一种预测飞行器离场飞行时间的方法、装置及设备与流程

1.本发明实施例涉及人工智能领域，涉及一种预测飞行器离场飞行时间的方法、装置及设备。


背景技术：

2.航空业作为交通运输业中重要的组成部分，在日常运维中会伴随产生各种数据，例如飞行计划数据、飞行轨迹数据、语音数据以及气象数据等。若对此部分信息加以利用，则对飞机的离场飞行时间预测以及流量预测等信息会有更准确的判断，提升预测的准确度。
3.在实际进行数据统计以及分析的过程中发现存在以下问题，现阶段对于航空领域的信息获取量多，处理过程耗时过久，并且由于数据的种类不同，对每个独立种类的数据均需要建立特定模型进行分析，同样需要大量资源投入。


技术实现要素：

4.本技术实施例提供了一种预测飞行器离场飞行时间的方法、装置及设备，以解决在航空领域的数据分析中，由于数据信息获取数量大导致的处理过程耗时过久以及由于数据信息的种类多导致的分析资源投入过大的问题。
5.第一方面，本技术实施例提供了一种预测飞行器离场飞行时间的方法，所述方法包括：
6.获取数据信息，将所述数据信息存入数据库，所述数据信息至少包括以下一种：航班信息、监视信息、气象信息以及飞行器对应的情报信息；
7.对所述数据信息进行预处理以得到输入数据；
8.构建学习模型；
9.使用所述学习模型用于基于所述输入数据对飞行器离场飞行时间进行预测，得到预测结果。
10.在一些可能的实施方式中，所述数据库可选取为mongodb，这样所述数据库可以满足数据的大量数据的需求。
11.在一些可能的实施方式中，所述数据信息预处理，包括以下至少一种：数据清理、数据集成、数据归约以及数据转换，这样，可以降低所述数据对预测结果造成的干扰。
12.在一些可能的实施方式中，所述构建学习模型方式包括：使用sklearn工具结合keras工具对所述学习模型进行构建，
13.所述sklearn工具用于对所述输入数据进行计算处理，以得到特征数据，所述特征数据用于所述学习模型训练；
14.所述keras工具用于构建所述学习模型的神经网络，以基于所述特征数据预测所述飞行器的离场飞行时间，
15.所述飞行器的离场飞行时间包括以下至少一种：跑道滑行时间和相邻航路点飞行
时间。
16.在一些可能的实施方式中，所述特征数据可以由所述数据信息得到，所述跑道滑行时间对应的第一特征数据包括以下至少一种：预计撤轮档时间、停机位以及起飞跑道；
17.所述相邻航路点飞行时间对应的第二特征数据包括以下至少一种：入境点高度、出境点高度、入境点以及出境点。
18.在一些可能的实施方式中，在构建所述学习模型之前，还包括，对所述特征数据进行预处理，以提高所述学习模型准确度，所述特征数据预处理，包括：对所述特征数据进行去噪处理以及特征编码。
19.在一些可能的实施方式中，对所述特征数据预处理还包括：
20.获取所述特征数据去噪处理对应的第一评价结果，若所述第一评价结果小于或等于第一预设阈值，则进行所述特征数据对应的所述学习模型相关参数设定；
21.若所述第一评价结果大于所述第一预设阈值，则对所述特征数据继续进行去噪处理，
22.所述第一评价结果方式包括：平均绝对误差评价。
23.在一些可能的实施方式中，对所述学习模型相关参数设定，包括：
24.获取每个所述学习模型相关参数下的第二评价结果，若所述第二评价结果小于或等于第二预设阈值，则选取与所述第二评价结果对应的所述学习模型相关参数作为所述学习模型使用参数；
25.若所述第二评价结果大于所述第二预设阈值，则对所述学习模型相关参数数值进行调整，
26.所述模型相关参数包括：对单次训练所抓取样本数量、神经层数量、dropout参数以及dense节点数，
27.所述第二评价结果方式包括：平均绝对误差评价以及均方误差评价。
28.第二方面，本技术实施例还提供了一种预测飞行器离场飞行时间的装置，所述装置包括：获取模块，用于将所述数据信息存入数据库，所述数据信息至少包括以下一种：航班信息、监视信息、气象信息以及飞行器对应的情报信息；
29.预处理模块，用于对所述数据信息进行预处理以得到输入数据；
30.构建模块，用于构建学习模型；
31.学习模块，用于使用所述学习模型用于基于所述输入数据对飞行器离场飞行时间进行预测，得到预测结果。
32.第三方面，本技术实施例还提供了一种预测飞行器离场飞行时间的电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
33.所述存储器用于存储有可执行指令，所述可执行指令运行时使所述处理器执行第一方面或第二方面中任一可能的实施方式中的预测飞行器离场飞行时间的方法。
34.第四方面，本技术实施例还提供了一种计算机可读存储介质，所述存储介质中存储有可执行指令，所述可执行指令运行时使计算设备执行第一方面或者第二方面任一可能的实施方式中的预测飞行器离场飞行时间的方法。
35.本技术实施例提供了一种预测飞行器离场飞行时间的方法，本方案中，通过获取
飞行器的相关数据信息，将所述数据信息存入数据库，对所述数据信息进行预处理以得到输入数据；并且构建学习模型，使用所述学习模型用于基于所述输入数据对飞行器离场飞行时间进行预测，得到预测结果。这样在预测飞行器离场飞行时间的过程中，通过建立相应的学习模型，并且输入与需求的预测项目相应的数据特征，实现了对预测项目的自主分析和预测，减小了预测分析资源，并且通过对输入数据的特征进行预处理，保证了预测结果的准确性。
附图说明
36.图1是本技术实施例提供的预测飞行器离场飞行时间的方法流程示意图；
37.图2是本技术实施例提供的数据信息预处理结果示意图；
38.图3a是本技术实施例提供的学习模型的不同特征选取的训练结果比较示意图；
39.图3b是本技术实施例提供的学习模型的神经网络迭代图；
40.图3c是本技术实施例提供的学习模型所需的训练数据去噪前后数量对比图；
41.图4是本技术实施例提供的预测飞行器离场飞行的装置示意图；
42.图5是本技术实施例提供的预测飞行器离场飞行时间的设备示意图。
具体实施方式
43.本技术以下实施例中所使用的术语是为了描述可选实施方式的目的，而非旨在作为对本技术的限制。如在本技术的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式。还应当理解，尽管在以下实施例中可能采用术语第一、第二等来描述某一类对象，但所述对象不限于这些术语。这些术语用来将该类对象的具体对象进行区分。例如，以下实施例中可能采用术语第一、第二等来描述的其他类对象同理，此处不再赘述。
44.本技术实施例提供了一种预测飞行器离场飞行时间的方法，通过获取飞行器的相关数据信息，将所述数据信息存入数据库，对所述数据信息进行预处理以得到输入数据；并且构建学习模型，使用所述学习模型用于基于所述输入数据对飞行器离场飞行时间进行预测，得到预测结果。这样在预测飞行器离场飞行时间的过程中，通过建立相应的学习模型，并且输入与需求的预测项目相应的数据特征，实现了对预测项目的自主分析和预测，减小了预测分析资源，并且通过对输入数据的特征进行预处理，保证了预测结果的准确性。
45.本技术实施例提供的策略模型训练方法可以由一个电子设备执行，也可以由计算机集群执行。该计算机集群包括至少两个支持本技术实施例的策略模型训练方法的电子设备，任一电子设备可通过策略模型训练方法实现本技术实施例所描述的策略模型训练功能。
46.本技术实施例设计的任一电子设备可以是诸如手机、平板电脑、可穿戴设备(例如，智能手表、只能手环等)、笔记本电脑、台式计算机和车载设备等电子设备。该电子设备预先安装有策略模型训练应用程序。可以理解的是，本技术实施例对电子设备的具体类型不作任何限制。
47.通常的，航空业作为交通运输业中重要的组成部分，在日常运维中会伴随产生各种数据，例如飞行计划数据、飞行轨迹数据、语音数据以及气象数据等。若对此部分信息加
以利用，则对飞机的离场飞行时间预测以及流量预测等信息会有更准确的判断，提升预测的准确度。
48.在实际进行数据统计以及分析的过程中发现存在以下问题，现阶段对于航空领域的信息获取量多，处理过程耗时过久，并且由于数据的种类不同，对每个独立种类的数据均需要建立特定模型进行分析，同样需要大量资源投入。
49.下面是对几个示例性实施方式的描述，对本技术实施例的技术方案以及本技术的技术方案产生的技术效果进行说明。
50.参见图1，图1是本技术实施例提供的预测飞行器离场飞行时间的方法流程示意图，包括以下步骤：
51.获取数据信息，将所述数据信息存入数据库，所述数据信息至少包括以下一种：航班信息、监视信息、气象信息以及飞行器对应的情报信息；
52.对所述数据信息进行预处理以得到输入数据；
53.构建学习模型；
54.使用所述学习模型用于基于所述输入数据对飞行器离场飞行时间进行预测，得到预测结果。
55.通常的，所述飞行器离场飞行时间包括：跑道滑行时间以及相邻航路点飞行时间，所述跑道滑行时间即指所述飞行器在跑道上开始滑行至离开跑道起飞的过程所用时间，通常计算表示为：实际起飞时间减去所述飞行器实际推出时间；
56.所述相邻航路点飞行时间是指所述飞行器在两个航路点(例如起飞机场和降落机场)之间飞行的时间，通常计算表示为：后一个到达的航路点的时间减去前一个到达航路点的时间。
57.示例性的，所述数据信息的获取通常由相应的信息系统发出，
58.所述航班信息至少包括以下一种：航班编号、航班出发时间以及航班出发地点；
59.所述监视信息至少包括：所述飞行器飞行过程中监控的各项指标性能参数、所述飞行器所处位置的垂直高度以及速度；
60.所述气象信息至少包括：所述飞行器所处环境的气象信息；
61.所述飞行器对应的情报信息至少包括：目标点或者起点的跑道开关状态。
62.可选的，所述数据信息进行预处理至少包括：数据清理、数据集成、数据归约以及数据转换；
63.所述数据清理至少包括：对数据的不一致检测，噪声数据的识别，数据过滤以及数据修正，这样，可以提高所述数据信息的一致性和准确性，降低所述数据对预测结果造成的干扰，从而提高了训练模型的训练质量。
64.一种可能的实施方式中，在进行所述飞行器离场飞行时间预测的过程，需要对数据库进行选取，所述数据库的选择可以选为mongodb，mongodb为常用的开源非关系型数据库，可以存放xml、json、bson等类型的数据。并且，mongodb数据库具有分片存储机制，可以应对数据量增长迅速的需求。这样，选用mongodb数据库可以在所述获取数据信息的过程中，适应多种类以及大数量的数据环境，减小预测过程数据量过大对预测过程带来的干扰。
65.一种可能的实施方式中，所述构建学习模型方式包括：使用sklearn工具结合keras工具对所述学习模型进行构建，
66.所述sklearn工具用于对所述输入数据进行计算处理，以得到用于所述学习模型训练的特征数据；
67.所述keras工具用于构建所述学习模型的神经网络，以基于所述特征数据预测所述飞行器的离场飞行时间，
68.所述飞行器的离场飞行时间包括以下至少一种：跑道滑行时间和相邻航路点飞行时间。
69.一种可能的实施方式中，所述特征数据可以由所述数据信息得到，所述跑道滑行时间对应的第一特征数据包括以下至少一种：预计撤轮档时间、停机位以及起飞跑道，其中所述预计撤轮档时间、所述停机位以及所述起飞跑道均可由所述飞行器对应的监视信息得到；
70.所述相邻航路点飞行时间对应的第二特征数据包括以下至少一种：入境点高度、出境点高度、入境点以及出境点，其中，所述入境点高度、所述出境点高度、入境点以及所述出境点，均可由所述飞行器对应的监视信息得到。
71.一种可能的实施方式中，在构建学习模型之前，获取所述特征数据之后，还包括对所述特征数据进行预处理，具体包括对所述特征数据进行去噪处理以及特征编码。
72.示例性的，以所述跑道滑行为预测目标为例，特征选择为预计撤轮档时间、停机位以及起飞跑道，
73.现对上述三种数据进行去噪(即上述的特征数据进行去噪处理)，具体操作去噪图如图2所示，对每个数据进行阈值限定，获取预设阈值内的相应数据，经过实际去噪验证，上述三种数据去噪前数据总量为26576条，去噪后数据总量为22026条，相当于去噪18％，同样的，也可以对其它所示数据信息进行去噪处理，具体去噪图如图3c所示，这样，当所述学习模型拿到去噪后的所述特征数，可以减小对最终结果的波动。
74.示例性的，以上述所述飞行器预测跑道滑行时间为例，获取去噪后的数据，经过数据编码再利用神经网络建模，就得到预测结果，
75.例如所述飞行器对应的实际跑道滑行时间为19分45秒，所述飞行器采用全部特征(即预计撤轮档时间、停机位以及起飞跑道)进行预测结果为20分23秒，采用部分特征(此处以停机位以及起飞跑道为例)进行预测，预测结果为21分34秒，评价标准采用平均绝对误差评价(mae，mean absolute error)，具体评价数据图示如图3a所示(图3所述特征选取即为所述特征数据选取)，由图3a可知，采用全部特征时，更接近正确值70秒左右，因此选择全部特征。
76.完成所述特征数据的选取后，进行所述学习模型的相关参数设定，所述学习模型的相关参数包括：迭代次数、对单次训练所抓取样本数量(batch-size)、神经层数量、dropout参数以及dense节点数，
77.此处以确定迭代次数以及batch-size为例，在合理的范围内，batch-size越大相应的图示越准确，震荡越小，当batch-size过大，会出现局部最优的情况，经过实验确认，选择迭代次数120，batch-size 800，dropout参数设定为0.2，dense节点数设定为100时最优，具体图示如图3b所示。
78.可选的，确定好所述特征数据以及相关参数设定后进行所述学习模型构建以及训练，以得到所述预测结果。
79.在一些可能的实施方式中，对所述特征数据预处理预处理还包括：
80.获取所述特征数据去噪处理对应的第一评价结果，若所述第一评价结果小于或等于第一预设阈值，则进行所述特征数据对应的所述学习模型相关参数设定；
81.若所述第一评价结果大于所述第一预设阈值，则对所述特征数据继续进行去噪处理，
82.所述第一评价结果方式包括：平均绝对误差评价。
83.可选的，对于所述特征数据选择的过程，可以引入相应的评价标准进行辅助筛选(即引入所述第一预设阈值，例如对验证结果的mae数值需求需要满足实际应用范围，此处的应用范围作为所述第一预设阈值)，通过学习模型参数下的结果(即所述第一评价结果)与所述第一预设阈值进行评价比较，以此来选择符合阈值要求的结果对应的所述学习模型参数。
84.在一些可能的实施方式中，对所述学习模型相关参数设定，包括：
85.获取每个所述学习模型相关参数下的第二评价结果，若所述第二评价结果小于或等于第二预设阈值，则选取与所述第二评价结果对应的所述学习模型相关参数作为所述学习模型使用参数；
86.若所述第二评价结果大于所述第二预设阈值，则对所述学习模型相关参数数值进行调整，
87.所述模型相关参数包括：对单次训练所抓取样本数量、神经层数量、dropout参数以及dense节点数，
88.所述第二评价结果方式包括：平均绝对误差评价以及均方误差评价。
89.可选的，对于所述学习模型参数选择的过程，可以引入相应的评价标准进行辅助筛选(即引入所述第二预设阈值，例如对验证结果的mae数值需求需要满足实际应用范围，此处的应用范围作为所述第一预设阈值)，通过学习模型参数下的结果(即所述第二评价结果)与所述第二预设阈值进行评价比较，以此来选择符合阈值要求的结果对应的所述学习模型参数。
90.可选的，以所述相邻航路点时间为预测目标，同样采用上述过程进行，区别在于所述特征数据包括：入境点高度、出境点高度、入境点以及出境点，具体方法此处不再一一赘述。
91.本技术实施例提供了一种预测飞行器离场飞行时间的方法，本方案中，通过获取飞行器的相关数据信息，将所述数据信息存入数据库，对所述数据信息进行预处理以得到输入数据；并且构建学习模型，使用所述学习模型用于基于所述输入数据对飞行器离场飞行时间进行预测，得到预测结果。这样在预测飞行器离场飞行时间的过程中，通过建立相应的学习模型，并且输入与需求的预测项目相应的数据特征，实现了对预测项目的自主分析和预测，减小了预测分析资源，并且通过对输入数据的特征进行预处理，保证了预测结果的准确性。
92.上述实施例从获取数据信息，对所述数据信息进行预处理得到输入数据，构建学习模型得到预测结果等，电子设备所执行的动作逻辑和学习算法处理角度，对本技术实施例提供的预测飞行器离场飞行时间的方法的各实施方式进行了介绍。应理解，对应获取数据信息，对所述数据信息进行预处理得到输入数据，构建学习模型得到预测结果，本技术实
施例可以以硬件或硬件和计算机软件的结合形式来实现上述功能。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
93.例如，若上述实现步骤通过软件模块来实现相应的功能，如图4所示，一种预测飞行器离场飞行时间的装置，所述装置包括：获取模块，用于将所述数据信息存入数据库，所述数据信息至少包括以下一种：航班信息、监视信息、气象信息以及飞行器对应的情报信息；
94.预处理模块，用于对所述数据信息进行预处理以得到输入数据；
95.构建模块，用于构建学习模型；
96.学习模块，用于使用所述学习模型用于基于所述输入数据对飞行器离场飞行时间进行预测，得到预测结果。
97.可以理解的是，以上各个模块/单元的划分仅仅是一种逻辑功能的划分，实际实现时，以上各模块的功能可以集成到硬件实体实现，例如，部署模块、执行网络训练模块、交互训练模块以及比对模块可以集成到处理器实现，实现上述各模块功能的程序和指令，可以维护在存储器中。例如，图5提供了一种电子设备，该电子设备包括可以包括处理器、收发器和存储器。其中，收发器对数据信息的获取。存储器可以用于存储学习模型在运行过程中产生的相应的轨迹数据，也可以存储用于处理器执行的代码等。当处理器运行存储器存储的代码过程中，使得电子设备执行上述方法中预测飞行器离场飞行时间的部分或全部操作。
98.具体实现过程详见上述方法示意的实施例所述，此处不再详述。
99.具体实现中，对应前述电子设备，本技术实施例还提供一种计算机存储介质，其中，设置在电子设备中的计算机存储介质可存储有程序，该程序执行时，可实施包括多智能体学习方法的各实施例中的部分或全部步骤。该存储介质均可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
100.以上模块或单元的一个或多个可以软件、硬件或二者结合来实现。当以上任一模块或单元以软件实现的时候，所述软件以计算机程序指令的方式存在，并被存储在存储器中，处理器可以用于执行所述程序指令并实现以上方法流程。所述处理器可以包括但不限于以下至少一种：中央处理单元(central processing unit，cpu)、微处理器、数字信号处理器(dsp)、微控制器(microcontroller unit，mcu)、或人工智能处理器等各类运行软件的计算设备，每种计算设备可包括一个或多个用于执行软件指令以进行运算或处理的核。该处理器可以内置于soc(片上系统)或专用集成电路(application specific integrated circuit，asic)，也可是一个独立的半导体芯片。该处理器内处理用于执行软件指令以进行运算或处理的核外，还可进一步包括必要的硬件加速器，如现场可编程门阵列(field programmable gate array，fpga)、pld(可编程逻辑器件)、或者实现专用逻辑运算的逻辑电路。
101.当以上模块或单元以硬件实现的时候，该硬件可以是cpu、微处理器、dsp、mcu、人工智能处理器、asic、soc、fpga、pld、专用数字电路、硬件加速器或非集成的分立器件中的任一个或任一组合，其可以运行必要的软件或不依赖于软件以执行以上方法流程。
102.进一步的，图5中还可以包括总线接口，总线接口可以包括任意数量的互联的总线
和桥，具体由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线接口还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发器提供用于在传输介质上与各种其他设备通信的单元。处理器负责管理总线架构和通常的处理，存储器可以存储处理器在执行操作时所使用的数据。
103.当以上模块或单元使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
104.应理解，在本技术的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对实施例的实施过程构成任何限定。
105.本说明书的各个部分均采用递进的方式进行描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点介绍的都是与其他实施例不同之处。尤其，对于装置和系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
106.尽管已描述了本技术的可选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
107.以上所述的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

技术特征：
1.一种预测飞行器离场飞行时间的方法，其特征在于，所述方法包括：获取数据信息，将所述数据信息存入数据库，所述数据信息至少包括以下一种：航班信息、监视信息、气象信息以及飞行器对应的情报信息；对所述数据信息进行预处理以得到输入数据；构建学习模型；使用所述学习模型用于基于所述输入数据对飞行器离场飞行时间进行预测，得到预测结果。2.根据权利要求1所述的预测飞行器离场飞行时间的方法，其特征在于，所述数据信息预处理，包括以下至少一种：数据清理、数据集成、数据归约以及数据转换。3.根据权利要求1所述的预测飞行器离场飞行时间的方法，其特征在于，所述构建学习模型方式包括：使用sklearn工具结合keras工具对所述学习模型进行构建，所述sklearn工具用于对所述输入数据进行计算处理，以得到特征数据，所述特征数据用于所述学习模型训练；所述keras工具用于构建所述学习模型的神经网络，以基于所述特征数据预测所述飞行器的离场飞行时间，所述飞行器的离场飞行时间包括以下至少一种：跑道滑行时间和相邻航路点飞行时间。4.根据权利要求1或3所述的预测飞行器离场飞行时间的方法，其特征在于，所述特征数据可以由所述数据信息得到，所述跑道滑行时间对应的第一特征数据包括以下至少一种：预计撤轮档时间、停机位以及起飞跑道；所述相邻航路点飞行时间对应的第二特征数据包括以下至少一种：入境点高度、出境点高度、入境点以及出境点。5.根据权利要求3所述的预测飞行器离场飞行时间的方法，其特征在于，在构建所述学习模型之前，还包括，对所述特征数据进行预处理，以提高所述学习模型准确度，所述特征数据预处理，包括：对所述特征数据进行去噪处理以及特征编码。6.根据权利要求1或5所述的预测飞行器离场飞行时间的方法，其特征在于，对所述特征数据预处理还包括：获取所述特征数据去噪处理对应的第一评价结果，若所述第一评价结果小于或等于第一预设阈值，则进行所述特征数据对应的所述学习模型相关参数设定；若所述第一评价结果大于所述第一预设阈值，则对所述特征数据继续进行去噪处理，所述第一评价结果方式包括：平均绝对误差评价。7.根据权利要求5所述的预测飞行器离场飞行时间的方法，其特征在于，对所述学习模型相关参数设定，包括：获取每个所述学习模型相关参数下的第二评价结果，若所述第二评价结果小于或等于第二预设阈值，则选取与所述第二评价结果对应的所述学习模型相关参数作为所述学习模型使用参数；若所述第二评价结果大于所述第二预设阈值，则对所述学习模型相关参数数值进行调整，所述模型相关参数包括：对单次训练所抓取样本数量、神经层数量、dropout参数以及
dense节点数，所述第二评价结果方式包括：平均绝对误差评价以及均方误差评价。8.一种预测飞行器离场飞行时间的装置，其特征在于，所述装置包括：获取模块，用于将所述数据信息存入数据库，所述数据信息至少包括以下一种：航班信息、监视信息、气象信息以及飞行器对应的情报信息；预处理模块，用于对所述数据信息进行预处理以得到输入数据；构建模块，用于构建学习模型；学习模块，用于使用所述学习模型用于基于所述输入数据对飞行器离场飞行时间进行预测，得到预测结果。9.一种预测飞行器离场飞行时间的电子设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存储有可执行指令，所述可执行指令运行时使所述处理器执行如权利要求1-7中任一项所述的预测飞行器离场飞行时间的方法。10.一种计算机存储介质，其特征在于，所述存储介质中存储有可执行指令，所述可执行指令运行时使计算设备执行如权利要求1-7中任一项所述的预测飞行器离场飞行时间的方法。

技术总结
本申请实施例涉及人工智能领域，公开了一种预测飞行器离场飞行时间的方法、装置及设备。本申请实施例涉及的预测飞行器离场飞行时间方法包括获取数据信息，将所述数据信息存入数据库，对所述数据信息进行预处理以得到输入数据；构建学习模型，并使用所述学习模型用于基于所述输入数据对飞行器离场飞行时间进行预测，得到预测结果。这样，在预测飞行器离场飞行时间的过程中，通过建立相应的学习模型，并且输入与需求的预测项目相应的数据特征，实现了对预测项目的自主分析和预测，减小了预测分析资源，并且通过对输入数据的特征进行预处理，保证了预测结果的准确性。保证了预测结果的准确性。保证了预测结果的准确性。


技术研发人员：洪刚 白茹 田原 乔乙馨 魏子涵 蔡坤杰 韦皓宇 刘喆 吕浩仟
受保护的技术使用者：成都西南民航通信网络有限公司
技术研发日：2022.03.11
技术公布日：2023/9/22