Un modelo híbrido CNN-GRU para predecir el tiempo de rodaje de salida en aeropuertos
Autores: Yuan, Ligang; Liu, Jing; Chen, Haiyan; Fang, Daoming; Chen, Wenlu
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un modelo híbrido CNN-GRU para predecir el tiempo de rodaje de salida en aeropuertos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Escena
Tiempo de rodaje
Aeropuertos
Eficiencia operativa
Modelo de predicción
Aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 14
Citaciones: Sin citaciones
El tiempo de rodaje en la pista es un indicador importante para evaluar la eficiencia operativa de los aeropuertos, así como de los aeropuertos ecológicos, y también es un parámetro fundamental en las estadísticas de regularidad de vuelos. La predicción precisa del tiempo de rodaje puede ayudar a los tomadores de decisiones a optimizar aún más las secuencias de retroceso de vuelos y mejorar la eficiencia operativa del aeropuerto, al mismo tiempo que aumenta la puntualidad de los vuelos. En este artículo, proponemos un modelo híbrido de aprendizaje profundo para la predicción del tiempo de rodaje en la salida, basado en los nuevos factores de influencia del tiempo de rodaje. Tomando el Aeropuerto Internacional de Pudong como objeto de estudio, después de analizar el modo de operación de la escena, construimos los pares de origen-destino (ODPs) con grupos de posiciones y pistas, y luego proponemos dos factores relacionados con la estructura, el flujo de salida del corredor y la proporción del flujo de salida del ODP, como nuevas características. Basándonos en el nuevo conjunto de características, construimos un conjunto de datos de rodaje en la salida para entrenar el modelo de predicción. Luego, se propone un modelo de predicción del tiempo de rodaje en la salida basado en redes neuronales convolucionales (CNN) y unidades recurrentes con compuertas (GRU), que utiliza un modelo CNN para extraer las características de alta dimensión de los datos de rodaje y luego las introduce en un modelo GRU para la predicción del tiempo de rodaje. Finalmente, realizamos una serie de experimentos de comparación en el conjunto de datos históricos de rodaje del Aeropuerto de Pudong. Los resultados de la predicción muestran que el modelo de predicción híbrido propuesto tiene el mejor rendimiento en comparación con otros modelos de aprendizaje profundo, y las características relacionadas con la estructura propuestas tienen altas correlaciones con el tiempo de rodaje en la salida. Los resultados de la predicción del tiempo de rodaje para diferentes ODPs también verifican la generalizabilidad del modelo propuesto.
Descripción
El tiempo de rodaje en la pista es un indicador importante para evaluar la eficiencia operativa de los aeropuertos, así como de los aeropuertos ecológicos, y también es un parámetro fundamental en las estadísticas de regularidad de vuelos. La predicción precisa del tiempo de rodaje puede ayudar a los tomadores de decisiones a optimizar aún más las secuencias de retroceso de vuelos y mejorar la eficiencia operativa del aeropuerto, al mismo tiempo que aumenta la puntualidad de los vuelos. En este artículo, proponemos un modelo híbrido de aprendizaje profundo para la predicción del tiempo de rodaje en la salida, basado en los nuevos factores de influencia del tiempo de rodaje. Tomando el Aeropuerto Internacional de Pudong como objeto de estudio, después de analizar el modo de operación de la escena, construimos los pares de origen-destino (ODPs) con grupos de posiciones y pistas, y luego proponemos dos factores relacionados con la estructura, el flujo de salida del corredor y la proporción del flujo de salida del ODP, como nuevas características. Basándonos en el nuevo conjunto de características, construimos un conjunto de datos de rodaje en la salida para entrenar el modelo de predicción. Luego, se propone un modelo de predicción del tiempo de rodaje en la salida basado en redes neuronales convolucionales (CNN) y unidades recurrentes con compuertas (GRU), que utiliza un modelo CNN para extraer las características de alta dimensión de los datos de rodaje y luego las introduce en un modelo GRU para la predicción del tiempo de rodaje. Finalmente, realizamos una serie de experimentos de comparación en el conjunto de datos históricos de rodaje del Aeropuerto de Pudong. Los resultados de la predicción muestran que el modelo de predicción híbrido propuesto tiene el mejor rendimiento en comparación con otros modelos de aprendizaje profundo, y las características relacionadas con la estructura propuestas tienen altas correlaciones con el tiempo de rodaje en la salida. Los resultados de la predicción del tiempo de rodaje para diferentes ODPs también verifican la generalizabilidad del modelo propuesto.