接。飞机航线积冰数据识别模块1允许用户通过用户界面(基于web或移动app的用户界面)，对待监控飞机航线数据的飞机航线数据源(包括：飞机航线数据库类型、ip地址、用户、密码、待监控飞机航线数据所在的飞机航线数据表、待监控飞机航线数据在表中的数据名等)、或者待监控飞机航线数据前端识别接口进行整理；同时也可以支持用户输入符合装置设计标准的飞机航线数据识别源代码脚本(例如：用python语言编写的飞机航线数据识别脚本)。当用户在用户界面设置完成并确认后，设置的内容将通过应用服务器(可采用微服务的方式实现)将设置内容写入应用飞机航线数据库(可采用mysql，postgresql，mongo等飞机航线数据库)。
[0061]
所述飞机航线数据包特征加密模块2用于根据所述飞机航线积冰数据识别模块1的飞机航线数据识别整理，从飞机航线数据库中识别待监控飞机航线数据，并把飞机航线数据归一化后特征加密成统一的格式，所述飞机航线数据包特征加密模块2分别与所述飞机航线积冰数据识别模块1、所述异常积冰发现模块3以及所述飞机航线数据模型算法模块8电连接。飞机航线数据包特征加密模块2，一般包含以下子模块：(1)待监控飞机航线数据识别模块21。该模块根据模块1所设置好的飞机航线数据识别方式对待监控飞机航线数据或待监控飞机航线数据的历史正常飞机航线数据进行识别。该模块一般通过计算服务模块来完成。面对海量的待监控飞机航线数据，通常该计算服务模块可采用apache spark，apache spark streaming等分布式计算引擎来实现，也可以采用弹性可扩展的微服务架构完成实时计算。飞机航线数据识别模块根据用户输入的飞机航线数据库类型、ip地址、用户、密码、待监控飞机航线数据所在的飞机航线数据表、待监控飞机航线数据在表中的数据名等参数调用对应的飞机航线数据库识别代码库对飞机航线数据进行识别。如果用户整理了待监控飞机航线数据的前端识别接口，则该模块根据整理的飞机航线数据识别地址和参数进行飞机航线数据获取。为了支持更丰富的飞机航线数据识别方式，该模块也支持用户输入符合规范的飞机航线数据识别代码脚本供计算服务模块调用获取飞机航线数据。(2)飞机航线数据格式归一化模块22。该模块将模块21识别的飞机航线数据归一化成模块5、模块8可识别的标准飞机航线数据格式，例如(key，value)、或者n维飞机航线数据帧(dataframe)的格式。
[0062]
飞机航线数据模型，表达式为：
[0063][0064]
其中，f
fb
表示飞机航线数据预警函数，u
gs
表示飞机航线数据设定阈值函数，q
jh
表
示飞机航线数据集合，y表示积冰风险预测因子，c
jh
表示积冰风险预警等级，r表示积冰风险预测误差。
[0065]
所述异常积冰发现模块3用于自动发现所述飞机航线数据包特征加密模块2中归一化后的待监控飞机航线数据表中哪些飞机航线数据需要进行积冰风险监控，所述异常积冰发现模块3分别与所述飞机航线数据包特征加密模块2、飞机航线数据积冰风险监控规则生成与更新模块5以及所述飞机航线监控模块6电连接。异常积冰发现模块3，该模型能够自动发现模块2中归一化后待监控飞机航线数据表中哪些飞机航线数据需要进行积冰风险监控，解决传统云端智能查找、定义需要积冰风险监控的数据存在的效率低，容易遗漏的缺点。该模块主要由以下两个模块组成：(1)数值型飞机航线数据筛选子模块。本发明主要解决数值型飞机航线数据积冰风险监控的问题，所以需要首先将飞机航线数据型数据筛选出来，在实现上，首先对飞机航线数据类型标记为数值型的数据(2)强相关飞机航线数据对筛选子模块32，该强相关飞机航线数据筛选子模块32主要由以下步骤实现：
[0066]
步骤1：根据模块31筛选出的数值型数据历史飞机航线数据，计算相关数据飞机航线数据的协方差矩阵，得到数据飞机航线数据间的相关性度量；
[0067]
步骤2：根据步骤1计算得到的不同飞机航线数据相关度，筛选出强相关飞机航线数据(相关度大于一定阈值)。
[0068]
所述飞机航线积冰风险阈值设定模块4用于对装置中进行积冰标准参数的设定，所述飞机航线数据规则整理模块4与所述飞机航线数据实时录入更新模块5电连接。飞机航线积冰风险阈值设定模块4，主要对装置中默认支持的监控参数进行整理，或自定义的飞机航线数据积冰风险监控规则进行整理。当两个飞机航线数据高度多变量相关(一致)时，通过一个数据对另一个进行多变量回归，然后计算回归的值与待监控值的判别分析。假设这一判别分析服从正态分布，则当待监控数值与回归值的判别分析超过历史判别分析差异水平的2倍以上时发出二级警报信号；当该判别分析大于历史判别分析差异水平4倍以上时发出一级警报信号。
[0069]
所述飞机航线数据实时录入更新模块5用于根据所述飞行航线规则整理模块4用户自定义或默认的积冰风险监控规则参数、所述飞机航线数据包特征加密模块2归一化后的历史飞机航线数据对监控规则，以及异常积冰发现模块3自动发现(挖掘)的需要进行积冰风险监控飞机航线数据进行积冰风险监控规则特征提取，所述飞机航线数据实时录入更新模块5分别与所述飞行航线规则整理模块3、所述飞机航线数据包特征加密模块2以及异常积冰发现模块4电连接；该模块根据装置默认的积冰风险监控规则模型，利用模块3监控出的强相关性数据对应的归一化后待监控历史飞机航线数据对监控规则进行特征提取。根据飞机航线数据的特性，我们可以设置如下积冰风险规则监控模型。
[0070]
参数实时更新飞机航线数据的监控模型：工业行业的数值型飞机航线数据中常常会出现近似多变量相关的两个变量，例如基金的评级得分和基金的评级级别一般符合近似多变量的关系。对两多变量相关(飞机航线数据)。首先，根据历史飞机航线数据进行多变量回归，得到多变量模型；然后，计算多变量模型预测值与飞机航线数据真实值的判别分析，并对这些判别分析建立相应的高斯模型(即估计这些判别分析的离散变量和差异水平)。
[0071]
飞机航线数据积冰风险监控规则自生产与更新模块5可以设计成包含以下步骤：
[0072]
步骤1：判断待监控飞机航线数据是否为新的待监控飞机航线数据；
[0073]
步骤2：如果步骤1判断为新的飞机航线数据，则进行积冰风险监控规则模型参数学习41，计算步骤如下：
[0074]
步骤2_1：假设两个待积冰风险检查数据对应的飞机航线数据变量为
×
和y；
[0075]
步骤2_2：根据历史飞机航线数据进行多变量回归，得到多变量模型回归模型。参数的估计方法可以采用最小二乘法、最大似然法等方法。
[0076]
步骤2_3：进行多变量回归模型与真实飞机航线数据值的判别分析；
[0077]
步骤2_4：计算历史判别分析的离散变量和差异水平，得到卷积神经网络的参数。
[0078]
步骤3：如果不是新的待积冰风险监控飞机航线数据，则判断当前时间点是否为待积冰风险监控飞机航线数据的更新时间点。如果到达更新时间点，则对待积冰风险监控规则模型参数进行更新调整42(计算方法如前所述，可以根据全量历史飞机航线数据进行更新、也可以根据最近一段时间内历史飞机航线数据进行更新)。否则结束当前模块。
[0079]
这里就飞机航线数据积冰风险监控规则自生产与更新模块5中阐述的几种常用自动监控规则模型，获得新的待监控飞机航线数据后的监控计算方法进行介绍：
[0080]
当输入待监控飞机航线数据时，利用前面建立的多变量模型，计算计算预测值，然后计算预测值与待监控飞机航线数据的判别分析，再将该判别分析输入模块4计算得到的预测值与真实值判别分析的高斯模型，得到该判别分析出现的概率，当该概率低于设定的数值时(由模块4进行整理)，则发出不同级别的警报信号信号。
[0081]
如果模块4步骤2_4建立的是混合高斯模型，则需要将当前判别分析代入训练好的混合高斯模型，当输入数值的概率低于设定的数值时(由模块4进行整理)，则发出不同级别的警报信号信号。
[0082]
上述的飞机航线数据监控计算可以通过apache spark计算引擎实现。对实时性要求较高的可通过spark streaming，或者apache spark flink来完成计算。
[0083]
所述飞机航线监控模块6用于支持云端智能对所述飞机航线数据实时录入更新模块5自生成的模型参数进行修改和调整，完善监控规则，或者由云端智能自主定义新的监控规则，所述飞机航线监控模块6分别与所述异常积冰发现模块3以及所述飞机航线数据实时录入更新模块5电连接；采用机器学习产生的飞机航线数据积冰风险监控规则，在历史正常飞机航线数据较少的情况，容易出现监控规则不够完善的情况，飞机航线数据实时录入更新模块5支持云端智能对自动生成的监控规则进行修改和添加新的规则。让自动生成规则与云端智能规则相配合，提高装置的灵活性及适应性。
[0084]
所述飞机航线调整模块7用于完成装置中各个功能模块的统一调度和执行，规划出最合理的飞行路径所述飞机航线调整模块7分别与所述飞行航线规则整理模块4以及所述积冰风险评估结果传输模块9电连接；
[0085]
所述飞机航线数据模型算法模块8用于根据所述飞机航线数据实时录入更新模块5自生成的飞机航线数据监控规则综和所述飞机航线监控模块6的云端智能自定义规则对新增待积冰风险监控飞机航线数据进行计算，并判断该新增飞机航线数据是否触发积冰风险异常警报信号，所述飞机航线数据模型算法模块8分别与所述飞机航线数据实时录入更新模块5、所述飞机航线监控模块6以及所述积冰风险评估结果传输模块9电连接；
[0086]
所述积冰风险评估结果传输模块9根据飞机航线数据模型算法模块8的计算结果向飞机航线数据监控平台发出相关警报信号，所述积冰风险评估结果传输模块9分别与所
述飞机航线数据模型算法模块8以及所述积冰数据报警模块10电连接。该模块将飞机航线数据模型算法模块8输出的飞机航线数据质量监控警报信号数据，包括触发警报信号的飞机航线数据基本数据及警报信号级别等，利用消息推送装置，通过微信、短信、应用app等渠道推送给客户。例如：app推送可通过mqtt、xmpp等协议实现，也可以调用华为推送、阿里云移动推送、腾讯信鸽推送等第三方平台实现。
[0087]
所述积冰数据报警模块10用于接收飞机航线数据监控平台对警报信号数据的预警，并将该数据预警给所述飞机航线数据实时录入更新模块5根据云端智能预警对模型进行调整和优化，所述积冰数据报警模块10分别与所述飞机航线数据实时录入更新模块5以及所述积冰风险评估结果传输模块9电连接。该模块主要接收飞机航线数据监控平台对飞机航线数据监控警报信号的预警数据，并将该预警数据预警给飞机航线数据监控规则更新模块(模块4)根据云端智能预警对监控规则进行调整和优化。如果云端智能预警发出警报信号的信号为假信号，则需要预警给模块4根据当前输入数值及时进行监控规则调整。
[0088]
如图2所示，为本发明一种航线飞机积冰风险区识别及其特征参数的构建方法的一种实施例，该方法包括：
[0089]
步骤p100，对待监控飞机航线数据进行识别整理，分析飞机积冰的航路分布特征，包括年际分布特征、高度分布特征、季节分布特征以及月份分布特征，整理归纳我国飞机积冰的多发区域、多发高度层、多发季节以及多发月份，用于相应地区的飞行、管制人员做好飞机积冰的预防措施；
[0090]
步骤p200，根据识别整理，从飞机航线数据库中识别待监控飞机航线数据，并把飞机航线数据归一化成统一的格式；
[0091]
步骤p300，寻找发现归一化后的待监控飞机航线数据表中哪些飞机航线数据需要进行积冰风险监控；
[0092]
步骤p400，对装置中进行积冰标准参数的设定，使用matlab编程对欧洲中期天气预报中心(european centre for medium-range weather forecasts，以下简称ecmwf)数据进行解码提取，分析飞机积冰发生时温度、相对湿度以及、水平及垂直速度风速和比湿的特征和规律，再通过matlab绘制水汽通量散度图、相对涡度剖面图、风温位势高度叠加图总结出水汽通量散度、相对涡度以及风温位势高度的特征和规律；
[0093]
步骤p500，根据步骤p200中归一化后的飞机航线数据、步骤p300中需要进行积冰风险监控的飞机航线数据以及步骤p400中自动监控规则模型的超参数进行积冰风险监控规则特征提取；
[0094]
步骤p600，以不断更新的飞机航线数据，利用基于门控循环神经网络方法建立飞机积冰预报模型，将90％的样本数据作为训练数据，剩余10％的样本数据对模型进行检验步骤p300中需要进行积冰风险监控的飞机航线数据代入积冰预报模型得到积冰强度的预报值，并与同期ecmwf预报数据计算得到的国际民航组织推荐的积冰指数预报算法相比较，进行预报效果对比分析构建得到融合预报结论，检验预测效果，云端智能对步骤p500中自生成的积冰风险监控规则进行修改和调整，完善监控规则；步骤p700，根据步骤p500中自生成的积冰风险监控规则以及步骤p600中云端智能修改的积冰风险监控规则对待监控飞机航线数据进行积冰风险计算，并判断该新增飞机航线数据是否触发积冰风险异常警报信号；
[0095]
步骤p700：根据步骤p600中的计算结果向飞机航线数据监控平台发出相关警报信号。
[0096]
步骤800，接收飞机航线数据监控平台对警报信号数据的预警，并将该数据预警到步骤p500中，对积冰风险监控特征提取规则进行调整和优化。
[0097]
如图3所示，所述步骤p200具体包括：
[0098]
步骤p201，根据识别整理，对飞机航线数据库中的待监控飞机航线数据或待监控飞机航线数据的历史正常飞机航线数据进行识别；
[0099]
步骤p202，把识别出的飞机航线数据归一化成统一的格式。
[0100]
如图4所示，所述步骤p300具体包括：
[0101]
步骤p301，从待监控飞机航线数据表中筛选出数值型飞机航线数据；
[0102]
步骤p302，根据筛选出的数值型数据历史飞机航线数据，计算相关数据飞机航线数据的协方差矩阵，得到数据飞机航线数据间的相关性度量；
[0103]
步骤p303，根据得到的不同飞机航线数据相关度，筛选出强相关飞机航线数据。
[0104]
如图5所示，所述步骤p500具体包括：
[0105]
步骤p501，判断待监控飞机航线数据是否为新的待监控飞机航线数据；
[0106]
步骤p502，如果判断为新的飞机航线数据，则进行积冰风险监控规则模型参数学习；
[0107]
步骤p503，如果判断不是新飞机航线数据，则判断当前时间点是否为待积冰风险监控飞机航线数据的更新时间点。如果到达更新时间点，则对待积冰风险监控规则模型参数进行更新调整。
[0108]
如图6所示，所述步骤p502具体包括：
[0109]
步骤p5021，假设两个待积冰风险检查数据对应的飞机航线数据变量；
[0110]
步骤p5022，根据历史飞机航线数据进行多变量回归，0得到多变量模型回归模型；
[0111]
步骤p5023，进行多变量回归模型与真实飞机航线数据值的判别分析；
[0112]
步骤p5024，计算历史判别分析的离散变量和差异水平，得到卷积神经网络的参数。
[0113]
本发明提供航线飞机积冰风险区识别及其特征参数的构建装置及监控方法，具有以下优点：
[0114]
1、可以自动发现需要进行积冰风险监控的飞机航线数据，极大的提高了飞机航线数据积冰风险监控的效率、准确度和覆盖率。
[0115]
2、发现需要进行积冰风险监控的数据后，根据飞机航线数据的历史值，自动学习飞机航线数据积冰风险监控规则，从而提高飞机航线数据积冰风险监控的质量、效率及覆盖面。
[0116]
在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0117]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以
理解的是，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。