一种基于机器学习的航班飞行全过程燃油消耗预测方法与流程

1.本发明涉及飞行燃油消耗预测领域，具体涉及一种基于机器学习的航班飞行全过程燃油消耗预测方法。


背景技术：

2.随着保护环境压力的增大和可持续发展的需要，民航无论站在企业自身成本降低还是国家能源有效利用的角度，做好节能减排工作的责任和意义都是显而易见的。
3.在节能减排工作中，做好航班起飞前的燃油装载计划是关键的一环。燃油装载量过多会导致装载燃油过重，继而产生“油耗油”问题；燃油装载量不足则会产生民航飞行隐患。然而，在目前的民航业实际运营过程中，如何提前精准预测航班飞行全过程所需油耗是一个“痛点”。
4.qar是quick access recorder的缩写，即快速存取记录器。qar记录设备是一种重要的记录飞机飞行参数的记载电子设备，可以连续记录长达600小时飞行的原始信息资料，同一时刻可采集数百个乃至上千个不同的飞行参数数据。qar记录的数据涵盖了绝大部分的飞机飞行参数，如经纬度、高度、风速、风向迎角、耗油量、温度、气压等等。近年来，对qar(快速存取记录器)全数据的应用研究正成为民航运行管理的一大趋势，该类数据可在油量、发动机损耗、飞行安全、飞行品质等多个领域发挥作用，因此，越来越多的航空公司开始研究利用qar数据对未来航班飞行的燃油消耗量进行预测。
5.然而，当前国内外航空利用qar数据预测未来航班飞行的燃油消耗量的现有研究中，存在以下几个技术“空白点”：
6.1)缺少对于qar大数据所记录的燃油消耗影响因素的量化筛选。qar数据中所记录的飞行状态参数达2000余项，有些参数每秒记录一次。进行燃油消耗预测需要对参数进行聚合，同时也需要进行参数筛选。因为使用高维特征数据进行预测会导致过拟合的风险，从而降低预测模型的泛化性能。目前航空公司进行燃油消耗影响因素研究多基于专家访谈或人工筛选的方式，没有采用人工智能的方法从qar大数据中提取信息，所得到的燃油消耗影响因素并不准确。
7.2)缺少基于qar大数据提前预测燃油消耗量的技术方法。在航班起飞之前对燃油消耗进行预测，能够为机务部门制定飞行计划决定燃油加油量提供指导。合理的燃油加油量是经济性和安全性的权衡。一方面，燃油加油量过多会导致飞机负载过重，从而产生“油烧油”的情况，会增加燃油消耗成本；另一方面，燃油加油量过少会导致飞机无法安全到达指定机场，而被迫在其他机场备降。
8.目前很多燃油消耗预测研究多预测燃油流率。燃油流率指的是某瞬间单位时间内或一段时间流过管道的燃油体积数或质量数。这些研究往往采用一段飞行过程中前序燃油消耗流率(fuel flow)预测后续的燃油流率。该方法虽然具有较高的准确性，然而无法在实际应用场景中提前预测燃油消耗量，具有较低的实用价值。同时，已有的燃油预测算法多采用传统机器学习算法进行预测，缺少采用集成学习或深度学习的算法应用，在预测准确性
和算法优化上有较大的提升空间。
9.3)缺乏在航班起飞前进行飞行全过程预测的实用技术。当前的燃油预测研究大多集中在巡航阶段，较少覆盖飞行全过程中除了巡航外的诸多阶段，如：起飞滑行、爬升、下降进近、到达滑行等阶段，因此难以达到提前预测飞机飞行全过程燃油消耗量、进而为提前加油量提供参考这一实践目标。
10.综上，目前各航空公司依然存在燃油预测准确率不高、燃油消耗成本较高等“痛点”，现有的燃油消耗预测的技术与研究还不足以应对这些痛点，存在以下几个技术“空白点”：缺乏针对qar大数据的特征提取技术；缺乏基于集成学习和深度学习等预测方法的应用；缺乏在航班起飞前进行飞行全过程预测的实用技术。


技术实现要素：

11.以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
12.本发明的目的在于解决上述问题，提供了一种基于机器学习的航班飞行全过程燃油消耗预测方法，根据航班的飞机飞行数据将航班飞行全过程划分为多个飞行阶段，得到各飞行阶段的飞行参数样本库，然后利用集成学习算法分别提取各飞行阶段的燃油消耗特征，并根据各飞行阶段的燃油消耗特征确定各飞行阶段的燃油特征数据集，结合各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集进行深度学习，从而对各飞行阶段的未来燃油消耗量进行预测，得到航班飞行全过程燃油消耗预测结果。
13.本发明的技术方案为：
14.本发明提供一种基于机器学习的航班飞行全过程燃油消耗预测方法，包括以下步骤：
15.获取多个航班的飞机飞行数据，并基于飞机飞行数据划分飞行阶段；
16.将各飞行阶段对应的飞机飞行数据按航班进行汇总，获取各飞行阶段的飞行参数样本库；
17.基于各飞行阶段的飞行参数样本库提取各飞行阶段的燃油消耗特征，并确定各飞行阶段的燃油特征数据集；
18.基于各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集预测各飞行阶段的未来燃油消耗量，获取航班飞行全过程燃油消耗预测结果。
19.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述基于机器学习的航班飞行全过程燃油消耗预测方法获取到飞机飞行数据后，对飞机飞行数据进行数据清洗，然后根据数据清洗后的飞机飞行数据划分飞行阶段，从而得到各飞行阶段的飞行参数明细数据；其中，所述飞行阶段包括滑出阶段、爬升阶段、巡航阶段、下降阶段以及滑入阶段。
20.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述基于机器学习的航班飞行全过程燃油消耗预测方法得到各飞行阶段的飞行参数明细数据后，分别对各航班不同飞行阶段的飞行参数明细数据进行参数汇总，得到对应飞行阶段
的飞行参数样本数据，并将得到的飞行参数样本数据存储到对应飞行阶段的飞行参数样本库中，从而获取各飞行阶段的飞行参数样本库。
21.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述飞行参数样本库包括多个对应飞行阶段的飞行参数；其中，所述基于机器学习的航班飞行全过程燃油消耗预测方法获取到各飞行阶段的飞行参数样本库后，分别从各飞行阶段的飞行参数样本库提取多个飞行参数作为对应飞行阶段的燃油消耗特征。
22.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述基于机器学习的航班飞行全过程燃油消耗预测方法采用随机森林算法对各飞行阶段的飞行参数进行筛选，从而得到各飞行阶段的燃油消耗特征；其中，采用随机森林算法提取燃油消耗特征包括以下步骤：
23.基于飞行参数样本库构建多个采样集；其中，每个飞行阶段包括多个采样集，同一飞行阶段的采样集的样本数目相同；
24.基于各采样集分别构建多个基学习器；其中，所述基学习器用于对各飞行参数进行排序，然后根据各飞行参数对应节点的顺序对各飞行参数进行加权汇总，得到各飞行参数的重要性；
25.将同一飞行阶段的各基学习器得到的各飞行参数的重要性进行特征汇总，然后根据特征汇总结果提取对应飞行阶段的燃油消耗特征。
26.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述随机森林算法采用自主采样法分别对各飞行阶段的飞行参数样本库进行采样，得到各飞行阶段的采样集，然后基于各采样集分别构建多个基学习器；其中，每个飞行阶段包括多个采样集，每个采样集的样本数目为对应飞行阶段的飞行参数样本库的样本数量。
27.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述随机森林算法采用cart决策树作为基学习器，利用cart决策树回归对采样集进行训练，从而得到对应飞行阶段的cart决策树；其中，所述cart决策树包括多个节点，每个节点对应一个飞行参数，所述基学习器完成训练后，根据cart决策树各节点对应的飞行参数确定各飞行参数的权重。
28.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述cart决策树采用信息增益对各节点进行节点特征选取，通过计算各飞行参数在各节点的信息增益来确定各节点对应的节点特征。
29.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述cart决策树采用各节点的均方误差系数作为节点特征选取依据，通过以下公式计算各飞行参数在各节点的信息增益，然后选取信息增益最大的飞行参数作为对应节点的节点特征，并利用信息增益最大的节点建立对应节点的子节点，直到确定各节点对应的节点特征，完成cart决策树训练：
30.；
31.其中，n表示采样集的样本数目，n
t
表示当前节点的样本数目，表示当前节点左分支的样本数目，表示当前节点右分支的样本数目。
32.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所
述cart决策树完成训练后，对各节点特征的信息增益进行归一化，从而得到各节点特征的重要性；其中，同一飞行阶段包括多个cart决策树，所述随机森林算法通过对同一飞行阶段的多个cart决策树的各节点特征的重要性进行特征汇总，从而得到对应飞行阶段的燃油消耗特征。
33.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述特征汇总算法包括特征加权算法、特征排名算法以及特征子集筛选算法；其中，所述随机森林算法采用特征汇总算法对同一飞行阶段的多个cart决策树的各节点特征的重要性进行特征汇总，并对特征汇总结果进行排序，然后根据排序结果选取多个节点特征作为对应飞行阶段的燃油消耗特征。
34.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述基于机器学习的航班飞行全过程燃油消耗预测方法获取到不同飞行阶段的燃油消耗特征后，根据燃油消耗特征从对应飞行阶段的飞行参数样本库中提取对应的飞行参数样本数据作为燃油特征数据集，然后基于各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集预测各飞行阶段的未来燃油消耗量，获取飞行全过程燃油消耗预测结果。
35.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述基于机器学习的航班飞行全过程燃油消耗预测方法获取到各飞行阶段的燃油特征数据集后，基于各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集构建各飞行阶段的燃油消耗预测模型，并对各飞行阶段的燃油消耗预测模型进行模型训练，从而得到用于预测各飞行阶段的未来燃油消耗量的燃油消耗预测模型。
36.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述基于机器学习的航班飞行全过程燃油消耗预测方法采用lstm神经网络建构各飞行阶段的燃油消耗预测模型，利用各飞行阶段的对应飞行阶段的燃油特征数据集以及对应飞行阶段的历史燃油消耗量对各飞行阶段的lstm神经网络进行模型训练，从而得到基于深度学习的燃油消耗预测模型。
37.根据本发明的基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，所述基于机器学习的航班飞行全过程燃油消耗预测方法完成各飞行阶段的燃油消耗预测模型的模型训练后，利用各飞行阶段的燃油消耗预测模型预测目标航班各飞行阶段的未来燃油消耗量，并对各飞行阶段的未来燃油消耗量进行加总，得到飞行全过程燃油消耗预测结果。
38.本发明对比现有技术有如下的有益效果：本发明根据航班的飞机飞行数据，将航班飞行全过程划分为多个飞行阶段，并将各飞行阶段的飞机飞行数据进行汇总，得到各飞行阶段的飞行参数样本库，然后基于各飞行阶段的飞行参数样本库提取各飞行阶段的燃油消耗特征。与现有的特征提取方法相比，本发明针对不同飞行阶段的飞行特征，采用集成学习分别从各飞行阶段的飞行参数样本库中提取对应飞行阶段的燃油消耗特征，从而提高燃油消耗特征提取的准确性，进而提高燃油消耗的准确性。此外，本发明还利用深度学习算法，根据各飞行阶段的历史燃油消耗量对提取到的各飞行阶段的燃油消耗特征进行学习训练，捕捉各飞行阶段的燃油消耗时序特征，从而对各飞行阶段的未来燃油消耗量进行预测，最终实现对航班飞行全过程燃油消耗预测，降低了燃油消耗，实现节能减排。
附图说明
39.在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
40.图1是示出本发明的基于机器学习的航班飞行全过程燃油消耗预测方法一实施例的流程图。
41.图2是示出本发明的采用随机森林算法提取燃油消耗特征一实施例的流程图。
42.图3是示出本发明的lstm神经网络一实施例的结构图。
43.图4是示出本发明的三层堆叠式lstm神经网络一实施例的结构图。
具体实施方式
44.以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
45.在此公开一种基于机器学习的航班飞行全过程燃油消耗预测方法的一实施例，图1是示出本发明的基于机器学习的航班飞行全过程燃油消耗预测方法一实施例的结构图，请参照图1，以下是对基于机器学习的航班飞行全过程燃油消耗预测方法各步骤的详细说明。
46.步骤s1：获取多个航班的飞机飞行数据，并基于飞机飞行数据划分飞行阶段。
47.本实施例中，根据燃油消耗预测要求提取一段时间的航班qar数据作为飞机飞行数据，并对提取到的qar数据进行数据清洗，从而得到高质量的qar数据。由于不同飞行阶段飞机飞行形态不同，其燃油消耗的影响因素和波动特征也有所不同，因此需要对航班飞行全过程进行划分，然后分别利用各飞行阶段的qar提取对应飞行阶段的燃油消耗影响特征，从而提高各飞行阶段燃油消耗影响特征提取的准确性，进而提高燃油消耗预测的准确性。
48.在一种实施方式中，根据qar数据将航班飞行全过程划分为滑出-爬升-巡航-下降-滑入五个阶段，得到各飞行阶段的飞行参数明细数据。其中，滑出阶段是指在地面滑行以及加速过程，爬升阶段是指将动能转化为势能的过程，巡航阶段是指稳定飞行过程，下降阶段是指势能转化为动能的过程，滑入阶段则是指减速及地面滑行过程。
49.具体地，本实施例中，根据qar数据中的飞行阶段参数(flight phase)，对航班飞行全过程进行划分：
①
将飞行阶段为“滑出”(flight phase＝“taxi out”)的阶段划为滑出阶段；
②
将滑出阶段结束到第一次“巡航”(flight phase＝cruise)出现前的飞行阶段划为爬升阶段；
③
将爬升阶段结束到第一次“下降”(flight phase＝“descent”)出现前的飞行阶段划为巡航阶段；
④
将巡航阶段结束到落地前的阶段划为下降阶段；
⑤
将落地后至发动机关闭的阶段划分为滑入阶段。由此，将整个航班飞行阶段划分为五个飞行阶段，且这五个飞行阶段构成了完整的飞行过程，将qar数据按照这五个飞行阶段进行划分，从而确定各飞行阶段的飞行参数明细数据。
50.步骤s2：将各飞行阶段对应的飞机飞行数据按航班进行汇总，获取各飞行阶段的飞行参数样本库。
51.本实施例中，通过步骤s1得到各飞行阶段的飞行参数明细数据后，将各飞行阶段的飞行参数明细数据按航班进行参数汇总，得到各飞行阶段的飞行参数样本库。
52.具体的，本实施例中，各飞行阶段的飞行参数明细数据为qar数据，qar数据的时间颗粒度为每个航班、每一秒的参数记录。为了便于后续的燃油消耗预测的机器学习训练，将每个航班的每一个阶段的qar数据汇总为一条飞行参数样本数据，然后将该飞行参数样本数据存储到对应飞行阶段的飞行参数样本库中，最终得到各飞行阶段的飞行参数样本库。其中，参数汇总的方式包括最小值、取最大值和取平均这三种方式。由于发动机燃油流率的积分与发动机油耗相等，不属于影响发动机油耗的因素，因此在对各飞行阶段进行参数汇总时，需要将与预测目标值即航班燃油消耗量直接相关的各发动机燃油流率等参数进行删除。
53.步骤s3：基于各飞行阶段的飞行参数样本库提取各飞行阶段的燃油消耗特征，并确定各飞行阶段的燃油特征数据集。
54.本实施例中，通过上述的步骤s2获取到各飞行阶段的飞行参数样本库后，为了区别于传统的文献综述、专家访谈等特征提取方式，采用数据驱动的方法提取各飞行阶段的燃油消耗特征。
55.具体地，本实施例中，每个飞行阶段的飞行参数样本库含有多个对应阶段的飞行参数，为了获取到与该飞行阶段燃油消耗高度相关的燃油消耗特征，采用随机森林算法对这些飞行参数筛选，从而提取到对应飞行阶段的燃油消耗特征。图2是示出本发明的采用随机森林算法提取燃油消耗特征一实施例的流程图，请参照图2，以下是对采用随机森林算法提取燃油消耗特征各步骤的详细说明。
56.步骤c1：基于飞行参数样本库构建多个采样集；其中，每个飞行阶段包括多个采样集，同一飞行阶段的采样集的样本数目相同。
57.本实施例中，所采用的随机森林算法是一种集成学习算法，该算法通过bagging算法生成一组基学习器，并分别对各基学习器进行训练，然后将各基学习器的训练结果进行汇总，作为特征提取的依据，从而提高燃油消耗特征提取的稳定性和鲁棒性。由于一个采样集对应一个基学习器，因此对于每个飞行阶段，需要利用该飞行阶段的飞行参数样本库构建多个样本数目相同的采样集，每个采样集训练得到一个基学习器，使得每个飞行阶段均生成有多个基学习器，记做s个基学习器。
58.此外，本实施例中，采用自主采样法分别对各飞行阶段的飞行参数样本库进行采样，得到各飞行阶段的采样集，然后基于各采样集分别构建多个基学习器。其中，每个飞行阶段采用max{总参数个数的1/10}作为采样集个数，每个采样集的样本数目为对应飞行阶段的飞行参数样本库的样本数量。
59.具体地，本实施例中，一个飞行参数样本库包括n个样本，采样自主采样法对该飞行参数样本库进行采样时，每次都随机抽取一个样本放入采样集中，并将该样本放回。重复这一过程n次，就能够得到含有n个样本的采样集，且该采样集的样本满足数量足够、具有一定差异这两个条件，从而提高特征提取准确性。
60.步骤c2：基于各采样集分别构建多个基学习器；其中，所述基学习器用于对各飞行参数进行排序，然后根据各飞行参数对应节点的顺序对各飞行参数进行加权汇总，得到各飞行参数的重要性。
61.本实施例中，采用cart决策树作为基学习器，利用cart决策树回归对采样集进行训练，从而得到对应飞行阶段的cart决策树。其中，cart决策树包括多个节点，每个节点对
应一个飞行参数，基学习器完成训练后，根据cart决策树各节点对应的飞行参数确定各飞行参数的权重。
62.cart(classification and regression tree)分类回归树算法是一种可以用于回归的决策树算法，通过对节点不断划分来降低数据集预测目标的不纯度。在本实施例中，预测目标为燃油消耗值。每个划分节点将燃油消耗的均值作为预测值，本实例中每个节点的不纯度使用均方误差系数mse(mean squared error)进行构造。每个节点对应一个飞行参数及对该参数取值范围的划分。每个节点的特征选择和划分点以划分后mse加权平均最小化为目标得到。cart决策树通过不断对节点进行二叉树划分，直到继续划分后mse减少值低于设定的阈值。在每一次划分时，mse减少越多，表明使用该节点划分越准确。因此，每个节点的重要性通过每个节点划分后的不纯度的减少*每个节点的权重加权计算可得。
63.在一种实施方式中，cart决策树采用信息增益对各节点进行节点特征选取，通过计算各飞行参数在各节点的信息增益来确定各节点对应的节点特征。
64.具体地，本实施例中，cart决策树采用各节点的均方误差系数mse(mean squared error)作为节点特征选取依据，通过以下公式计算各飞行参数在各节点的信息增益：
65.；
66.其中，n表示采样集的样本数目，n
t
表示当前节点的样本数目，表示当前节点左分支的样本数目，表示当前节点右分支的样本数目。mse指的是该节点的均方误差，是节点的不纯度的一种量化衡量。通过上述公式计算得到各飞行参数在该节点的信息增益后，选取信息增益最大的飞行参数作为对应节点的节点特征，并利用信息增益最大的节点划分准则建立该节点的子节点，然后将已选取的飞行参数删除，并对基于剩下的飞行参数选取子节点的节点特征，由此往下，从而生成cart决策树。
67.步骤c3：将同一飞行阶段的各基学习器得到的各飞行参数的重要性进行特征汇总，然后根据特征汇总结果提取对应飞行阶段的燃油消耗特征。
68.本实施例中，通过上述步骤生成得到cart决策树后，对该cart决策树中各节点特征的信息增益进行归一化，从而得到各节点特征的重要性。其中，同一飞行阶段包括多个cart决策树，随机森林算法通过对同一飞行阶段的多个cart决策树的各节点特征的重要性进行特征汇总，从而得到对应飞行阶段的燃油消耗特征。
69.具体地，本实施例中，特征汇总算法包括特征加权算法(feature selection algorithm)、特征排名算法(feature ranking algorithm)以及特征子集筛选算法(feature subset selection algorithm)。随机森林算法通过上述任一种特征汇总算法对同一飞行阶段的多个cart决策树的各节点特征的重要性进行特征汇总，并对特征汇总结果进行排序，然后根据排序结果选取多个节点特征作为对应飞行阶段的燃油消耗特征。
70.在一种实施方式中，随机森林算法采用特征排名算法作为特征汇总算法。具体地，本实施例中，一个飞行阶段包括s个基学习器，对于每个基学习器，筛选k个节点特征作为该基学习器对应的燃油消耗特征。定义fsi表示第i个基学习器，i＝1,2,...,s。其中，fsi为一组0-1变量组成的向量，使用0或1的变量值来表示该特征是否被选择，其中，1表示被选择，0表示未被选择。
71.具体地，对于第i个基学习器，如果第j个节点特征被选择了(重要性排名在前k)，
则否则，在训练了s个基学习器之后，可以得到s个向量fsi，然后对每个节点特征取平均得到每个节点特征被选择的概率为最后将计算得到fsj由大到小排序，选取前k个fsj对应的节点特征作为该飞行阶段的燃油消耗特征。
72.步骤s4：基于各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集预测各飞行阶段的未来燃油消耗量，获取航班飞行全过程燃油消耗预测结果。
73.本实施例中，通过上述步骤s3提取得到各飞行阶段的燃油消耗特征后，根据燃油消耗特征从对应飞行阶段的飞行参数样本库中提取对应的飞行参数样本数据作为燃油特征数据集，然后基于各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集预测各飞行阶段的未来燃油消耗量，从而获取飞行全过程燃油消耗预测结果。
74.具体地，本实施例中，利用各飞行阶段的历史燃油消耗量以及对应飞行阶段的燃油特征数据集构建各飞行阶段的燃油消耗预测模型，并对各飞行阶段的燃油消耗预测模型进行模型训练，从而得到各飞行阶段的燃油消耗预测模型，然后利用这些模型预测未来飞行航班各飞行阶段的未来燃油消耗量，并对各飞行阶段的未来燃油消耗量进行加总，得到飞行全过程燃油消耗预测结果。
75.进一步地，本实施例中，由于航空飞行中的气象环境等数据与时间序列特征相关，因此，本实施例采用lstm神经网络建构各飞行阶段的燃油消耗预测模型，利用各飞行阶段的对应飞行阶段的燃油特征数据集以及对应飞行阶段的历史燃油消耗量对各飞行阶段的lstm神经网络进行模型训练，从而得到基于深度学习的燃油消耗预测模型。具体地，lstm神经网络是一种递归神经网络(recurrent neural network，rnn)。传统的神经网络无法利用前序状态的信息，而rnn神经网络能够学习前序状态的信息，但是当前序信息与当前预测之间的间隔非常长时，rnn无法学习到时间序列中的长期依赖。lstm神经网络是为了解决长序列训练过程中的梯度消失和梯度爆炸问题而专门设计出来的特殊的rnn网络。相比rnn只有一个传递状态h
t
，lstm有两个传输状态，一个是c
t
(cell state)，另一个是h
t
(hidden state)。图3是示出本发明的lstm神经网络一实施例的结构图，下面结合图3，进一步说明本实施形态。
76.如图3所示，lstm神经网络包含输入门限、遗忘门限和输出门限。其中，lstm神经网络通过输入门处理当前输入信息。当输入门进行处理当前输入信息时，此时须更新的数值和即将加入的新的信息分别为i
t
＝σ(wi[h
t-1
,x
t
]+bi)和其中，i
t
为输入门，wi和wc为权重，bi和bc为输入门和输入节点的偏置项，h
t-1
为t-1时刻的输出，x
t
为t时刻输入的新的变量值，tanh为双曲正切函数。综合输入门和遗忘门的信息进行更新，得到时刻输入的新的变量值，tanh为双曲正切函数。综合输入门和遗忘门的信息进行更新，得到其中，c
t
为t时刻单元状态，c
t-1
为t-1时刻单元状态，为记忆单元的输入状态。
[0077]
进一步地，本实施例中，lstm神经网络通过遗忘门决定哪些历史信息将从记忆模块中丢弃，采用f
t
＝σ(wf[h
t-1
,x
t
]+bf)来筛选h
t-1
和x
t
信息。其中，f
t
为遗忘门，σ()为sigmoid函数，wf为权重，bf为遗忘门的偏置项。
[0078]
进一步地，本实施例中，lstm神经网络通过输出门决定哪些信息将在记忆模块下输出。在处理模型输出结果时，层处理值经过双曲正切函数，确定最终输出值为o
t
＝σ(wo[h
t-1
,x
t
]+bo)；h
t
＝o
t
·
tanh(c
t
)。其中，o
t
为输出门，wo为权重，bo为输出门的偏置项，h
t
为t
时刻的输出。
[0079]
综上，本实施例中，lstm神经网络通过各门控状态来控制传输状态，并在模型训练过程中记住需要长时间记忆的信息，同时忘记不重要的信息，使得经过训练的lstm神经网络适配基于航班需求历史数据需求预测的特征，即时间序列相关性和长序列性。本实施例中，使用lstm神经网络作为各飞行阶段的燃油消耗预测模型，可以通过lstm神经网络航班燃油消耗的时序特征，提前对飞行全过程的燃油消耗量进行预测。
[0080]
此外，本实施例中，由于各航线的特征不同，本实例对各航线分别构建lstm神经网络模型进行训练。根据历史步骤可以得到对燃油消耗的关键影响因素列表。除此之外，历史的燃油消耗也是影响未来燃油消耗的因素。具体而言，本实例使用历史的步骤s3提取得到各飞行阶段的燃油消耗特征以及燃油消耗值，将历史数据整理为时间序列数据格式，作为预测下一阶段燃油消耗值的输入。多变量的lstm能够在模型中考虑气象等外部特征的时间序列变化以及对未来燃油消耗的影响。同时，本实例对所有输入参数进行标准化以保证lstm模型的训练稳定性。
[0081]
进一步地，本实施例中，为了增加预测模型的准确性，采用堆叠式lstm神经网络对各飞行阶段的燃油消耗量进行预测。其中，堆叠式lstm神经网络包括多层网络，第l层的输出是下一轮的输入，通过增加网络的深度，提高训练的效率，进而获得更高的准确性。在一种实施方式中，采用如图4所示的三层堆叠式lstm神经网络来构建深度学习网络，从而提高各飞行阶段的燃油消耗预测模型的训练速度。
[0082]
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
[0083]
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
[0084]
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如dsp与微处理器的组合、多个微处理器、与dsp核心协作的一个或多个微处理器、或任何其他此类配置。
[0085]
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域中所知的任
何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
[0086]
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、dsl、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(cd)、激光碟、光碟、数字多用碟(dvd)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。