基于时间序列相似性度量的机场离港延误时间预测方法

1.基于时间序列相似性度量的机场离港延误时间预测方法，其特征在于，包括以下步骤：(1)提取并处理机场飞行计划数据；(2)建立并计算机场延误相关指标；(3)基于动态时间规整方法提取机场离港延误时间序列的相似性；(4)分析机场离港延误相关指标的关联性；(5)利用时间序列相似性特征加权方法预测机场离港延误时间；所述时间序列相似性特征加权方法就是根据预测时序与历史数据的DTW距离计算权值，并根据权值训练支持向量回归模型来预测机场离港延误时间。 2.根据权利要求1所述基于时间序列相似性度量的机场离港延误时间预测方法，其特征在于，步骤(1)的具体过程如下：(1a)对计划进离港时间、实际起飞机场、实际落地机场、实际起飞时间、实际落地时间、实际撤轮档时间、实际挡轮档时间、实际滑入时间、实际滑出时间缺失的历史运行记录数据进行去除，提取出有效的飞行计划数据；(1b)针对有效的飞行计划数据，进行数据字段的有效性筛选，验证数据准确性。 3.根据权利要求1所述基于时间序列相似性度量的机场离港延误时间预测方法，其特征在于，步骤(2)的具体过程如下：(2a)定义机场离港延误相关指标，包括实际进港架次、实际离港架次、计划进港架次、计划离港架次、离港延误时间、离港延误架次、机上延误架次、机上延误时间、前序延误时间、发生前序延误的本场离港延误架次、发生前序延误的本场离港延误时间、发生前序延误且本场发生离港延误的前序延误时间、过站冗余时间、本场根延误架次、本场根延误时间、滑入时间、滑出时间、滑入架次和滑出架次；(2b)计算上述机场离港延误相关指标，其中离港延误时间、机上延误时间、前序延误时间、发生前序延误的本场离港延误时间、发生前序延误且本场离港延误的前序延误时间、本场根延误时间、过站冗余时间、滑出时间和滑入时间的计算方法如下：离港延误时间＝实际撤轮档时间–计划离港时间；离港延误时间大于零视为有效，其它数值记为“0”；机上延误时间＝实际起飞时间–实际关舱门时间–经验滑出时间；机上延误时间大于零视为有效，其它数值记为“0”；前序延误时间＝前序计划的实际挡轮档时间–计划进港时间；前序延误时间大于零视为有效，其它数值记为“0”；发生前序延误的本场离港延误时间＝实际撤轮档时间–计划离港时间；前序延误时间大于零，且发生前序延误的本场离港延误时间大于零视为有效，其它数值记为“0”；发生前序延误且本场离港延误的前序延误时间＝前序航班撤轮档时间–前序航班计划离港时间；前序延误时间大于零视为有效，其它数值记为“0”；本场根延误时间＝实际撤轮档时间–计划离港时间；前序延误时间等于零或为首发航班，且本场根延误时间大于零视为有效，其它数值记为“0”；过站冗余时间＝(计划离港时间–计划进港时间)-(实际离港时间–实际进港时间)；滑出时间＝实际起飞时间–实际撤轮档时间；滑出时间大于零视为有效，其它数值则表明该飞行计划有误，删除本条记录；滑入时间＝实际进港时间–实际撤轮档时间；大于零视为有效，其它数值则表明该飞行计划有误，删除本条记录；基于上述指标，计算机场统计时段内所有航班的累积值，统计范围根据划设的时间粒度为准。 4.根据权利要求3所述基于时间序列相似性度量的机场离港延误时间预测方法，其特征在于：所述划设的时间粒度包括15分钟、30分钟、60分钟和一天。 5.根据权利要求1所述基于时间序列相似性度量的机场离港延误时间预测方法，其特征在于：步骤(3)的具体过程如下：(3a)指定时间粒度，统计该时间粒度下各时段机场离港延误时间，构造机场离港延误时间序列；(3b)采用动态时间规整方法度量机场离港延误时间序列距离，设时间序列X＝＜x 1 ,x 2 ,...,x i ＞与Y＝＜y 1 ,y 2 ,...,y j ＞，则这两个时间序列的距离计算公式如下：其中，D dtw (X,Y)表示序列X与Y的采用动态时间规整方法得出的DTW距离；dist(x 1 ,y 1 )为序列点x 1 和y 1 之间的距离；Rest(X)和Rest(Y)表示序列X和Y除去x 1 和y 1 之后的剩余序列。 6.根据权利要求5所述基于时间序列相似性度量的机场离港延误时间预测方法，其特征在于：步骤(4)的具体过程如下：(4a)将所研究时间范围内各时间序列之间的DTW距离由小到大排序，并设置相似阈值；(4b)根据相似阈值找出相似的时间序列，筛选其中出现频率最高的日期作为研究日期，提取与该研究日期相似度最高的7天，通过皮尔逊相关系数分析机场离港延误相关指标的关联性：上式中，X为研究日期，X＝＜x 1 ,x 2 ,...,x i ,...,x n ＞，Y为相似日期，Y＝＜y 1 ,y 2 ,...,y i ,...,y n ＞；i为该指标时间序列号，i＝1,2,3,...,n， a为时间粒度，其单位为分钟，r X,Y 为X与Y的某一指标的皮尔逊系数，用于表征关联性大小；X i 为研究日期某一指标第i个值， 为研究日期某指标该日平均值，s X 为X的标准差，Y i 为相似日期某一指标第i个值， 为研究日期某指标该日平均值，s Y 为Y的标准差。 7.根据权利要求1所述基于时间序列相似性度量的机场离港延误时间预测方法，其特征在于：步骤(5)的具体过程如下：(5a)在选择预测时间序列和其余所有有效机场离港延误时间序列之后，采用DTW相似性度量方法，计算预测时序与历史数据的DTW距离：设预测时序在预测时段内的延误时间序列Y＝(y 1 ,y 2 ,...,y m )，m为预测时序的长度，历史样本延误时序X＝(x 1 ,x 2 ,...,x k )，k为历史样本延误时序长度；当计算预测时段与历史数据的DTW距离之后，通过设置相似性距离阈值dist threshold ，选取小于该阈值的历史时段作为研究时段的关联时序，加入到关联时序集合中，设筛选之前的有效时序集合C X ＝{X 1 ,X 2 ,...,X r }，则筛选后的关联时序集合为C X' ＝{X 1 ,X 2 ,...,X r' |r'≤r}；(5b)构建特征加权的支持向量回归模型：首先，根据预测时段与历史数据的DTW距离dist dtw (X i ,Y)建立权值公式：从而得到关联时序集合C X' ＝{X 1 ,X 2 ,...,X r' |r'≤r}的加权集合 然后，将加权集合 转化为特征加权对角矩阵：在本模型中，采用高斯径向基核函数，在核函数中乘以特征加权对角矩阵：其中， 为乘以特征加权对角矩阵后的核函数，σ为核函数的宽度参数；最后，利用训练数据集即关联时序集合C X' ＝{X 1 ,X 2 ,...,X r' |r'≤r}，对上述构建的特征加权支持向量回归模型进行训练；(5c)采集某一机场离港延误时间序列数据，利用训练好的特征加权支持向量回归模型进行机场离港延误时间预测。