一种航空器燃油消耗的预测方法

1.本发明属于机器学习技术领域，尤其是涉及一种航空器燃油消耗的预测方法。


背景技术：

2.现行航空器燃油消耗计算方法是由航司的飞行计划系统(fps)根据当日天气报告和高空风温数据、签派员手动选择航路航线和机型、该次航班业载数据和所选飞机性能数据，自动计算飞行过程中的燃油消耗量，并根据各飞行运行规范和飞行条例适度增加燃油，最终飞行携带燃油为计算出的燃油消耗量和适度增加的燃油量之和。此种方法虽然安全，但经常会出现多带油，甚至出现因为多带燃油增加了航空器重量而增加油耗的现象，降低了航油使用效率。更加精确的航空器燃油消耗计算模型可以在保证安全的情况下合理减少燃油装载、制作出更加精确的飞行计划，从而达到提高航油使用效率、提高航司经济效益、降低行业整体耗油水平的目的，为实现民航业的双碳目标作出贡献。
3.目前也存在一些对于燃油消耗计算方法，大致可分为两类：一是从整体阶段飞行油耗入手，对全阶段飞行油耗进行建模和计算；二是从各飞行阶段飞行油耗入手，提高某一飞行阶段的航空器燃油消耗预测精度。


技术实现要素：

4.有鉴于此，本发明旨在提出一种航空器燃油消耗的预测方法，以提高航空器燃油消耗预测的普适性以及精度。
5.为达到上述目的，本发明的技术方案是这样实现的：
6.一种航空器燃油消耗的预测的方法包括步骤：
7.s1：根据各航班航路点和起落机场，将飞行过程划分为22个飞行航段；
8.s2：运用相关性分析法提取与飞行油耗相关性较高的6类参数作为输入；
9.s3：利用随机森林算法对飞行燃油消耗进行回归预测，最终预测值为各分航段预测值之和；
10.s4：通过将模型预测值、fps系统预测值分别于真实值进行对比，评估模型的准确性、稳定性和有效性。
11.进一步的，步骤s1划分飞行航段包括以下步骤：
12.a1：采集签派飞行计划和实际落地剩油数据，并将其存储入计算机；
13.a2：初始数据处理，包括燃油消耗数据的筛选、燃油消耗相关因素数据的提取。
14.进一步的，步骤s2包括以下步骤：
15.b1：通过中国某航空公司2020年12月和2021年1月之间从上海飞往北京a330-200机型的飞行计划数据和实际落地剩油数据，选取其中正常降落在北京机场的79个样本航班数据；
16.b2：对计划总油量，计划起飞油量，计划航段用油，计划飞行时间，飞机无油重量(包含飞机空机重量和业载重量)，上海飞往北京的22个航段的航段距离、计划航段风向风
速、磁航迹、计划真空速、计划地速、计划航段飞行时间、计划航段用油，备降油量，实际落地剩油，实际飞行耗油数据进行归一化处理，公式为：
[0017][0018]
式中：xi'
,j
——第i行j列数据归一化后的数据值；x
i,j
——第i行j列数据的实际数据值；x
min,j
——第j列样本数据的最小值；x
max,j
——第j列样本数据的最大值；
[0019]
b3：利用相皮尔逊关性分析方法，计算各参数与航空器实际飞行燃油消耗的相关系数，相关系数为正值表示参数与航空器实际飞行耗油呈正相关，反之，表示两者呈负相关；
[0020]
b4：剔除相关系数绝对值小于0.2的参数，最终选择航段真空速、航段风速、航段飞行时间、航段风向、航段地速、磁航迹与航段风向角度差6类参数作为每次预测的输入。
[0021]
进一步的，步骤s3包括：
[0022]
c1：对随机森林各参数进行择优，采用网格搜索法，分别得出每一航段所需的最适决策树个数参数和最适决策树最大深度参数；
[0023]
c2：构建多个回归决策树，选择最优切分变量j与切分点s的公式为：
[0024][0025]
用选定切分变量与切分点划分区域并决定相应的输出值的公式为：
[0026]
r1(j,s)＝{x|x
(j)
≤s},r2(j,s)＝＝{x|x
(j)
》s}
[0027][0028]
式中：r1(j,s)——区域一；r2(j,s)——区域二；——每个单元上的最优输出值；
[0029]
将输入空间划分为m个区域r1,r2,...,rm,生成回归决策树的公式为：
[0030][0031]
式中：g(x)——每颗回归决策树的预测值；
[0032]
回归随机森林预测公式为：
[0033][0034]
式中：n——决策树的个数；g(x)——回归rf最终预测值；g(x)——第n棵决策树预测值；
[0035]
c3：将各航段参数代入每个航段的随机森林回归中进行训练，使用测试集得出每一航段的预测结果，最终结果为所有航段的预测油量之和。
[0036]
进一步的，步骤s4对模型准确性、稳定性、有效性评估包括：
[0037]
d1：计算该模型和fps模型的均方误差(mse)、平均绝对误差(mae)、拟合优度(r2)、准确率、相对误差；
[0038]
d2：利用上述评价指标值对该模型进行评估分析。
[0039]
本发明还提供一种航空器燃油消耗的预测装置，包括
[0040]
数据收集模块，用于根据各航班航路点、起落机场和飞行计划，将飞行过程划分为22个飞行航段；
[0041]
特征提取模块，用于通过相关性分析法提取与飞行油耗相关性高的6类参数作为输入；
[0042]
数据处理模块，用于利用随机森林算法对飞行燃油消耗进行回归预测，最终预测值为各分航段预测值之和；
[0043]
结果输出模块，用于通过将模型预测值、fps系统预测值分别于真实值进行对比，对模型进行评估。
[0044]
本发明还提供一种终端，所述终端包括一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述一种航空器燃油消耗的预测方法。
[0045]
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述一种航空器燃油消耗的预测方法。
[0046]
相对于现有技术，本发明所述的一种航空器燃油消耗的预测方法具有以下优势：
[0047]
(1)本发明通过将飞行航段根据航路点进行详细划分，提出了航空器燃油消耗计算模型；
[0048]
(2)本发明通过模型的输入参数筛选和相关性分析，进行输入参数的特征提取和降维，对进行降维，简化计算模型结构，提高预测效率；
[0049]
(3)本发明的燃油消耗计算模型和fps系统相比，预测准确率显著提升，平均准确率为95.2726％；平均相对误差也显著降低至6.5949％。从波动性方面考量，该模型的波动性相对于fps系统有所提升，整体波动性在可控范围内，因此该模型精确度和稳定性方面均优于fps系统。
附图说明
[0050]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0051]
图1是本发明实施例所述的一种航空器燃油消耗的预测方法流程示意图；
[0052]
图2是实施例中模型预测值与真实值对比示意图；
[0053]
图3是实施例中各航段r2值示意图；
[0054]
图4是实施例中航段mse和mae值示意图。
具体实施方式
[0055]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0056]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相
对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0057]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
[0058]
下面将参考附图并结合实施例来详细说明本发明。
[0059]
为更好理解上述技术方案，下面将结合说明书附图以及最佳实施方式，对上述技术方案进行详细的说明。
[0060]
如图1所示，本发明提出的航空器燃油消耗预测的方法包括步骤：
[0061]
s1：根据各航班航路点、起落机场和飞行计划，将飞行过程划分为22个飞行航段；
[0062]
s2：运用相关性分析法提取与飞行油耗相关性较高的6类参数作为输入；
[0063]
s3：利用随机森林算法对飞行燃油消耗进行回归预测，最终预测值为各分航段预测值之和；
[0064]
s4：通过将模型预测值、fps系统预测值分别于真实值进行对比，评估模型的准确性、稳定性和有效性。
[0065]
具体的，步骤s1划分飞行航段包括以下步骤：
[0066]
a1：采集签派飞行计划和实际落地剩油数据，并将其存储入计算机；
[0067]
a2：初始数据处理，包括燃油消耗数据的筛选、燃油消耗相关因素数据的提取。
[0068]
划分后的22个航路段分别名为mnvr-picas、picas-untan、untan-pimol、pimol-xutgu、xutgu-nixem、nixem-subku、subku-atvad、atvad-lagal、lagal-omudi、omudi-dpx、dpx-udino、udino-p58、p58-p60、p60-p86、p86-abtub、abtub-dalim、dalim-tumlo。
[0069]
具体的，步骤s2包括以下步骤：
[0070]
b1：通过中国某航空公司2020年12月和2021年1月之间从上海飞往北京a330-200机型的飞行计划数据和实际落地剩油数据，选取其中正常降落在北京机场的79个样本航班数据；
[0071]
b2：对计划总油量，计划起飞油量，计划航段用油，计划飞行时间，飞机无油重量(包含飞机空机重量和业载重量)，上海飞往北京的22个航段的航段距离、计划航段风向风速、磁航迹、计划真空速、计划地速、计划航段飞行时间、计划航段用油，备降油量，实际落地剩油，实际飞行耗油数据进行归一化处理，公式为：
[0072][0073]
式中：x’i,j
——第i行j列数据归一化后的数据值；x
i,j
——第i行j列数据的实际数据值；x
min,j
——第j列样本数据的最小值；x
max,j
——第j列样本数据的最大值；
[0074]
b3：利用相皮尔逊关性分析方法，计算各参数与航空器实际飞行燃油消耗的相关系数，相关系数为正值表示参数与航空器实际飞行耗油呈正相关，反之，表示两者呈负相关；
[0075]
b4：剔除相关系数绝对值小于0.2的参数，最终选择航段真空速、航段风速、航段飞行时间、航段风向、航段地速、磁航迹与航段风向角度差6类参数作为每次预测的输入。
[0076]
其中，各类参数的相关性系数均为22个航段相关性系数值的平均值。剔除后结果为航段真空速、航段风速、航段飞行时间、航段风向、航段地速、磁航迹与航段风向角度差。每类参数都将用于其对应阶段的预测，即每一次预测时只会有1个该类参数对应部分作为输入，这样就减少了特征值，提高了预测的准度和精度。
[0077]
具体的，步骤s3包括：
[0078]
c1：对随机森林各参数进行择优。采用网格搜索法，分别得出每一航段所需的最适决策树个数参数和最适决策树最大深度参数；
[0079]
c2：构建多个回归决策树，选择最优切分变量j与切分点s的公式为：
[0080]
用选定切分变量与切分点划分区域并决定相应的输出值的公式为：
[0081]
r1(j,s)＝{x|x
(j)
≤s},r2(j,s)＝＝{x|x
(j)
》s}
[0082][0083]
式中：r1(j,s)——区域一；r2(j,s)——区域二；——每个单元上的最优输出值；
[0084]
将输入空间划分为m个区域r1,r2,...,rm,生成回归决策树的公式为：
[0085][0086]
式中：g(x)——每颗回归决策树的预测值；
[0087]
回归随机森林预测公式为：
[0088][0089]
式中：n——决策树的个数；g(x)——回归rf最终预测值；g(x)——第n棵决策树预测值；
[0090]
c3：将各航段参数代入每个航段的随机森林回归中进行训练，使用测试集得出每一航段的预测结果，最终结果为所有航段的预测油量之和，如表1
[0091]
表1模型预测效果
[0092]
[0093][0094]
其中随机森林参数择优包括两部分：rf框架参数择优；rf决策树参数择优。框架参数中最重要的是n_estimators，决策树参数中最重要的是max_depth。因此，首先对外层的框架参数决策树个数择优，再对内层的决策树参数决策树最大深度择优。在采用网格搜索法搜寻这一航段所需的最适决策树个数参数和最适决策树最大深度参数时，本模型决策树的数量搜索范围设定为range(50,500,10)，决策树的深度搜索范围设定为range(3,50,1)，最终取值如表2：
[0095]
表2决策树个数和最大深度
[0096][0097][0098]
具体的，步骤s4对模型准确性、稳定性、有效性评估包括：
[0099]
d1：计算该模型和fps模型的均方误差(mse)、平均绝对误差(mae)、拟合优度(r2)、准确率、相对误差；
[0100]
d2：利用上述评价指标值对该模型进行评估分析。
[0101]
如图2、3、4所示，前2个航段拟合优度较低，值在0.2与0.4之间；p86-abtub航段拟合优度不如其他航段，值为0.589，拟合效果一般；其余18个飞行航段均超过0.8，且有9个飞行航段拟合优度达到了0.9以上，拟合效果较好。所有航段的平均绝对误差均在0.2以下，未发现不合理波动，并且，所有航段的均方误差均不高，在合理范围内波动。综上，认为航空器燃油消耗计算模型具有较高的预测精度。
[0102]
经过分析，前3个航段属于航空器爬升阶段，toc点在mnvr、picas、untan和pimol之间受多方因素(如，起飞机场风向风速、该次航班业载的大小等)的影响而移动，位置不固定。因此这3个航段耗油变化较大，规律性较弱，从而导致这3个航段拟合优度较低。p86-abtub航段属于巡航阶段，虽然该行段拟合优度为0.589，但其mae和mse值均不高，属于合理波动范围之中，对结果影响不大。其余航段拟合度符合预期效果。
[0103]
从整体来看，各项评价指标以及各项评价指标的平均值与最大值之间的差异都不大，在可接受范围内。且由于模型划分的飞行阶段较多，少部分航段的拟合优度较低的问题被其余拟合效果较高的航段抵消，使得详细模型整体预测精度较高、整体拟合效果较好，平均准确率为95.2726％。
[0104]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种航空器燃油消耗的预测方法，其特征在于：包括步骤：s1：根据各航班航路点、起落机场和飞行计划，将飞行过程划分为22个飞行航段；s2：运用相关性分析法提取与飞行油耗相关性高的6类参数作为输入；s3：利用随机森林算法对飞行燃油消耗进行回归预测，最终预测值为各分航段预测值之和；s4：通过将模型预测值、fps系统预测值分别于真实值进行对比，对模型进行评估。2.根据权利要求1所述的一种航空器燃油消耗的预测方法，其特征在于：所述步骤s1包括以下步骤：a1：采集签派飞行计划和实际落地剩油数据，并将其存储入计算机；a2：初始数据处理，包括燃油消耗数据的筛选、燃油消耗相关因素数据的提取。3.根据权利要求1所述的一种航空器燃油消耗的预测方法，其特征在于：所述步骤s2包括以下步骤：b1：输入样本航班数据；b2：对数据样本进行归一化处理；b3：对归一化处理后的数据进行特征提取得到参数。4.根据权利要求3所述的一种航空器燃油消耗的预测方法，其特征在于：所述步骤b3中，利用相皮尔逊关性分析方法，计算各参数与航空器实际飞行燃油消耗的相关系数，剔除相关系数绝对值小于0.2的参数。5.根据权利要求1所述的一种航空器燃油消耗的预测方法，其特征在于：所述步骤s3包括以下步骤：c1：对随机森林各参数进行择优，采用网格搜索法，分别得出每一航段所需的最适决策树个数参数和最适决策树最大深度参数；c2：对每个航段构建各自回归决策树；c3：将各航段参数代入每个航段的随机森林回归中进行训练，使用测试集得出每一航段的预测结果，最终结果为所有航段的预测油量之和。6.根据权利要求5所述的一种航空器燃油消耗的预测方法，其特征在于：所述步骤s3中，随机森林参数择优包括两部分：rf框架参数择优，rf决策树参数择优；首先对外层的框架参数决策树个数择优，再对内层的决策树参数决策树最大深度择优。7.根据权利要求1所述的一种航空器燃油消耗的预测方法，其特征在于：所述步骤s4包括以下步骤：d1：计算该模型和fps模型的均方误差(mse)、平均绝对误差(mae)、拟合优度(r2)、准确率、相对误差；d2：利用上述评价指标值对该模型进行评估分析。8.一种航空器燃油消耗的预测装置，包括数据收集模块，用于根据各航班航路点、起落机场和飞行计划，将飞行过程划分为22个飞行航段；特征提取模块，用于通过相关性分析法提取与飞行油耗相关性高的6类参数作为输入；数据处理模块，用于利用随机森林算法对飞行燃油消耗进行回归预测，最终预测值为各分航段预测值之和；
结果输出模块，用于通过将模型预测值、fps系统预测值分别于真实值进行对比，对模型进行评估。9.一种终端，其特征在于：所述终端包括一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的一种航空器燃油消耗的预测方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1-7中任一所述的一种航空器燃油消耗的预测方法。

技术总结
本发明提供了一种航空器燃油消耗的预测方法，包括步骤：根据各航班航路点、起落机场和飞行计划，将整个飞行过程划分为22个航段；运用相关性分析法提取与飞行油耗相关性较高的参数作为输入；通过随机森林算法分别对各航段飞行燃油消耗进行回归预测，并使用网格搜索法确定随机森林算法的重要参数；最终预测值为分航段的预测值之和，通过预测值评估模型。本方法的精确度相比行业现有飞行计划系统(Flight Planning System，FPS)算油精确度有所提升，能够达到提高航油使用效率、提高航司经济效益、降低行业整体耗油水平的目的，为航空公司进行燃油决策提供理论参考，为实现民航业的双碳目标作出贡献。标作出贡献。标作出贡献。


技术研发人员：赵元棣 吴佳馨 罗琳璐 王中义 李科频 罗鸿菲
受保护的技术使用者：中国民航大学
技术研发日：2021.11.30
技术公布日：2022/3/8