基于Skip-LSTM的机场群延误预测模型

来源 :信号处理 | 被引量 : 0次 | 上传用户:yljin
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对目前机场群发展不平衡,国际枢纽机场的延误率居高不下,航班时刻短缺,资源紧张,而区域枢纽机场却存在资源空闲的问题,提出一种基于跳过门的长短时记忆网络(Skip-LSTM,Skip Long Short Term Memory)的机场群延误预测模型。该模型首先将机场群中各个机场的信息,机场群航班信息以及机场群地区的气象信息进行融合及处理,然后搭建Skip-LSTM网络对融合后的数据信息进行特征提取,最后利用Softmax分类器对机场群的延误状况进行分类预测。Skip-LSTM网络在传统的长短时记忆网络(L
其他文献
通过对冷轧厂单机架开卷机常见故障进行分析,找出故障原因,并采取相应措施,解决了实际生产的问题,节约了生产成本,为设备维护提供了保障,并为今后设备改造提供了参考。
为适应高等职业教育改革,培养实用复合型人才,本文从两个方面阐述了如何在高职英语课堂教学中充分发挥学生的主体作用,运用"参与型"课型的理论对目前的高职英语课堂教学进行
针对焊接机器人实际工况的复杂性,采用ANSYS对焊接机器人关键部件进行有限元分析,并在此基础上设计了应力应变实验对有限元分析结果进行验证。验证结果显示,实验数值与有限元
针对目前车牌识别领域中,雾霾环境下车牌检测准确率低的问题,本文提出一种基于深度学习的抗雾霾车牌检测方法,该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理,然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点,对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改
相干声与环境声的提取有助于实现灵活的空间声重放。不同方法的提取效果需要通过主观测听评估,但是主观测听耗时长、效率低,不利于实时调整算法。客观评价与主观测听相关联,