一种航路规划裁剪参数获取方法、装置、设备及存储介质与流程

1.本发明涉及民航飞行航路规划技术领域，具体地说，涉及一种航路规划裁剪参数获取方法、装置、设备及存储介质。


背景技术：

2.航路网络规划技术是保障我国空域安全运行、空域资源高效利用的关键组成部分，随着我国民航运输产业需求的不断增长，我国民众出行需求不断提升，如何保障航空飞行安全，兼顾各项经济性和地理性指标，精确规划我国高空航路网络，实现空域时空资源的高效利用，是未来大规模、高密度民航运输的一个关键问题。
3.现有技术中航路规划算法的优化目标有最短距离，最省时间，最省油，最省成本等，不管是以上何种优化目标，最终计算出的航路都是在起点与终点相连的大圆航线附近范围内，不会偏离特别远，因此可根据航路规划的起始点与结束点来进行优化区域的裁剪，落在裁剪区域内的航路边保留，落在裁剪区域外的边则删除。但如何设置出一个合适的裁剪区域是一个难题，通常都只能根据经验设置，但如果参数设置的过大，则路网裁剪程度不够，会增加计算的时间成本；若参数设置过小，则可能导致最优解的路被裁剪，从而导致错过最优解，甚至无法计算出一条完整的航路。因此如何设置一个合适的参数，既能最大程度的裁剪路网又不至于删掉最优解，对于缩小航路规划的计算规模，提高计算速度至关重要。


技术实现要素：

4.为了解决上述问题，本发明提出一种航路规划裁剪参数获取方法、装置、设备及存储介质，提供一种合理的航路规模裁切参数，提高航路规划的效率和精度。
5.本发明实施例提供一种航路规划裁剪参数获取方法，所述方法包括：
6.对获取的历史飞行计划数据按照航线维度进行统计，得到每一航班的航班数据；
7.确定每一航班的航班数据中历史所经航路点与起降机场间的距离之和的最大值作为该航班的目标值；
8.将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型；
9.将待预测航班的航班数据输入到所述航路参数裁剪模型中，得到对应的目标值，作为所述待预测航班的裁剪参数。
10.优选地，所述将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型，具体包括：
11.将每一航路的目标值以及对应的航班数据中的影响因素输入到所述多元线性回归模型中进行学习，拟合所述多元线性回归模型的学习参数；
12.当拟合后的得到的多元线性回归模型的相关系数不小于第一预设值时，将拟合后的学习参数作为所述拟合参数代入所述多元线性回归模型，得到所述航路参数裁剪模型。
13.作为一种优选方案，在对获取的历史飞行计划数据按照航线维度进行统计之前，
所述方法还包括：
14.对所述历史飞行计划数据中的航班进行清洗，剔除起飞机场与落地机场相同的航班。
15.优选地，所述历史飞行计划数据中每一航班的航班数据包括航线距离、历史航班量、历史所经航路点与起飞机场之间的距离、历史所经航路点与降落机场之间的距离、起降机场经纬度、历史所经航路点与起降机场之间的距离之和，以及航路点的出现次数。
16.优选地，在对获取的历史飞行计划数据按照航线维度进行统计之后，所述方法还包括：
17.对每一航班的航班数据进行清洗，剔除历史航班量小于第二预设值的航班，剔除航班中航路点出现次数小于第三预设值的航路点；
18.通过四分法剔除航线中与起降机场之间距离异常的航路点。
19.作为上述方案的改进，所述通过四分法剔除航线中与起降机场间距离异常的航路点具体包括：
20.计算每一航路的航线中历史所经航路点与起降机场间的距离之和与起降机场之间距离的相对比值；
21.将所有航班计算得到的相对比值进行排序，并确定所有相对比值中的第一四分位数q1和第三四分位数q3，并计算第三四分位数q3与第一四分位数q1的差距，即四分位距iqr；
22.将相对比值不处于正常区间[q1－ηiqr，q3+ηiqr]的航路点剔除；
[0023]
其中，η为预设的系数。
[0024]
优选地，所述多元线性回归模型为h
θ
(x)＝θ0+θ1x1+θ2x2+
…
θnxn；
[0025]
其中，h
θ
(x)为每一航路的目标值；x1～xn为每一航路的影响因素，包括航班的起降机场经纬度，航线距离与历史所经航路；θ0～θn为所述多元线性回归模型的学习参数；n为影响因素的数量，n为正整数。
[0026]
本发明实施例还提供一种航路规划裁剪参数获取装置，所述装置包括：
[0027]
数据统计模块，用于对获取的历史飞行计划数据按照航线维度进行统计，得到每一航班的航班数据；
[0028]
目标值确定模块，用于确定每一航班的航班数据中历史所经航路点与起降机场间的距离之和的最大值作为该航班的目标值；
[0029]
模型拟合模块，用于将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型；
[0030]
参数计算模块，用于将待预测航班的航班数据输入到所述航路参数裁剪模型中，得到对应的目标值，作为所述待预测航班的裁剪参数。
[0031]
优选地，所述模型拟合模块具体用于：
[0032]
将每一航路的目标值以及对应的航班数据中的影响因素输入到所述多元线性回归模型中进行学习，拟合所述多元线性回归模型的学习参数；
[0033]
当拟合后的得到的多元线性回归模型的相关系数不小于第一预设值时，将拟合后的学习参数作为所述拟合参数代入所述多元线性回归模型，得到所述航路参数裁剪模型。
[0034]
作为一种优选方案，所述装置还包括第一数据清洗模块，用于：
[0035]
在对获取的历史飞行计划数据按照航线维度进行统计之前，对所述历史飞行计划
数据中的航班进行清洗，剔除起飞机场与落地机场相同的航班。
[0036]
优选地，所述历史飞行计划数据中每一航班的航班数据包括航线距离、历史航班量、历史所经航路点与起飞机场之间的距离、历史所经航路点与降落机场之间的距离、起降机场经纬度、历史所经航路点与起降机场之间的距离之和，以及航路点的出现次数。
[0037]
作为一种优选方案，所述装置还包括第二数据清洗模块，用于：
[0038]
在对获取的历史飞行计划数据按照航线维度进行统计之后，对每一航班的航班数据进行清洗，剔除历史航班量小于第二预设值的航班，剔除航班中航路点出现次数小于第三预设值的航路点；
[0039]
通过四分法剔除航线中与起降机场之间距离异常的航路点。
[0040]
进一步地，第二数据清洗模块具体用于：
[0041]
计算每一航路的航线中历史所经航路点与起降机场间的距离之和与起降机场之间距离的相对比值；
[0042]
将所有航班计算得到的相对比值进行排序，并确定所有相对比值中的第一四分位数q1和第三四分位数q3，并计算第三四分位数q3与第一四分位数q1的差距，即四分位距iqr；
[0043]
将相对比值不处于正常区间[q1－ηiqr，q3+ηiqr]的航路点剔除；
[0044]
其中，η为预设的系数。
[0045]
优选地，所述多元线性回归模型为h
θ
(x)＝θ0+θ1x1+θ2x2+
…
θnxn；
[0046]
其中，h
θ
(x)为每一航路的目标值；x1～xn为每一航路的影响因素，包括航班的起降机场经纬度，航线距离与历史所经航路；θ0～θn为所述多元线性回归模型的学习参数；n为影响因素的数量，n为正整数。
[0047]
本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项实施例所述的一种航路规划裁剪参数获取方法。
[0048]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项实施例所述的一种航路规划裁剪参数获取方法。
[0049]
本发明提供一种航路规划裁剪参数获取方法、装置、设备及存储介质，通过对获取的历史飞行计划数据按照航线维度进行统计，得到每一航班的航班数据；确定每一航班的航班数据中历史所经航路点与起降机场间的距离之和的最大值作为该航班的目标值；将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型；将待预测航班的航班数据输入到所述航路参数裁剪模型中，得到对应的目标值，作为所述待预测航班的裁剪参数。提供一种合理的航路规模裁切参数，提高航路规划的效率和精度。
附图说明
[0050]
图1是本发明实施例提供的一种航路规划裁剪参数获取方法的流程示意图；
[0051]
图2是本发明另一实施例提供的一种航路规划裁剪参数获取方法的流程示意图；
[0052]
图3是本发明实施例提供的一种航路规划裁剪参数获取装置的结构示意图；
[0053]
图4是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
[0054]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0055]
实施例一
[0056]
参见图1，是本发明实施例提供的一种航路规划裁剪参数获取方法的流程示意图，所述方法包括步骤s1～s4；
[0057]
s1，对获取的历史飞行计划数据按照航线维度进行统计，得到每一航班的航班数据；
[0058]
s2，确定每一航班的航班数据中历史所经航路点与起降机场间的距离之和的最大值作为该航班的目标值；
[0059]
s3，将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型；
[0060]
s4，将待预测航班的航班数据输入到所述航路参数裁剪模型中，得到对应的目标值，作为所述待预测航班的裁剪参数。
[0061]
在本实施例具体实施时，确定航路规划的裁剪参数的过程具体依赖于历史航班数据，根据历史航班数据进行分析，建立航班数据与裁切参数的模型关系，并根据建立的模型关系，确定当前需要预测的航班的裁剪参数，裁切出对应的区域，再在对应区域内进行航线搜索，能够大大提高搜索效率。
[0062]
因此，本实施例具体实施时，需要先从航班数据库提取历史三年内所有航班的历史飞行计划数据，根据历史飞行计划数据进行分析，确定裁切参数的规律性，进而根据规律，确定待预测航班的裁切参数；
[0063]
对得到的历史飞行计划数据进行预处理，按照航线、航路点维度对每一航班进行统计，得到每一航班的航班数据，所述航班数据为表征每一趟航班航线的具体参数；
[0064]
航路规划最终确定的航路都是在起点与终点相连的大圆航线附近范围内，不会偏离特别远，因此可根据航路规划的起始点与结束点来进行优化区域的裁剪。常规的裁剪方法是以起始点、结束点为焦点画椭圆，落在椭圆范围内的航路边保留，落在椭圆外的边则删除。但如何设置出一个合适的椭圆长轴参数是一个难题。
[0065]
本技术通过确定每一航班的航班数据中历史所经航路点与起降机场间的距离之和的最大值作为该航班的目标值，一条航线只保留一行数据，即作为航班规划时裁剪的椭圆长轴参数。
[0066]
对于每一航班需要单独确定目标值，通过获取历史飞行计划数据，能够综合历史确定的最优航路，进行模型拟合，将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，使用多元线性回归方法学习航班数据与目标值的关系，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型。
[0067]
将待预测航班的航班数据输入到所述航路参数裁剪模型中，得到模型输出为航路点与起降机场间的距离之和，将其作为所述待预测航班的裁剪参数，进行路网裁剪。避免裁剪参数设置的过大，路网裁剪程度不够，导致增加计算的时间成本；避免参数设置过小，导
致最优解的路被裁剪，从而导致错过最优解的情形。
[0068]
在本技术提供的又一实施例中，所述步骤s3具体包括：
[0069]
所述将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型，具体包括：
[0070]
将每一航路的目标值以及对应的航班数据中的影响因素输入到所述多元线性回归模型中进行学习，拟合所述多元线性回归模型的学习参数；
[0071]
当拟合后的得到的多元线性回归模型的相关系数不小于第一预设值时，将拟合后的学习参数作为所述拟合参数代入所述多元线性回归模型，得到所述航路参数裁剪模型。
[0072]
在本实施例具体实施时，在进行模型拟合时，通过每一航路的目标值以及对应的航班数据中的影响因素输入到所述多元线性回归模型中进行学习，采用若干历史数据进行学习，拟合所述多元线性回归模型的学习参数，通过增加数据量，调整学习参数，得到的模型与输入的数据更加接近；
[0073]
当拟合后的得到的多元线性回归模型的相关系数不小于第一预设值时，即模型计算的相关系数r2不小于0.995时，表明此时模型的参数对目标值的解释能力很强，这个模型对数据拟合的较好。通过多元线性回归模型的学习参数的预测的目标值与实际值的平均绝对误差较小，此时将拟合后的学习参数作为所述拟合参数代入所述多元线性回归模型，得到所述航路参数裁剪模型。
[0074]
需要说明的是，在本实施例中以第一预设值为0.995为例说明本实施例具体实施时多元线性回归模型的相关系数的判定方法，在其他实施例中第一预设值可采用其他数值。
[0075]
通过相关系数对多元线性回归模型效果进行表征，提高模型拟合效率，提高目标值计算精度。
[0076]
在本技术提供的又一实施例中，在对获取的历史飞行计划数据按照航线维度进行统计之前，所述方法还包括：
[0077]
对所述历史飞行计划数据中的航班进行清洗，剔除起飞机场与落地机场相同的航班。
[0078]
在本实施例具体实施时，在获取历史飞行计划数据后，需要对数据进行清洗，剔除起飞机场与落地机场相同的航班，减少初始的历史飞行计划数据中的冗余数据，减少后续计算工作量，提高裁剪参数的准确性。
[0079]
在本技术提供的又一实施例中，所述历史飞行计划数据中每一航班的航班数据包括航线距离、历史航班量、历史所经航路点与起飞机场之间的距离、历史所经航路点与降落机场之间的距离、起降机场经纬度、历史所经航路点与起降机场之间的距离之和，以及航路点的出现次数。
[0080]
在本实施例具体实施时，对历史飞行计划数据进行处理，按照航线、航路点维度统计数据，计算航线距离、起降机场经纬度、历史航班量、历史所经航路点与起飞机场间的距离、历史所经航路点与落地机场间的距离、航路点的出现次数；并计算历史所经航路点与起飞机场间的距离与历史所经航路点与落地机场间的距离之和得到历史所经航路点与起降机场之间的距离之和；
[0081]
历史所经航路点与起降机场之间的距离之和的最大值将作为该航班的目标值进
行路网裁剪；其他数据可作为该航班目标值的影响因素。
[0082]
通过对历史飞行计划数据统计，确定每一航线的相关数据，作为拟合数据输入到多元线性回归模型中，提高模型精度。
[0083]
在本发明提供的又一实施例中，在对获取的历史飞行计划数据按照航线维度进行统计之后，所述方法还包括：
[0084]
对每一航班的航班数据进行清洗，剔除历史航班量小于第二预设值的航班，剔除航班中航路点出现次数小于第三预设值的航路点；
[0085]
通过四分法剔除航线中与起降机场之间距离异常的航路点。
[0086]
在本实施例具体实施时，在对获取的历史飞行计划数据按照航线维度进行统计之后，对航班数据进行清洗，剔除历史航班量小于第二预设值的航班、航路点出现次数小于第三预设值的航路点。
[0087]
通过四分法剔除航线中与起降机场之间距离异常的航路点，某一固定航班的航线的航路点与起降机场之间的距离因维持在一定范围内，在起飞机场与降落机场相连的大圆航线附近范围内，不会偏离特别远，因此当航线中与起降机场之间距离与起降机场之间距离的比值超过预设值时，则认定这一航路点异常，剔除异常航路点。
[0088]
通过对航路点数据进行清洗，避免由于历史航班中由于误差或其他原因导致航线并非最优值的情况对模型拟合的影响，提高模型的准确率。
[0089]
在本发明提供的又一实施例中，所述通过四分法剔除航线中与起降机场间距离异常的航路点具体包括：
[0090]
计算每一航路的航线中历史所经航路点与起降机场间的距离之和与起降机场之间距离的相对比值；
[0091]
将所有航班计算得到的相对比值进行排序，并确定所有相对比值中的第一四分位数q1和第三四分位数q3，并计算第三四分位数q3与第一四分位数q1的差距，即四分位距iqr；
[0092]
将相对比值不处于正常区间[q1－ηiqr，q3+ηiqr]的航路点剔除；
[0093]
其中，η为预设的系数。
[0094]
在本实施例具体实施时，四分位法具体使用时，需要把所有数值由小到大排列并分成四等份，处于三个分割点位置的得分就是四分位数，从小到大依次为第一四分位数、第二四分位数和第三四分位数；第一四分位数又称较小四分位数，为样本数据中所有数值由小到大排列后处于25％位置的数字；第二四分位数又称中位数，为样本数据中所有数值由小到大排列后处于50％位置的数字；第三四分位数又称较大四分位数，为样本数据中所有数值由小到大排列后处于75％位置的数字。
[0095]
第三四分位数与第一四分位数的差距又称四分位距，其间包含了全部样本值的一半数量。利用此四分位距对可对异常值进行检测；
[0096]
在本实施例具体实施时，计算每一航路的航线中历史所经航路点与起降机场间的距离之和与起降机场之间距离的相对比值，将计算的所有相比比值作为样本数据；
[0097]
将得到的样本数据按照从小到大进行排序，确定样本数据中的第一四分位数q1和第三四分位数q3，并计算第三四分位数q3与第一四分位数q1的差距，即四分位距iqr；
[0098]
根据第三四分位数q3、第一四分位数q1和四分位距iqr确定正常区间[q1－ηiqr，q3+ηiqr]，处于正常区间内的相比比值正常，处于正常区间外的相对比值异常，η为预设的系
数，一般采用1.5；
[0099]
将处于(0，q1－ηiqr)和(q3+ηiqr，+∞)内的相比对比作为异常值，将异常值对应的航路点剔除。
[0100]
通过四分法剔除异常的航路点，避免由于历史航班中由于误差或其他原因导致航线并非最优值的情况对模型拟合的影响，提高模型的准确率。
[0101]
在本发明提供的又一实施例中，所述多元线性回归模型为h
θ
(x)＝θ0+θ1x1+θ2x2+
…
θnxn；
[0102]
其中，h
θ
(x)为每一航路的目标值；x1～xn为每一航路的影响因素，包括航班的起降机场经纬度，航线距离与历史所经航路；θ0～θn为所述多元线性回归模型的学习参数；n为影响因素的数量，n为正整数。
[0103]
在本实施例具体实施时，所述多元线性回归模型为h
θ
(x)＝θ0+θ1x1+θ2x2+
…
θnxn；
[0104]hθ
(x)为每一航路的目标值，作为路网裁剪的裁切参数；x1～xn为每一航路的影响因素，包括航班的起降机场经纬度，航线距离与历史所经航路；使用多元线性回归方法学习航线起降机场经纬度，航线距离与历史所经航路点与起降机场间的距离之和的最大值之间的关系，通过历史数据进行拟合，修正多元线性回归模型的学习参数θ0～θn，提高模型拟合效果，达到预期效果后，输出对应模型，作为航路参数裁剪模型，进行裁剪参数计算。
[0105]
在本发明提供的又一实施例中，参见图2，是本发明另一实施例提供的一种航路规划裁剪参数获取方法的流程示意图；
[0106]
所述方法包括获取历史飞行计划数据；
[0107]
进行数据预处理，按照航线、航路点维度统计数据，确定航线距离，起降机场经纬度，历史航班量，历史所经航路点与起降机场间的距离之和，航路点的出现次数；
[0108]
将预处理后的数据进行数据清洗，剔除历史航班量过少的航班、航路点出现次数过少的航路点，以及距离明显差异太大的航路点数据，提高模型拟合精度。
[0109]
进行数据统计分析，将统计的航班数据输入到线性回归方程中进行拟合，航班数据包括航线距离、航路点与起降机场间的距离之和和起降机场经纬度；
[0110]
具体地：将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型，确定航路参数裁剪模型；
[0111]
根据航路参数裁剪模型计算航空路网裁剪参数。
[0112]
采用本技术计算得到的裁剪参数进行路网裁剪能够大大提高航路规划时间，减小计算规模，参见表1；
[0113]
表1航路规划计算规模对比
[0114][0115]
通过表1可以看出，应用本技术方案进行路网裁切得到的新参数与现有技术的旧方案计算的旧参数相比，计算规模平均减少34％，计算时间平均节省20％，其中，计算时间为0表示不足一秒。
[0116]
本技术方案在计算规模和航路规划时间均有一定提升，解决传统根据经验拍脑袋设置裁剪参数的局限性，最大程度的对航空路网进行裁剪，缩小数据处理规模，使航路规划过程计算更快，结果更优。
[0117]
本发明又一实施例提供一种航路规划裁剪参数获取装置，参见图3，是本发明实施例提供的一种航路规划裁剪参数获取装置的结构示意图，所述装置包括：
[0118]
数据统计模块，用于对获取的历史飞行计划数据按照航线维度进行统计，得到每一航班的航班数据；
[0119]
目标值确定模块，用于确定每一航班的航班数据中历史所经航路点与起降机场间的距离之和的最大值作为该航班的目标值；
[0120]
模型拟合模块，用于将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型；
[0121]
参数计算模块，用于将待预测航班的航班数据输入到所述航路参数裁剪模型中，得到对应的目标值，作为所述待预测航班的裁剪参数。
[0122]
本实施例提供的航路规划裁剪参数获取装置，能够执行上述任一实施例提供的航路规划裁剪参数获取方法的所有步骤与功能，在此对该装置的具体功能不作赘述。
[0123]
参见图4，是本发明实施例提供的一种终端设备的结构示意图。所述终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如一种航路规划裁剪参数获取程序。所述处理器执行所述计算机程序时实现上述各个一种航路规划裁剪参数获取方法实施例中的步骤，例如图1所示的步骤s1～s4。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
[0124]
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述一种终端设备中的执行过程。例如，所述计算机程序可以被分割成若干模块，各模块具体功能在上述任一实施例提供的一种航路规划裁剪参数获取方法中已作详细说明，在此对该装置的具体功能不作赘述。
[0125]
所述一种终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是一种终端设备的示例，并不构成对一种终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0126]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种终端设备的控制中心，利用各种接口和线路连接整个一种终端设备的各个部分。
[0127]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种航路规划裁剪参数获取装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0128]
其中，所述一种终端设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0129]
应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种航路规划裁剪参数获取方法，其特征在于，所述方法包括：对获取的历史飞行计划数据按照航线维度进行统计，得到每一航班的航班数据；确定每一航班的航班数据中历史所经航路点与起降机场间的距离之和的最大值作为该航班的目标值；将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型；将待预测航班的航班数据输入到所述航路参数裁剪模型中，得到对应的目标值，作为所述待预测航班的裁剪参数。2.根据权利要求1所述的航路规划裁剪参数获取方法，其特征在于，所述将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型，具体包括：将每一航路的目标值以及对应的航班数据中的影响因素输入到所述多元线性回归模型中进行学习，拟合所述多元线性回归模型的学习参数；当拟合后的得到的多元线性回归模型的相关系数不小于第一预设值时，将拟合后的学习参数作为所述拟合参数代入所述多元线性回归模型，得到所述航路参数裁剪模型。3.根据权利要求1所述的航路规划裁剪参数获取方法，其特征在于，在对获取的历史飞行计划数据按照航线维度进行统计之前，所述方法还包括：对所述历史飞行计划数据中的航班进行清洗，剔除起飞机场与落地机场相同的航班。4.根据权利要求1所述的航路规划裁剪参数获取方法，其特征在于，所述历史飞行计划数据中每一航班的航班数据包括航线距离、历史航班量、历史所经航路点与起飞机场之间的距离、历史所经航路点与降落机场之间的距离、起降机场经纬度、历史所经航路点与起降机场之间的距离之和，以及航路点的出现次数。5.根据权利要求1所述的航路规划裁剪参数获取方法，其特征在于，在对获取的历史飞行计划数据按照航线维度进行统计之后，所述方法还包括：对每一航班的航班数据进行清洗，剔除历史航班量小于第二预设值的航班，剔除航班中航路点出现次数小于第三预设值的航路点；通过四分法剔除航线中与起降机场之间距离异常的航路点。6.根据权利要求5所述的航路规划裁剪参数获取方法，其特征在于，所述通过四分法剔除航线中与起降机场间距离异常的航路点具体包括：计算每一航路的航线中历史所经航路点与起降机场间的距离之和与起降机场之间距离的相对比值；将所有航班计算得到的相对比值进行排序，并确定所有相对比值中的第一四分位数q1和第三四分位数q3，并计算第三四分位数q3与第一四分位数q1的差距，即四分位距iqr；将相对比值不处于正常区间[q1－ηiqr，q3+ηiqr]的航路点剔除；其中，η为预设的系数。7.根据权利要求1所述的航路规划裁剪参数获取方法，其特征在于，所述多元线性回归模型为h
θ
(x)＝0+1x1+2x2+
…
θ
n
x
n
；其中，h
θ
(x)为每一航路的目标值；x1～x
n
为每一航路的影响因素，包括航班的起降机场经纬度，航线距离与历史所经航路；θ0～θ
n
为所述多元线性回归模型的学习参数；n为影响因
素的数量，n为正整数。8.一种航路规划裁剪参数获取装置，其特征在于，所述装置包括：数据统计模块，用于对获取的历史飞行计划数据按照航线维度进行统计，得到每一航班的航班数据；目标值确定模块，用于确定每一航班的航班数据中历史所经航路点与起降机场间的距离之和的最大值作为该航班的目标值；模型拟合模块，用于将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型；参数计算模块，用于将待预测航班的航班数据输入到所述航路参数裁剪模型中，得到对应的目标值，作为所述待预测航班的裁剪参数。9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的航路规划裁剪参数获取方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的航路规划裁剪参数获取方法。

技术总结
本发明公开了一种航路规划裁剪参数获取方法、装置、设备及存储介质，通过对获取的历史飞行计划数据按照航线维度进行统计，得到每一航班的航班数据；确定每一航班的航班数据中历史所经航路点与起降机场间的距离之和的最大值作为该航班的目标值；将每一航班的目标值和对应的航班数据输入到多元线性回归模型中进行拟合，确定所述多元线性回归模型的拟合参数，得到航路参数裁剪模型；将待预测航班的航班数据输入到所述航路参数裁剪模型中，得到对应的目标值，作为所述待预测航班的裁剪参数。提供一种合理的航路规模裁切参数，提高航路规划的效率和精度。划的效率和精度。划的效率和精度。


技术研发人员：张苗苗 伍翔 许南 曾立舜 黄旭 常先英
受保护的技术使用者：中国南方航空股份有限公司
技术研发日：2023.02.01
技术公布日：2023/5/16