高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于CBAM-CondenseNet的航班延误波及预测模型

吴仁彪 赵娅倩 屈景怡 高爱国 陈文秀

吴仁彪, 赵娅倩, 屈景怡, 高爱国, 陈文秀. 基于CBAM-CondenseNet的航班延误波及预测模型[J]. 电子与信息学报, 2021, 43(1): 187-195. doi: 10.11999/JEIT190794
引用本文: 吴仁彪, 赵娅倩, 屈景怡, 高爱国, 陈文秀. 基于CBAM-CondenseNet的航班延误波及预测模型[J]. 电子与信息学报, 2021, 43(1): 187-195. doi: 10.11999/JEIT190794
Renbiao WU, Yaqian ZHAO, Jingyi QU, Aiguo GAO, Wenxiu CHEN. Flight Delay Propagation Prediction Model Based on CBAM-CondenseNet[J]. Journal of Electronics & Information Technology, 2021, 43(1): 187-195. doi: 10.11999/JEIT190794
Citation: Renbiao WU, Yaqian ZHAO, Jingyi QU, Aiguo GAO, Wenxiu CHEN. Flight Delay Propagation Prediction Model Based on CBAM-CondenseNet[J]. Journal of Electronics & Information Technology, 2021, 43(1): 187-195. doi: 10.11999/JEIT190794

基于CBAM-CondenseNet的航班延误波及预测模型

doi: 10.11999/JEIT190794
基金项目: 国家自然科学基金联合基金(U1833105),天津市自然科学基金(19JCYBJC15900)
详细信息
    作者简介:

    吴仁彪:男,1966年生,教授,博士,研究方向为自适应信号处理、现代谱分析及其在雷达、卫星导航、空管中的应用

    赵娅倩:女,1994年生,硕士生,研究方向为航空运输大数据,深度学习

    屈景怡:女,1978年生,副教授,博士,研究方向为航空运输大数据、深度学习、神经网络

    高爱国:男,1965年生,教授级高级工程师,硕士,研究方向为空中交通控制技术和运行

    陈文秀:女,1970年生,高级工程师,硕士,研究方向为空管自动化系统

    通讯作者:

    屈景怡  qujingyicauc@163.com

  • 中图分类号: TN911.7; TP391.4

Flight Delay Propagation Prediction Model Based on CBAM-CondenseNet

Funds: The National Natural Science Foundation of China (U1833105), The Tianjin Natural Science Foundation(19JCYBJC15900)
  • 摘要:

    针对航班延误衍生的航班延误波及问题,该文提出一种基于CBAM-CondenseNet的航班延误波及预测模型。首先,通过分析航班延误在航空网络内产生的延误波及现象,确定会受前序延误航班影响的航班链;其次,对选定的航班链数据进行清洗,将航班信息与机场信息进行数据融合;最后,提出改进的CBAM-CondenseNet算法对融合后的数据进行特征提取,构建Softmax分类器对首班离港航班延误波及的后续离港航班延误等级进行预测。该文提出的CBAM-CondenseNet算法融合了CondenseNet和CBAM的优势,采用通道和空间注意力机制来加强网络结构深层信息的传递。实验结果表明,算法改进后有效提升网络性能,预测准确率可达97.55%。

  • 图  1  航班链式预测模型

    图  2  网络结构示意图

    图  3  CBAM结构图

    图  4  CBAM-CondenseNet单个结构块

    图  5  CBAM-CondenseNet反向传播

    图  6  航班延误波及预测模型

    图  7  改进前后损失值对比

    表  1  航班延误等级划分

    延误等级延误时间
    未延误$T \leq 15$
    轻度延误$15 < T \leq 60$
    中度延误$60 < T \leq 120$
    高度延误$120 < T \leq 240$
    重度延误$T > 240$
    下载: 导出CSV

    表  2  算法改进前后FLOPs(M)

    网络层数CondenseNetCBAM-CondenseNet
    1820.5520.77
    36165.45165.94
    44218.27218.87
    下载: 导出CSV

    表  3  算法改进前后Params(M)

    网络层数CondenseNetCBAM-CondenseNet
    180.180.19
    361.391.46
    441.831.92
    下载: 导出CSV

    表  4  分类准确率对比(%)

    网络层数CondenseNetCBAM-CondenseNet
    1893.7794.19
    2895.9696.96
    3696.5297.45
    4496.6697.55
    7096.5697.56
    10296.6697.55
    12696.7597.55
    下载: 导出CSV

    表  5  不同算法模型分类准确率对比(%)

    网络
    层数
    DenseNetSE-
    DenseNet
    CondenseNetCBAM-
    CondenseNet
    1891.8692.3393.7794.19
    3692.2892.8096.5297.45
    4492.5793.1496.6697.55
    下载: 导出CSV
  • 丁建立, 陈坦坦, 刘玉洁. 有色-时间Petri网航班延误模型与波及分析[J]. 计算机集成制造系统, 2008, 14(12): 2334–2340. doi: 10.13196/j.cims.2008.12.48.dingjl.001

    DING Jianli, CHEN Tantan, and LIU Yujie. Colored-timed Petri nets model of flight delays and propagated analysis[J]. Computer Integrated Manufacturing Systems, 2008, 14(12): 2334–2340. doi: 10.13196/j.cims.2008.12.48.dingjl.001
    刘玉洁, 何丕廉, 刘春波, 等. 基于贝叶斯网络的航班延误波及研究[J]. 计算机工程与应用, 2006, 44(17): 242–245. doi: 10.3778/j.issn.1002-8331.2008.17.072

    LIU Yujie, HE Pilian, LIU Chunbo, et al. Flight delay propagation research based on Bayesian net[J]. Computer Engineering and Applications, 2006, 44(17): 242–245. doi: 10.3778/j.issn.1002-8331.2008.17.072
    PYRGIOTIS N, MALONE K M, and ODONI A. Modelling delay propagation within an airport network[J]. Transportation Research Part C: Emerging Technologies, 2013, 27: 60–75. doi: 10.1016/j.trc.2011.05.017
    邵荃, 朱燕, 贾萌, 等. 基于复杂网络理论的航班延误波及分析[J]. 航空计算技术, 2015, 45(4): 24–28. doi: 10.3969/j.issn.1671-654X.2015.04.007

    SHAO Quan, ZHU Yan, JIA Meng, et al. Analysis of flight delay propagation based on complex network theory[J]. Aeronautical Computing Technique, 2015, 45(4): 24–28. doi: 10.3969/j.issn.1671-654X.2015.04.007
    CAMPANELLI B, FLEURQUIN P, ARRANZ A, et al. Comparing the modeling of delay propagation in the US and European air traffic networks[J]. Journal of Air Transport Management, 2016, 56: 12–18. doi: 10.1016/j.jairtraman.2016.03.017
    WU Weiwei and WU C L. Enhanced delay propagation tree model with Bayesian network for modelling flight delay propagation[J]. Transportation Planning and Technology, 2018, 41(3): 319–335. doi: 10.1080/03081060.2018.1435453
    BASPINAR B, URE N K, KOYUNCU E, et al. Analysis of delay characteristics of European air traffic through a data-driven airport-centric queuing network model[J]. IFAC-PapersOnLine, 2016, 49(3): 359–364. doi: 10.1016/j.ifacol.2016.07.060
    KHANMOHAMMADI S, TUTUN S, and KUCUK Y. A new multilevel input layer artificial neural network for predicting flight delays at JFK airport[J]. Procedia Computer Science, 2016, 95: 237–244. doi: 10.1016/j.procs.2016.09.321
    TAKEICHI N, KAIDA R, SHIMOMURA A, et al. Prediction of delay due to air traffic control by machine learning[C]. AIAA Modeling and simulation Technologies Conference. Grapevine, USA, 2017: 191–199.
    HUANG Gao, LIU Shichen, VAN DER MAATEN L, et al. CondenseNet: An efficient DenseNet using learned group convolutions[C]. The IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, USA, 2018: 2752–2761.
    WOO S, PARK J, LEE J Y, et al. CBAM: Convolutional block attention module[C].The 15th European Conference on Computer Vision, Munich, Germany, 2018: 3–19.
    盖杉, 鲍中运. 基于改进深度卷积神经网络的纸币识别研究[J]. 电子与信息学报, 2019, 41(8): 1992–2000. doi: 10.11999/JEIT181097

    GAI Shan and BAO Zhongyun. Banknote recognition research based on improved deep convolutional neural network[J]. Journal of Electronics &Information Technology, 2019, 41(8): 1992–2000. doi: 10.11999/JEIT181097
    RUMELHART D E, HINTON G E, and WILLIAMS R J. Learning representations by back-propagating errors[J]. Nature, 1986, 323(6088): 533–536. doi: 10.1038/323533a0
    屈景怡, 叶萌, 渠星. 基于区域残差和LSTM网络的机场延误预测模型[J]. 通信学报, 2019, 40(4): 149–159. doi: 10.11959/j.issn.1000-436x.2019091

    QU Jingyi, YE Meng, and QU Xing. Airport delay prediction model based on regional residual and LSTM network[J]. Journal on Communications, 2019, 40(4): 149–159. doi: 10.11959/j.issn.1000-436x.2019091
    吴仁彪, 赵婷, 屈景怡. 基于深度SE-DenseNet的航班延误预测模型[J]. 电子与信息学报, 2019, 41(6): 1510–1517. doi: 10.11999/JEIT180644

    WU Renbiao, ZHAO Ting, and QU Jingyi. Flight delay prediction model based on deep SE-DenseNet[J]. Journal of Electronics &Information Technology, 2019, 41(6): 1510–1517. doi: 10.11999/JEIT180644
  • 加载中
图(7) / 表(5)
计量
  • 文章访问数:  2375
  • HTML全文浏览量:  1135
  • PDF下载量:  151
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-10-16
  • 修回日期:  2020-06-17
  • 网络出版日期:  2020-07-19
  • 刊出日期:  2021-01-15

目录

    /

    返回文章
    返回