科研之友
微信
新浪微博
Facebook
分享链接
摘要
机场容量评估是空中交通管理和机场运行效率的关键，然而由于相关特征呈现非线性、时变性等复杂特性，机场动态容量评估仍具挑战。针对预测精度和可靠性问题，提出一种改进的深度学习机场动态容量评估方法(MIC-LSTM-Attention),主要包括基于最大互信息系数(MIC)进行相关性分析和引入注意力机制改进LSTM模型两部分。模型通过引入MIC确定强关联气象特征作为预测模型的输入，并应用注意力机制进行权重分配使得模型能够将注意力集中于重要气象信息上。实验数据为国内某大型国际机场一年内的航班运行及天气数据，实验建立了多个基线模型与所提模型进行对比分析。结果表明所构建的MIC-LSTM-ATT模型相较于其他3种方法拟合效果更好，准确度更高。
-
单位南京航空航天大学; 中国民用航空华东地区空中交通管理局
