面向大数据可视化的航班延误分析系统设计与实现
这是一篇关于航班延误大数据可视化,注意力机制,LSTM网络,航班延误预测的论文, 主要内容为为了贯彻民航局提出的“十四五”民用航空发展规划方案,保证航班的高质量运行,本文针对吞吐量较大的机场,延误率居高不下的情况设计并实现了面向大数据可视化的航班延误分析系统。该系统对历史航班进行多维度的航班延误信息统计分析,并基于深度学习算法对单航班延误和航班延误波及问题分别进行预测,为民航部门提供有效参考,减少相关的经济损失。首先,本文对面向大数据可视化的航班延误分析系统明确系统的需求分析,对系统总体进行设计并采用基于B/S的前后端分离开发模式。同时对系统内外接口进行设计,算法部分基于Py Torch框架使用Python语言对深度学习算法进行模型的建立与调用,数据库选用My SQL。本系统主要目的是辅助空管部门决策,安装在华东空管局宁波空管站。系统两大核心功能模块分别是航班延误数据可视化分析与未来航班延误算法预测,并按照系统子功能需求对系统的关键技术基于Vue.js的前端开发、基于ECharts的大数据可视化、基于Spring Boot的后端开发、基于深度学习的航班延误预测、基于Socket的航班延误算法调用进行介绍。然后,针对航班延误波及的空时特性,构建用于研究航班延误波及模型的航班链数据集。对航班数据按照时间与航空器编号为关键键值进行数据融合,本文先后提出两种不同类型的航班延误波及数据集的构造方法。将数据清洗后的航班数据进行三次复杂融合,提出强空间数据集的构造方法;为了进一步增强时序性提高预测准确率,对强空间数据集进行顺序分割,提出强时序航班链数据集的构造方法。接着,针对航班延误波及问题提出融合注意力机制Sim AM的CNN-Mogrifier LSTM网络模型,先使用卷积神经网络(Convolutional Neural Network,CNN)结合注意力机制Sim AM模块对空间特征进行初级提取,再用Mogrifier LSTM(Mogrifier Long Short-Term Memory)网络对时序信息进行学习,最后使用Softmax分类器对延误等级进行分类预测。本文提出的预测方法,在航班延误波及进行预测的实验中取得了93.16%的准确率,相比单独使用CNN或LSTM大有提升,加上Sim AM注意力机制后相比CNN-Mogrifier LSTM网络在不同数据集上准确率也提升了0.6%左右。最后,为了验证了本系统的稳定性和有效性,以黑盒测试为主对面向大数据可视化的航班延误预测系统各项功能进行测试并列举了详细的测试用例。功能测试包括航班延误分析系统功能测试、航班延误预测算法功能测试,以及对系统的兼容性、系统的接入能力、处理速度、健壮性等进行非功能性测试。
面向大数据可视化的航班延误分析系统设计与实现
这是一篇关于航班延误大数据可视化,注意力机制,LSTM网络,航班延误预测的论文, 主要内容为为了贯彻民航局提出的“十四五”民用航空发展规划方案,保证航班的高质量运行,本文针对吞吐量较大的机场,延误率居高不下的情况设计并实现了面向大数据可视化的航班延误分析系统。该系统对历史航班进行多维度的航班延误信息统计分析,并基于深度学习算法对单航班延误和航班延误波及问题分别进行预测,为民航部门提供有效参考,减少相关的经济损失。首先,本文对面向大数据可视化的航班延误分析系统明确系统的需求分析,对系统总体进行设计并采用基于B/S的前后端分离开发模式。同时对系统内外接口进行设计,算法部分基于Py Torch框架使用Python语言对深度学习算法进行模型的建立与调用,数据库选用My SQL。本系统主要目的是辅助空管部门决策,安装在华东空管局宁波空管站。系统两大核心功能模块分别是航班延误数据可视化分析与未来航班延误算法预测,并按照系统子功能需求对系统的关键技术基于Vue.js的前端开发、基于ECharts的大数据可视化、基于Spring Boot的后端开发、基于深度学习的航班延误预测、基于Socket的航班延误算法调用进行介绍。然后,针对航班延误波及的空时特性,构建用于研究航班延误波及模型的航班链数据集。对航班数据按照时间与航空器编号为关键键值进行数据融合,本文先后提出两种不同类型的航班延误波及数据集的构造方法。将数据清洗后的航班数据进行三次复杂融合,提出强空间数据集的构造方法;为了进一步增强时序性提高预测准确率,对强空间数据集进行顺序分割,提出强时序航班链数据集的构造方法。接着,针对航班延误波及问题提出融合注意力机制Sim AM的CNN-Mogrifier LSTM网络模型,先使用卷积神经网络(Convolutional Neural Network,CNN)结合注意力机制Sim AM模块对空间特征进行初级提取,再用Mogrifier LSTM(Mogrifier Long Short-Term Memory)网络对时序信息进行学习,最后使用Softmax分类器对延误等级进行分类预测。本文提出的预测方法,在航班延误波及进行预测的实验中取得了93.16%的准确率,相比单独使用CNN或LSTM大有提升,加上Sim AM注意力机制后相比CNN-Mogrifier LSTM网络在不同数据集上准确率也提升了0.6%左右。最后,为了验证了本系统的稳定性和有效性,以黑盒测试为主对面向大数据可视化的航班延误预测系统各项功能进行测试并列举了详细的测试用例。功能测试包括航班延误分析系统功能测试、航班延误预测算法功能测试,以及对系统的兼容性、系统的接入能力、处理速度、健壮性等进行非功能性测试。
面向大数据可视化的航班延误分析系统设计与实现
这是一篇关于航班延误大数据可视化,注意力机制,LSTM网络,航班延误预测的论文, 主要内容为为了贯彻民航局提出的“十四五”民用航空发展规划方案,保证航班的高质量运行,本文针对吞吐量较大的机场,延误率居高不下的情况设计并实现了面向大数据可视化的航班延误分析系统。该系统对历史航班进行多维度的航班延误信息统计分析,并基于深度学习算法对单航班延误和航班延误波及问题分别进行预测,为民航部门提供有效参考,减少相关的经济损失。首先,本文对面向大数据可视化的航班延误分析系统明确系统的需求分析,对系统总体进行设计并采用基于B/S的前后端分离开发模式。同时对系统内外接口进行设计,算法部分基于Py Torch框架使用Python语言对深度学习算法进行模型的建立与调用,数据库选用My SQL。本系统主要目的是辅助空管部门决策,安装在华东空管局宁波空管站。系统两大核心功能模块分别是航班延误数据可视化分析与未来航班延误算法预测,并按照系统子功能需求对系统的关键技术基于Vue.js的前端开发、基于ECharts的大数据可视化、基于Spring Boot的后端开发、基于深度学习的航班延误预测、基于Socket的航班延误算法调用进行介绍。然后,针对航班延误波及的空时特性,构建用于研究航班延误波及模型的航班链数据集。对航班数据按照时间与航空器编号为关键键值进行数据融合,本文先后提出两种不同类型的航班延误波及数据集的构造方法。将数据清洗后的航班数据进行三次复杂融合,提出强空间数据集的构造方法;为了进一步增强时序性提高预测准确率,对强空间数据集进行顺序分割,提出强时序航班链数据集的构造方法。接着,针对航班延误波及问题提出融合注意力机制Sim AM的CNN-Mogrifier LSTM网络模型,先使用卷积神经网络(Convolutional Neural Network,CNN)结合注意力机制Sim AM模块对空间特征进行初级提取,再用Mogrifier LSTM(Mogrifier Long Short-Term Memory)网络对时序信息进行学习,最后使用Softmax分类器对延误等级进行分类预测。本文提出的预测方法,在航班延误波及进行预测的实验中取得了93.16%的准确率,相比单独使用CNN或LSTM大有提升,加上Sim AM注意力机制后相比CNN-Mogrifier LSTM网络在不同数据集上准确率也提升了0.6%左右。最后,为了验证了本系统的稳定性和有效性,以黑盒测试为主对面向大数据可视化的航班延误预测系统各项功能进行测试并列举了详细的测试用例。功能测试包括航班延误分析系统功能测试、航班延误预测算法功能测试,以及对系统的兼容性、系统的接入能力、处理速度、健壮性等进行非功能性测试。
京津冀机场群航班延误分析系统的设计与实现
这是一篇关于航班延误可视化,航班延误预测,ES-Redis数据高速检索,GRU网络的论文, 主要内容为针对机场群发展不平衡,航班延误率高的情况,本文设计了京津冀机场群航班延误分析系统。该系统充分利用机场群航班信息和气象数据,建立基于深度学习的预测模型来评估航班延误的严重等级,并提供历史航班数据统计与可视化功能,为京津冀机场群的运行决策与协同发展,降低机场群整体延误率提供参考。首先,本文对京津冀机场群航班延误分析系统进行了需求分析,按照需求对系统进行概要设计,并重点介绍了关键技术实现过程。本系统面向空管部门开发,安装在中国民用航空华北地区空中交通管理局空管中心流量管理室、塔台及运管中心,系统采用了B/S(Browser/Server,浏览器/服务器)架构实现。系统按功能划分可分为:航班数据检索、延误分析、延误预测及数据管理。按照系统功能,本文具体介绍了基于My SQL的储存结构与优化方法实现、基于Echarts的延误统计分析实现、基于Socket的延误预测算法调用实现,并重点介绍了提升航班延误分析系统流畅度的大数据手段,包括:大数据检索引擎Elastic Search(ES)与缓存系统Redis。然后,本文在使用ES与Redis的基础上,开发了一种基于ES-Redis的数据检索算法。考虑到Redis原生替换算法(Least Recently Used,LRU)的置换原则仅考虑将最近最少使用的数据替换出去,有一定的局限性,本文在此基础上进行改进,开发了一种新的缓存替换算法(Hybrid),它通过缓存数据的大小、最近使用时间、使用频率等因素综合衡量数据的缓存价值,最终使ES-Redis数据检索速度高出传统数据库搜索算法的10倍左右。接着,本文提出一种基于门控循环单元(Gated Recurrent Unit,GRU)的机场群延误预测算法。考虑到机场内航班起飞与降落是一个连续过程,具有时序性,因此采用具有时序性的长短期记忆网络(Long Short Term Memory,LSTM)对航班特征进行提取。LSTM单元由遗忘门、输入门、输出门构成,在一定程度上解决了循环神经网络的梯度消失与爆炸现象。GRU仅保留更新门与重置门,GRU不仅继承了LSTM网络的优良特性,而且因为简化了模型,得到更快的训练速度。经过数据预处理、编码与网络训练后,最终获得87.42%的预测准确率。最后,本文采用黑盒测试的手段对航班延误分析系统进行了详细测试,给出了具体的测试用例与系统测试结果,测试主要包括对航班数据检索、航班延误统计分析、航班延误预测的功能性测试,以及对页面响应时间、系统健壮性、延误预测准确性的系统性能测试。
面向大数据可视化的航班延误分析系统设计与实现
这是一篇关于航班延误大数据可视化,注意力机制,LSTM网络,航班延误预测的论文, 主要内容为为了贯彻民航局提出的“十四五”民用航空发展规划方案,保证航班的高质量运行,本文针对吞吐量较大的机场,延误率居高不下的情况设计并实现了面向大数据可视化的航班延误分析系统。该系统对历史航班进行多维度的航班延误信息统计分析,并基于深度学习算法对单航班延误和航班延误波及问题分别进行预测,为民航部门提供有效参考,减少相关的经济损失。首先,本文对面向大数据可视化的航班延误分析系统明确系统的需求分析,对系统总体进行设计并采用基于B/S的前后端分离开发模式。同时对系统内外接口进行设计,算法部分基于Py Torch框架使用Python语言对深度学习算法进行模型的建立与调用,数据库选用My SQL。本系统主要目的是辅助空管部门决策,安装在华东空管局宁波空管站。系统两大核心功能模块分别是航班延误数据可视化分析与未来航班延误算法预测,并按照系统子功能需求对系统的关键技术基于Vue.js的前端开发、基于ECharts的大数据可视化、基于Spring Boot的后端开发、基于深度学习的航班延误预测、基于Socket的航班延误算法调用进行介绍。然后,针对航班延误波及的空时特性,构建用于研究航班延误波及模型的航班链数据集。对航班数据按照时间与航空器编号为关键键值进行数据融合,本文先后提出两种不同类型的航班延误波及数据集的构造方法。将数据清洗后的航班数据进行三次复杂融合,提出强空间数据集的构造方法;为了进一步增强时序性提高预测准确率,对强空间数据集进行顺序分割,提出强时序航班链数据集的构造方法。接着,针对航班延误波及问题提出融合注意力机制Sim AM的CNN-Mogrifier LSTM网络模型,先使用卷积神经网络(Convolutional Neural Network,CNN)结合注意力机制Sim AM模块对空间特征进行初级提取,再用Mogrifier LSTM(Mogrifier Long Short-Term Memory)网络对时序信息进行学习,最后使用Softmax分类器对延误等级进行分类预测。本文提出的预测方法,在航班延误波及进行预测的实验中取得了93.16%的准确率,相比单独使用CNN或LSTM大有提升,加上Sim AM注意力机制后相比CNN-Mogrifier LSTM网络在不同数据集上准确率也提升了0.6%左右。最后,为了验证了本系统的稳定性和有效性,以黑盒测试为主对面向大数据可视化的航班延误预测系统各项功能进行测试并列举了详细的测试用例。功能测试包括航班延误分析系统功能测试、航班延误预测算法功能测试,以及对系统的兼容性、系统的接入能力、处理速度、健壮性等进行非功能性测试。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计货栈 ，原文地址：https://m.bishedaima.com/lunwen/52588.html
