摘要：现有的噪声预测模型主要采用机器学习的方法预测单一噪声监测点,无法从全局上对噪声的影响范围和大小进行整体评估和预测。为此,提出一种基于航迹间面积的航迹相似性度量方法,结合航迹数据、飞行速度、飞机发动机推力等因素,构建适合机场噪声预测的多噪声影响因素航迹聚类模型。将使用该模型获得的聚类结果导入机场噪声预测模型软件INM(integrated noise model),实验分析结果表明,簇内航迹对机场周围的噪声影响范围和大小相似,能够更好地度量航迹之间的相似性,航迹聚类效果更好。

摘要：对单位时间内通过安检的旅客流量进行预测是机场航站楼实时调控的重要依据,由此提出一种实时安检旅客流量预测方法,采用Wolf方法分析出安检旅客流量时间序列具有混沌特性;采用适用于混沌时间序列预测的遗传算法优化BP神经网络预测方法(GABP)预测安检旅客流量;分别设定时间尺度为2 min、5 min和10 min等,分析不同时间尺度对安检旅客流量预测精度的影响。基于北京首都国际机场T3航站楼实际安检旅客流量数据的实验结果表明,采用GABP神经网络对以2 min为时间尺度的安检旅客流量预测能取得较好的预测精准度。

摘要：针对航班正常性问题,在飞机排班问题基础上,引入正常性约束,建立面向正常性的飞机排班模型,提出一种两阶段启发式算法进行求解。构建符合正常性要求的候选航班链集合,将排班问题转化为候选链对航班计划的集合覆盖问题。通过0-1整数规划求解集合覆盖问题,得到满足正常性约束的最小飞机数量排班方案。松弛正常性约束减小飞机使用数量,满足飞机数量约束。通过迭代搜索寻求正常性与飞机数量平衡的最优排班方案。实验结果表明,该方法可以有效提升航班计划的正常性期望。

摘要：实现了一个汽车牌照识别系统,对所涉及的关键技术给出了算法描述。在牌照垂直定位中,采用了BP神经网络并结合统计特征的算法,提高了牌照定位的准确率,进而提高了整个系统的识别率:对200幅尺寸为648×486的测试图像的识别率为93%。

摘要：针对多跑道机场主要资源调度问题,结合层次Petri网、有色Petri网、时延Petri网和受控Petri网理论,构建一种面向机场主要资源调度的混合Petri网——HCTC_Petri(hierarchical colored timed controlled Petri)网模型。通过设置合理的控制策略、动态调节模型参数,提高运行结果的稳定性。以多个新的航班时刻表为基础,预测机场的资源调度情况。实验结果表明,HCTC_Petri网模型在模拟机场主要资源调度时具有较高的准确性和稳定性,且中转航班进站前的延误总时间和总架次对过站后的延误情况影响较大。

摘要：针对大型枢纽机场面临的航班行李分拣站分配任务越来越繁重、约束条件复杂、优化困难等问题,分析了旅客行李处理流程并给出了机场航班行李分拣站分配问题的形式化描述,提出了面向机场不同业务需求的行李分拣站分配方案性能评价指标。以均衡度最小、偏好匹配度最大和空闲行李分拣站数量最大为优化目标,研究构建了行李分拣站分配问题多目标优化模型,并设计了遗传算法求解该模型。基于北京首都国际机场实际运行数据的仿真验证表明,提出的分配方案在各个评价指标上均有较好表现,相较于机场现行方案,有显著优势,能很好地满足机场实际的运行需求。

摘要：为提升机场、航空公司、空管等部门的协同决策效率,提出构建基于因子分析和多元线性回归的航班撤轮挡时刻预测模型。通过因子分析确定与航班撤轮挡时刻相关的里程碑事件,将其作为自变量,建立多元线性回归模型预测航班撤轮挡时刻。实验结果表明,在误差范围±5min和±10min内,该模型的平均预测准确率分别可达70%和90%以上,高于A-CDM经验方法和基于主成分分析的航班撤轮挡时刻预测算法。

摘要：介绍基于面向服务体系结构的民航综合信息平台,根据民航业务自身特点,利用面向服务的设计思想对综合信息平台的核心业务逻辑进行自上而下的组件设计,并将其封装成平台的核心服务,实现了对下层数据库的操作。实验结果表明,该服务系统是有效的。

摘要：介绍了一个机器翻译辅助开发平台MTDevStudio中的部分关键技术,包括模型定义、句法树操作的实现、语料库规则提取与统计分析、翻译引擎的评测等,重点对基于规则的机器翻译的辅助开发实现进行了介绍。该平台有利于减少机器翻译过程中的大量重复性工作,使研究者致力于自然语言理解的核心理论研究。与其它辅助工具相比,该平台致力于集成机器翻译涉及到的全面工作,用户可以自定义机器翻译模型,可扩展性好,并由机器翻译专家实际参与使用、评价,取得了不错的效果。

摘要：为检测信息系统中日益增加的内部威胁,针对审计日志中角色行为特征进行分析处理,提出一种基于角色异常行为挖掘的内部威胁检测方法。根据序列模式挖掘原理挖掘角色正常行为,使用KMP算法进行模式匹配,判断角色当前行为是否存在异常。实验数据表明,该方法可有效实现对角色正常行为的挖掘和对角色异常行为的检测,减少模式挖掘时间,在异常行为检测精确度上有所提高。