买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京航空航天大学申请的专利基于可解释相似度的机场场面滑行时间预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119005483B 。

龙图腾网通过国家知识产权局官网在2025-09-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410928836.1，技术领域涉及：G06Q10/063；该发明授权基于可解释相似度的机场场面滑行时间预测方法及系统是由尹嘉男;乔沛然;谢华;胡明华;田文;何雨轩;吴维设计研发完成，并于2024-07-11向国家知识产权局提交的专利申请。

本基于可解释相似度的机场场面滑行时间预测方法及系统在说明书摘要公布了：本发明公开了一种基于可解释相似度的机场场面滑行时间预测方法及系统，方法包括以下步骤：步骤一，收集来自A‑CDM系统的机场场面数据与来自航空气象部门的机场天气数据，并构造候选场景数据库；步骤二，提取与滑行时间相关的特征，并将结果划分为滑行场景静态特征相似度和滑行场景周期特征相似度并分别进行数据构造；步骤三，根据动态可解释相似度计算滑行时间，根据静态特征与周期特征分别计算目标场景与候选相似场景的场景相似度，并进行加权求和的到整合场景相似度，依照所得的场景相似度分别加权所有候选场景的滑行时间线性生成目标场景下的滑行时间预测结果。本发明实现了对于滑行时间的线性生成，提高了模型的预测精度。

本发明授权基于可解释相似度的机场场面滑行时间预测方法及系统在权利要求书中公布了：1.一种基于可解释相似度的机场场面滑行时间预测方法，其特征在于：包括以下步骤： 步骤一，场面原始数据处理，收集来自A-CDM系统的机场场面数据与来自航空气象部门的机场天气数据，将得到的数据进行预处理，得到符合实际运行情况的不存在缺失的完整数据列表，并构造候选场景数据库； 步骤二，建立场面滑行场景特征体系，从航班的机型数据、航班计划数据、场面态势数据、机场环境数据入手，提取与滑行时间相关的特征，并按照数据是否具有周期性质进行分类，将结果划分为滑行场景静态特征相似度和滑行场景周期特征相似度并分别进行数据构造； 步骤三，动态相似度计算与滑行时间预测，根据动态可解释相似度计算滑行时间，根据静态特征与周期特征分别计算目标场景与候选相似场景的场景相似度，并进行加权求和的到整合场景相似度，依照所得的场景相似度分别加权所有候选场景的滑行时间线性生成目标场景下的滑行时间预测结果； 步骤三具体包括： 3.1场景指标分解，对于第n个候选相似场景下的滑行时间Tn，使用目标场景ξ的滑行时间Tξ与第n个候选相似场景和目标场景间的偏差δn表示，因此采用以下方式对候选相似场景离场滑行时间组成进行建模分析： Tn＝Tξ+δn 场面涉及的各种影响因素与不确定性会导致当前场景相较于目标场景下的滑行时间缩短或延长，因此为了方便分析，设在第n个候选场景下的滑行时间偏差服从0均值的正态分布使得其中为在该场景条件下由于其与目标场景间的关键特征差异而产生方差； 3.2设定在一类场景中仅存在两个不同的离场航班运行场景i和j，将滑行时间改写为同样将另一个样本改写为 使用多个均值一致但方差不同的样本进行组合，且分别施加权重尽量降低整体方差，获得较为准确的Tξ取值： 其中，ω为场景相似度，为目标场景滑行时间的估计值，限制相似度之和ωi+ωj＝1； 3.3通过统计学知识得的方差值为 对式中相似度进行求导得： 显然二阶导数取值大于零，所以获得方差值的最小值，其对应相似度取值分别为： 若确定多个场景的对应相似度，则表达方式如下： 其中S为场景集合，包含n个不同场景，因此得到以下结果： 其中所有相似度和为1，即 3.4同时考虑到样本方差取值为最小值，结合最后预测结果，近似认为目标场景的滑行时间为样本的加权和，其表示方式为： 同样相似度和为1，即其中每一个权重ωi即为该场景的可解释相似度； 基于可解释相似度的特点，将处理后的两类数据分别投入到两个神经网络NET1与NET2中，计算过程为： 3.5数据降采样图像化，以1×2的卷积核将数据进行降采样；将简化后的数据展开形成二维张量，其大小与形状和常见图片相近； 3.6类图像卷积，采用基于LeNet的网络框架结构对张量进行卷积池化处理，在两个神经网络的最后接入全连接层得到各自的相似度向量，并进行权重的组合，得到一个n×1的相似度拟合结果，其数量与候选相似场景数量一致，其中损失函数计算方式为： 式中ω为所有目标场景下的候选相似场景相似度集合，ωmn为第m个目标场景下第n个场景的相似度，的的含义为第m个目标场景特征，xn的含义为第n个历史场景特征，α为目标场景集合，β为候选相似场景集合，λ为偏差重要性参数，K为训练过程中所有离场航空器所处的目标运行场景的数量，Txn为第n个候选相似场景的滑行时间，为目标场景下的实际滑行时间；该损失函数由两部分组成，在最小化在训练集上的滑行时间预测误差的同时减少高偏差场景的相似度取值，本过程中的神经网络的实际作用为计算不同场景与目标场景的相似度并用于线性生成目标场景下离场航班的滑行时间； 3.7先验处理，最终为了保证相似度和为1，需要以下条件：基于该限制条件，需要将两个神经网络中输出的相似度进行额外先验处理：首先，需要将输出的所有负相似度映射为0，即在两个神经网络的最后额外接入一个ReLU层，其次，需要对所有权重进行归一化normalized处理，即在两个神经网络的ReLU层后接入一个归一化层；将上述完成处理的相似度进行组合加权输出即可产生目标场景与候选相似场景的整体相似度，计算方式如下： 式中μ为组合相似度分配系数，与分别为第n个样本目标场景下NET1与NET2输出的候选相似场景静态与动态向量相似度； 3.8迭代训练与相似度提取，通过线性生成滑行时间，将预测产生的组合相似度与候选相似场景中的历史滑行时间进行线性加权求和，根据损失函数进行迭代训练降低两者间误差； 3.9根据场景相似度计算结果，将每个候选相似场景下对应的航班的滑行时间进行加权求和并用该结果代表目标场景下的滑行时间结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京航空航天大学，其通讯地址为：213300 江苏省常州市溧阳市滨河东路29号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。