基于机器学习模型的机场信息更新
文献发布时间:2024-04-18 19:58:30
技术领域
本主题公开总体上涉及更新机场信息。
背景技术
机场发布可发行以提供关于各种机场的更新。作为非限制性示例,机场发布可发行以指示特定机场的布局、与特定机场关联的登机口信息、与特定机场关联的航站楼信息、与特定机场关联的跑道信息等。通常,机场发布会非常庞大并且会包括大量细节,这对于用户而言将花费大量时间来筛选。因此,用户可能无法容易地识别出一个机场发布与该机场发布的前一期之间的变化。例如,如果最近一期机场发布指示跑道状态变化(例如,启用到未启用),则访问发布的用户可能无法容易地识别出此信息。例如,用户或用户团队可能必须逐行、逐表、逐图等地解析和比较两个版本的机场发布,以检测版本之间发生的所有变化,这是费力且耗时的过程。
发明内容
在特定实现方式中,一种装置包括存储器和联接到存储器的一个或更多个处理器。一个或更多个处理器被配置为接收包括与一个或更多个机场关联的信息的数据源。一个或更多个处理器还被配置为使用第一机器学习模型确定数据源的特定分类以及与数据源关联的调度信息。一个或更多个处理器还被配置为使用第二机器学习模型向特定机场分配数据源中的特定信息。特定机场与特定数据库关联,并且特定信息被安排描述特定机场的特征。一个或更多个处理器还被配置为使用第三机器学习模型基于特定信息生成更新的数据集。更新的数据集具有与特定数据库中的当前数据集类似的格式,当前数据集指示特定机场的特征,并且第三机器学习模型基于特定分类来选择。一个或更多个处理器还被配置为响应于用户验证基于调度信息利用更新的数据集来更新特定数据库中的当前数据集。
在另一特定实现方式中,一种方法包括:在一个或更多个处理器处接收包括与一个或更多个机场关联的信息的数据源。该方法还包括:使用第一机器学习模型确定数据源的特定分类和与数据源关联的调度信息。该方法还包括:使用第二机器学习模型向特定机场分配数据源中的特定信息。特定机场与特定数据库关联,并且特定信息被安排描述特定机场的特征。该方法还包括:使用第三机器学习模型基于特定信息生成更新的数据集。更新的数据集具有与特定数据库中的当前数据集类似的格式,当前数据集指示特定机场的特征,并且第三机器学习模型基于特定分类来选择。该方法还包括:响应于用户验证基于调度信息利用更新的数据集来更新特定数据库中的当前数据集。
在另一特定实现方式中,一种非暂时性计算机可读介质包括指令,这些指令在由一个或更多个处理器执行时使得一个或更多个处理器接收包括与一个或更多个机场关联的信息的数据源。这些指令在由一个或更多个处理器执行时还使得一个或更多个处理器使用第一机器学习模型确定数据源的特定分类和与数据源关联的调度信息。这些指令在由一个或更多个处理器执行时还使得一个或更多个处理器使用第二机器学习模型向特定机场分配数据源中的特定信息。特定机场与特定数据库关联,并且特定信息被安排描述特定机场的特征。这些指令在由一个或更多个处理器执行时还使得一个或更多个处理器使用第三机器学习模型基于特定信息生成更新的数据集。更新的数据集具有与特定数据库中的当前数据集类似的格式,当前数据集指示特定机场的特征,并且第三机器学习模型基于特定分类来选择。这些指令在由一个或更多个处理器执行时还使得一个或更多个处理器响应于用户验证基于调度信息利用更新的数据集来更新特定数据库中的当前数据集。
本文所描述的特征、功能和优点可在各种实现方式中独立地实现,或者可在其它实现方式中被组合,其进一步细节可参考以下描述和附图找到。
附图说明
图1是示出使用自然语言处理和机器学习模型来更新机场信息的系统的图。
图2是示出用于使用机器学习模型来更新机场信息的基于自然语言处理来生成元数据的系统的图。
图3是使用自然语言处理和机器学习模型来更新机场信息的示例的流程图。
图4是使用自然语言处理和机器学习模型来更新机场信息的方法的示例的流程图。
图5是包括被配置为支持根据本主题公开的计算机实现的方法和计算机可执行程序指令(或代码)的各方面的计算装置的计算环境的框图。
具体实施方式
本文所公开的各方面呈现了使用自然语言处理和机器学习模型来更新机场信息的示例系统和方法。作为例示,一种装置可从空中导航服务提供商(ANSP)接收数据源。根据一些实现方式,数据源可对应于飞行通告(NOTAM)或航空信息发布(AIP)。具体地,数据源可描述机场的变化(例如,布局变化、施工变化等),这将有益于飞行员或空中交通管制员认识。代替用户通读数据源以识别与前一版本的数据源的变化,该装置可使用自然语言处理和机器学习模型来识别数据源与前一版本的数据源之间的变化。例如,该装置可从数据源识别相关信息,例如受影响的机场、受影响的机场的变化、指示该变化将何时生效的调度信息等。基于所识别的信息,该装置可向用户呈现指示数据源与前一版本的数据源之间的变化的数据以供验证。响应于接收到用户验证,该装置可基于调度信息来更新与机场关联的数据库以指示该变化。例如,在变化的生效日期,该装置可更新数据库以指示变化。结果,在变化的生效日期,飞行员或空中交通管制员可访问数据库以访问关于机场的准确信息。
附图和以下描述示出具体示例性实现方式。将理解,本领域技术人员将能够设计出各种布置,这些布置尽管本文中未明确描述或示出,具体实现了本文所描述的原理并且包括在随附权利要求的范围内。此外,本文所描述的任何示例旨在帮助理解本公开的原理,并且应被解释为并非限制。结果,本公开不限于下面描述的具体实现方式或示例,而是由权利要求及其等同物限定。
本文中参照附图来描述特定实现方式。在该描述中,贯穿附图,共同的特征由共同的标号指代。在一些附图中,使用特定类型的特征的多个实例。尽管这些特征物理上和/或逻辑上是不同的,但各自使用相同的标号,并且通过向标号添加字母来区分不同的实例。当本文中提及作为一组或一种的特征时(例如,当没有引用特定一个特征时),在没有区分字母的情况下使用标号。然而,当本文中提及相同类型的多个特征中的一个特定特征时,标号与区分字母一起使用。例如,参照图1,示出多个数据库并且与标号118A、118B、118C等关联。当提及特定数据库,例如数据库118A时,使用区分字母“A”。然而,当提及任何任意数据库或作为一组的数据库时,使用标号118而没有区分字母。
如本文所使用的,使用各种术语仅是为了描述特定实现方式,而非旨在限制。例如,除非上下文清楚地另外指示,否则单数形式旨在也包括复数形式。此外,本文所描述的一些特征在一些实现方式中为单数,在其它实现方式中为复数。作为例示,图1描绘了具有一个或更多个处理器(图1中的“处理器”110)的自动化信息更新系统102,其在一些实现方式中指示自动化信息更新系统102包括单个处理器110,在其它实现方式中指示自动化信息更新系统102包括多个处理器110。本文中为了便于引用,这些特征通常作为“一个或更多个”特征介绍,并且除非描述的是与多个特征有关的方面,否则随后以单数提及。
术语“包括”可与“包含”互换使用。另外,术语“其中”可与术语“其中”互换使用。如本文所使用的,“示例性”指示示例、实现方式和/或方面,不应被解释为限制或指示偏好或优选实现方式。如本文所使用的,用于修饰诸如结构、组件、操作等的元素的序数术语(例如,“第一”、“第二”、“第三”等)本身不指示元素相对于另一元素的任何优先级或次序,而是仅将元素与具有相同名称(但使用序数术语)的另一元素相区分。如本文所使用的,术语“集合”是指一个或更多个元素的分组,术语“多个”是指多个元素。
如本文所使用的,除非上下文另外指示,否则“生成”、“计算”、“使用”、“选择”、“访问”和“确定”可互换。例如,“生成”、“计算”或“确定”参数(或信号)可指主动地生成、计算或确定参数(或信号),或者可指使用、选择或访问诸如另一组件或装置已经生成的参数(或信号)。如本文所使用的,“联接”可包括“通信联接”、“电联接”或“物理联接”,并且还(或另选地)可包括其任何组合。两个装置(或组件)可直接或经由一个或更多个其它装置、组件、引线、总线、网络(例如,有线网络、无线网络或其组合)等间接联接(例如,通信联接、电联接或物理联接)。电联接的两个装置(或组件)可包括在同一装置中或不同装置中,并且作为例示性非限制性示例,可经由电子设备、一个或更多个连接器或电感耦合连接。在一些实现方式中,通信联接(例如,电通信)的两个装置(或组件)可直接或诸如经由一个或更多个引线、总线、网络等间接发送和接收电信号(数字信号或模拟信号)。如本文所使用的,“直接联接”用于描述在没有中间组件的情况下联接(例如,通信联接、电联接或物理联接)的两个装置。
图1描绘了示出使用自然语言处理和机器学习模型来更新机场信息的系统100的图。系统100包括自动化信息更新系统102、空中导航服务提供商104和网络108。空中导航服务提供商104可经由网络108向自动化信息更新系统102传送数据。例如,如图1所示,空中导航服务提供商104可经由网络108向自动化信息更新系统102发送数据源106。网络108可包括一个或更多个无线网络、一个或更多个有线网络或其组合。
自动化信息更新系统102可对应于可向用户装置190(例如,飞行员、空中交通管制员、机场人员等可访问的装置)发送信息的任何系统或服务器。自动化信息更新系统102可被配置为生成和显示各种机场信息,例如机场布局、机场跑道信息、机场登机口信息、航站楼信息等。具体地,自动化信息更新系统102可生成将对飞行员、空中交通管制员等有益的任何机场信息。该信息可经由网络108发送到用户装置190并且显示在用户装置190的显示屏192上。
自动化信息更新系统102包括一个或更多个处理器110、联接到一个或更多个处理器110的存储器112、联接到一个或更多个处理器110的输入装置114、联接到一个或更多个处理器110的显示装置116以及一个或更多个处理器110可访问的多个数据库118。如下所述,各个数据库118A-118E可存储与不同机场关联的信息。例如,数据库118A可存储与第一机场关联的信息,数据库118B可存储与第二机场关联的信息,等等。存储器112可对应于非暂时性计算机可读介质,其包括可由一个或更多个处理器110执行以执行本文所描述的操作的指令113。如下所述,一个或更多个处理器110(或其中的组件)可被配置为使用自然语言处理和机器学习模型以基于数据源106中接收的信息来更新存储在一个或更多个数据库118中的机场信息。
如上所述,自动化信息更新系统102可经由网络108从空中导航服务提供商104接收数据源106。数据源106可包括与一个或更多个机场关联的信息。作为非限制性示例,数据源106可包括与第一机场、第二机场、第三机场等关联的信息。根据实现方式,数据源106可对应于根据需要发送以通信即将发生或即时的变化的飞行通告(NOTAM)。例如,数据源106可以是发送给飞行员的间歇通告,其包括关于一个或更多个航空设施(例如,机场)的建立、状况或变化的信息。根据另一实现方式,数据源106可对应于航空信息发布(AIP)。例如,数据源106可对应于定期(例如,每月、双月、半年等)发布,其包括关于一个或更多个航空设施的建立、状况或变化的信息。应该理解,NOTAM和AIP仅是数据源106的示例,不应被解释为限制。在其它实现方式中,数据源106可包括任何机场数据源。
如图1所示,处理器110包括机器学习模型136A、机器学习模型136B和机器学习模型136C。在接收到数据源106时,处理器110可对数据源106应用自然语言处理和机器学习模型136以更新存储在一个或更多个数据库118中的机场信息。处理器110包括图像识别单元130、自然语言处理单元132和多个神经网络134。
图像识别单元130和自然语言处理单元132可操作以解析数据源106中的图像、图表、文本、表和其它信息,以生成计算机可读信息。例如,图像识别单元130可被配置为检测和分析数据源106内的信息以识别信息内的元素(例如,地点、人、对象等),并且自然语言处理单元132可被配置为读取和解释信息。如关于图2更详细描述的,图像识别单元130和自然语言处理单元132可被集成到元数据生成器202中以生成描述数据源106中的信息的元数据250-256。元数据250-256可由神经网络134使用(例如,输入到神经网络134)以执行下述操作。
结合图像识别单元130和自然语言处理单元132所执行的操作,机器学习模型136A可被配置为确定数据源106的分类140。根据确定分类140的一个实现方式,机器学习模型136A可确定数据源106的分类140是否对应于NOTAM或AIP。机器学习模型136A还可被配置为确定与数据源106关联的调度信息142。调度信息142可指示与数据源106关联的特定信息(例如,图2中的信息246)的生效日期。作为非限制性示例,如果与数据源106关联的特定信息246指示机场跑道因施工而关闭,则调度信息142可指示机场跑道关闭(或将关闭)的日期和时间、机场跑道将重新开放的日期和时间等。如图1所示,机器学习模型136A可使用神经网络134A来实现。然而,在其它实现方式中,机器学习模型136A可使用诸如支持向量机、决策树、神经模糊推理系统等的一个或更多个其它类型的机制来实现。
结合图像识别单元130和自然语言处理单元132所执行的操作,机器学习模型136B可被配置为将数据源106中的特定信息246分配给特定机场144。如图1所示,机器学习模型136B可使用神经网络134B来实现。然而,在其它实现方式中,机器学习模型136B可使用一个或更多个支持向量机、决策树、神经模糊推理系统等来实现。为了示出特定信息246的分配,机器学习模型136B可确定与数据源106关联的特定信息246与机场144关联(而非另一机场)。使用上述非限制性示例,与数据源106关联的特定信息246可指示与机场144关联的机场跑道因施工而关闭。
各个数据库118A-118E可对应于机场绘图数据库(AMDB)并且可与不同的机场关联(例如,存储所述不同的机场的数据)。作为非限制性示例,机场144可与数据库118A关联。即,数据库118A存储分别指示机场144的不同特征119A-119C的数据集120A-120C。因此,如果机场144对应于新加坡机场,则数据库118A存储指示新加坡机场的不同特征119A-119C的数据集120A-120C。信息246可描述特征119A-119C中的一个或更多个。作为非限制性场景,特征119A可对应于机场144的机场跑道,特征119B可对应于机场144的机场登机口,特征119C可对应于机场144的航站楼布局。基于上述场景,特定信息246(例如,机场跑道关闭)会影响数据集120A(例如,指示机场跑道特征119A的当前数据集)。处理器110可被配置为响应于向机场144分配数据源106中的特定信息246,检索与目标特征119A关联的当前数据集120A。
尽管图1未示出,其它数据库118B-118E可存储指示其它机场的不同特征的数据集。作为非限制性示例,数据库118B可存储描述第二机场(例如,曼谷机场)的特征的数据集,数据库118C可存储描述第三机场(例如,迪拜机场)的特征的数据集,数据库118D可存储描述第四机场(例如,巴厘岛机场的特征的数据集,数据库118E可存储描述第五机场(例如,马来西亚机场)的特征的数据集。
响应于检索指示特征119A(例如,机场跑道)的当前数据集120A,处理器110可被配置为基于指示机场跑道关闭的特定信息246来生成更新的数据集150。例如,机器学习模型136C可被配置为基于特定信息246来生成更新的数据集150。如图1所示,机器学习模型136C可使用神经网络134C来实现。然而,在其它实现方式中,机器学习模型136C可使用一个或更多个支持向量机、决策树、神经模糊推理系统来实现等。更新的数据集150可具有与数据库118A中的当前数据集120A类似的格式。根据实现方式,机器学习模型136C(或神经网络134C)可基于数据源106的分类140来选择。例如,所选机器学习模型可取决于分类140是否对应于NOTAM或AIP。
处理器110可被配置为比较更新的数据集150与当前数据集120A以识别差异(例如,任何变化)。使用上述关闭的机场跑道示例,更新的数据集150和当前数据集120A之间的差异应该指示机场144的机场跑道(例如,特征119A)关闭。处理器110可生成指示差异的输出并且在显示装置116处显示输出以供用户验证。用户可审查差异并使用输入装置114验证(例如,确认)差异。处理器110可被配置为,基于调度信息142并且响应于用户验证,利用更新的数据集150更新数据库118A中的当前数据集120A。例如,如果调度信息142指示机场跑道将关闭的生效日期,则处理器110可在生效日期更新当前数据集120A。
关于图1描述的技术使得能够使用自然语言处理和机器学习模型136自动检测机场更新。例如,代替用户手动通读数据源106以识别机场144中的特征(例如,机场跑道)的变化,处理器110可自动识别变化并将变化呈现给用户以供验证。在用户验证后,处理器110可更新数据库118以反映变化。结果,通过使用自然语言处理和机器学习模型136识别变化,该技术减少了识别变化所需的时间量(与用户必须解析整个数据源106相比)并且减轻了对用户解析整个数据源106以识别变化的依赖性。
尽管图1中示出三个机器学习模型136,但在其它实现方式中,处理器110可包括附加机器学习模型。作为非限制性示例,在一些实现方式中,处理器110可包括十个机器学习模型。根据其它实现方式,处理器110可少于三个机器学习模型。例如,在一些实现方式中,机器学习模型136A-136C中的两个或更多个的功能可被组合到单个神经网络中。另外,在一些实现方式中,可基于数据源106的分类140选择不同机器学习模型。作为非限制性示例,如果分类140对应于NOTAM,则可选择第一机器学习模型集合,如果分类140对应于AIP,则可选择第二机器学习模型集合。
尽管图1中示出五个数据库118,但在其它实现方式中,自动化信息更新系统102可包括附加(或更少)的数据库。作为非限制性示例,自动化信息更新系统102可包括十个数据库。作为另一非限制性示例,自动化信息更新系统102可包括两个数据库。
尽管处理器110、存储器112、输入装置114、显示装置116和数据库118被示出为包括在自动化信息更新系统102中,但在其它实现方式中,一个或更多个组件可分离并联接到自动化信息更新系统102。作为非限制性示例,输入装置114和显示装置116可被集成到与自动化信息更新系统102交互(例如,经由网络108)的远程用户装置(例如,用户装置190)中。
图2描绘了用于使用机器学习模型更新机场信息的基于自然语言处理来生成元数据的系统200。系统200包括元数据生成器202和多个机器学习模型236。元数据生成器202包括图像识别单元130和自然语言处理单元132。多个机器学习模型236包括机器学习模型136A-136C。
在图2中,数据源106被提供给元数据生成器202。数据源106包括各种类型的信息,描绘为信息240、信息242、信息244和信息246。根据实现方式,信息240可指示数据源106的分类140。例如,信息240可包括指示数据源106是NOTAM还是AIP的文本。根据实现方式,信息242指示数据源106的日期(或生效日期)或循环。根据实现方式,信息244可指示机场144,并且信息246可指示特征119A的更新。根据图1中的上述示例,信息246可指示机场跑道关闭。应该理解,数据源106可包括附加或不同信息,并且可具有不同的格式。例如,数据源106可包括图表、图形、表、文本等。另外,数据源106可包括与多个机场关联的信息。在图2中描绘数据源106仅是为了例示目的,并非旨在解释为限制。
元数据生成器202可被配置为将与信息240-246关联的一个或更多个图形转换为文本元素。作为非限制性示例,数据源106可包括机场144的机场布局图像。机场布局图像可包括指示跑道长度和状态(例如,开放或关闭)的文本,并且指示跑道长度和状态的文本可从机场布局图像提取。图像识别单元130和自然语言处理单元132可检测和分析数据源106中的信息240-246以识别和解释文本,并且元数据生成器202可基于图像识别单元130和自然语言处理单元132的输出识别元数据250-256。例如,元数据生成器202可基于信息240识别元数据250,基于信息242识别元数据252,基于信息244识别元数据254,并且基于信息246识别元数据256。
与指示数据源106的分类140的信息240关联的元数据250可作为输入提供给机器学习模型136A。基于元数据250,机器学习模型136A可确定数据源106的分类140。另外,与指示调度信息142的信息242关联的元数据252也可作为输入提供给机器学习模型136A。基于元数据252,机器学习模型136A可确定调度信息142。与指示机场144的信息244关联的元数据254可作为输入提供给机器学习模型136B。基于元数据254,机器学习模型136B可确定与信息246关联的机场144。与信息246关联的元数据256可作为输入提供给机器学习模型136C。基于元数据256,机器学习模型136C可生成更新的数据集150。
尽管作为特定机器学习模型136的输入描述了不同的元数据,但在一些实现方式中,机器学习模型136可接收相似的元数据并且可为指定的操作识别相关元数据。例如,尽管机器学习模型136B被训练以识别机场144,但在一些实现方式中,机器学习模型136B可接收元数据250-256作为输入,并且将元数据254识别为相关元数据以执行指定的操作(例如,识别机场144)。根据其它实现方式,处理器110可分析元数据250-256以将适当元数据250-256馈送给对应机器学习模型136。
关于图2描述的技术使能能够使用自然语言处理和机器学习模型136自动检测机场更新。结果,通过使用自然语言处理和机器学习模型136来检测机场更新,这些技术减轻了对用户解析整个数据源106以检测机场更新的依赖性。
图3是使用自然语言处理和机器学习模型更新机场信息的示例300的流程图。在例示性实现方式中,关于图3描述的一个或更多个操作可由图1的处理器110执行。
在图3中,数据源106被提供给神经网络134A。基于数据源106,机器学习模型136A可对数据源106进行分类,对数据源106的不同部分进行分类,或者其组合。例如,机器学习模型136A可确定数据源106(或其部分)对应于NOTAM分类140A、AIP文本分类140B、AIP图表分类140C还是另一分类140D。机器学习模型136A还可基于数据源106识别调度信息142(例如,相关航空信息管制(AIRAC)循环)。例如,AIRAC循环可指示数据源106中的不同信息的一个或更多个生效日期。如图3所示,更新的数据集150可基于AIRAC循环(例如,生效日期)来替换当前数据集120A。尽管图3示出数据源106作为机器学习模型136A的输入,但在诸如关于图2描述的其它实现方式中,数据源106可经历图像识别和自然语言处理以生成相关元数据,并且所生成的元数据被提供给神经网络134A。
机器学习模型136B可将一个或更多个分类140A-140D分配给机场144。响应于将一个或更多个分类140A-140D分配给机场,可访问存储指示机场144的特征119A-119C的数据集120A-120C的数据库118A。在一些实现方式中,可访问存储指示机场144的特征的数据集的补充数据库340。数据库118A、340可包括全局数据集320。根据实现方式,全局数据集320是数据集120的超集。可从全局数据集320检索数据集120A。
更新的数据集150可由机器学习模型136C生成,并且可具有与数据库118A中的当前数据集120A类似的格式。处理器110可被配置为比较更新的数据集150与当前数据集120A以识别差异。在图3的示例300中,当前数据集120A中的数据“AAA”改变为更新的数据集150中的数据“ADA”,当前数据集120A中的数据“ABC”改变为更新的数据集150中的数据“ABD”。处理器110可生成指示上述变化的输出以供用户验证。处理器110可被配置为响应于用户验证根据调度信息142利用更新的数据集150更新数据库118A中的当前数据集120A。例如,如果调度信息142指示机场跑道将关闭的生效日期,则处理器110可在生效日期更新当前数据集120A。
关于图3描述的技术使得能够使用自然语言处理和机器学习模型136自动检测机场更新。结果,通过使用自然语言处理和机器学习模型136检测机场更新,这些技术减轻了对用户解析整个数据源106以检测机场更新的依赖性。
参照图4,示出使用自然语言处理和机器学习模型更新机场信息的方法400。在特定方面,方法400的一个或更多个操作由自动化信息更新系统102执行(例如,经由处理器110执行指令113)。
方法400包括:在方框402,在一个或更多个处理器处接收包括与一个或更多个机场关联的信息的数据源。例如,参照图1,处理器110可接收包括与机场144关联的信息的数据源106。根据实现方式,方法400可包括从空中导航服务提供商接收数据源。例如,参照图1,处理器110可从空中导航服务提供商104接收数据源106。
方法400包括:在方框404,使用第一机器学习模型确定数据源的特定分类和与数据源关联的调度信息。例如,参照图1,处理器110可使用机器学习模型136A确定数据源106的分类140和与数据源106关联的调度信息142。根据方法400的实现方式,第一机器学习模型使用第一神经网络来实现。例如,参照图1,机器学习模型136A使用神经网络134A来实现。根据方法400的实现方式,特定分类140对应于飞行通告或航空信息发布。根据方法400的实现方式,调度信息142指示特定信息将描述特定机场144的特征119A的生效日期。
方法400包括:在方框406,使用第二机器学习模型向特定机场分配数据源中的特定信息。特定机场与特定数据库关联,并且特定信息被安排描述特定机场的特征。例如,参照图1,处理器110可使用机器学习模型136B向特定机场144分配数据源106中的特定信息。特定机场144可与数据库119A关联,并且特定信息被安排描述机场144的特征119A(例如,特定信息将描述特征119A截止生效日期)。根据方法400的实现方式,第二机器学习模型使用第二神经网络来实现。例如,参照图1,机器学习模型136B使用神经网络134B来实现。
根据方法400的实现方式,向特定机场分配数据源中的特定信息包括将与特定信息关联的一个或更多个图形转换为文本元素。作为非限制性示例,数据源106可包括机场144的机场布局图像。机场布局图像可包括指示跑道长度和状态(例如,开放或关闭)的文本,并且指示跑道长度和状态的文本可从机场布局图像提取。分配特定信息还可包括识别文本元素中的元数据。响应于确定特定数据库包括与所识别的元数据等同的元数据,可将特定信息分配给特定机场。
方法400包括:在方框408,使用第三机器学习模型基于特定信息生成更新的数据集。更新的数据集具有与特定数据库中的当前数据集类似的格式,当前数据集指示特定机场的特征,并且基于特定分类选择第三机器学习模型。例如,参照图1,处理器110可使用机器学习模型136C基于特定信息生成更新的数据集150。更新的数据集150具有与数据库118A中的当前数据集120A类似的格式,当前数据集120A可指示机场144的特征119A,并且基于分类140选择机器学习模型136C。根据方法400的实现方式,第三机器学习模型使用第三神经网络来实现。例如,参照图1,机器学习模型136C使用神经网络134C来实现。
根据实现方式,方法400包括比较更新的数据集与当前数据集以识别差异。方法400还可包括生成指示差异的输出,并且用户验证可基于该输出。方法400还包括:在方框410,响应于用户验证基于调度信息利用更新的数据集更新特定数据库中的当前数据集。例如,参照图1,处理器110可响应于用户验证基于调度信息142利用更新的数据集150更新数据库118A中的当前数据集120A。
图4的方法400使得能够使用自然语言处理和机器学习模型136自动检测机场更新。例如,代替用户手动通读数据源106以识别机场144中的特征(例如,机场跑道)的变化,处理器110可自动识别变化并将变化呈现给用户以供验证。在用户验证后,处理器110可更新数据库118以反映变化。结果,通过使用自然语言处理和机器学习模型136来识别变化,这些技术减少了识别变化所需的时间量(与用户必须解析整个数据源106相比)并且减轻对用户解析整个数据源106以识别变化的依赖性。
图5是计算环境500的框图,其包括被配置为支持根据本主题公开的计算机实现的方法和计算机可执行程序指令(或代码)的各方面的计算装置510。例如,计算装置510或其部分被配置为执行指令以发起、执行或控制参照图1至图4描述的一个或更多个操作。根据另一实现方式,计算装置510可对应于自动化信息更新系统102。
计算装置510包括一个或更多个处理器520。根据实现方式,一个或更多个处理器520可对应于图1的处理器110。例如,一个或更多个处理器520可包括图像识别单元130、自然语言处理单元132、机器学习模型136A、机器学习模型136B和机器学习模型136C。根据另一实现方式,一个或更多个处理器520可不同于处理器110并且可经由网络与处理器110通信。处理器520被配置为与系统存储器530、一个或更多个存储装置540、一个或更多个输入/输出接口550、一个或更多个通信接口560或其任何组合通信。系统存储器530包括易失性存储器装置(例如,随机存取存储器(RAM)装置)、非易失性存储器装置(例如,只读存储器(ROM)装置、可编程只读存储器和闪存)或这二者。系统存储器530存储操作系统532,其可包括用于引导计算装置510的基本输入/输出系统以及使得计算装置510能够与用户、其它程序和其它装置交互的完整操作系统。根据实现方式,系统存储器530可对应于图1的存储器112。例如,系统存储器530存储系统(程序)数据536,例如指示数据集120的数据。根据另一实现方式,系统存储器530可不同于存储器112,并且系统数据536可经由网络通信。
系统存储器530包括可由处理器520执行的一个或更多个应用534(例如,指令集,例如图1的指令113)。作为示例,一个或更多个应用534包括可由处理器520执行以发起、控制或执行参照图1至图4描述的一个或更多个操作的指令。作为例示,一个或更多个应用534包括可由处理器520执行以发起、控制或执行参照自动化信息更新系统102描述的一个或更多个操作的指令。
在特定实现方式中,系统存储器530包括存储指令的非暂时性计算机可读介质(例如,计算机可读存储装置),这些指令在由处理器520执行时使得处理器520发起、执行或控制自动化信息更新系统102的操作。这些操作包括接收包括与一个或更多个机场(例如,机场144)关联的信息的数据源(例如,数据源106)。这些操作还包括使用第一机器学习模型(例如,机器学习模型136A)确定数据源的特定分类(例如,分类140)和与数据源关联的调度信息(例如,调度信息142)。这些操作还包括使用第二机器学习模型(例如,机器学习模型136B)将数据源中的特定信息分配给特定机场(例如,机场144)。特定机场与特定数据库(例如,数据库118A)关联,并且特定信息被安排描述特定机场的特征(例如,特征119A)。这些操作还包括使用第三机器学习模型(例如,机器学习模型136C)基于特定信息生成更新的数据集(例如,更新的数据集150)。更新的数据集具有与特定数据库中的当前数据集(例如,数据集120A)类似的格式,当前数据集指示特定机场的特征,并且基于特定分类选择第三机器学习模型。这些操作还包括响应于用户验证基于调度信息利用更新的数据集来更新特定数据库中的当前数据集。
一个或更多个存储装置540包括诸如磁盘、光盘或闪存(例如,固态)存储器装置的非易失性存储装置。在特定示例中,存储装置540包括可移除和不可移除存储器装置。存储装置540被配置为存储操作系统、操作系统的图像、应用(例如,一个或更多个应用534)和程序数据(例如,程序数据536)。在特定方面,系统存储器530、存储装置540或二者包括有形计算机可读介质。在特定方面,一个或更多个存储装置540在计算装置510外部。
一个或更多个输入/输出接口550使得计算装置510能够与一个或更多个输入/输出装置570通信以方便用户交互。例如,一个或更多个输入/输出接口550可包括显示接口、输入接口或二者。例如,输入/输出接口550适于从用户接收输入,从另一计算装置接收输入,或其组合。在一些实现方式中,输入/输出接口550符合一个或更多个标准接口协议,包括串行接口(例如,通用串行总线(USB)接口或电气和电子工程师协会(IEEE)接口标准)、并行接口、显示适配器、音频适配器或自定义接口(“IEEE”是新泽西州皮斯卡塔韦的电气和电子工程师协会的注册商标)。在一些实现方式中,输入/输出装置570包括一个或更多个用户接口装置和显示器(例如,图1的输入装置114和显示装置116)。处理器520被配置为经由一个或更多个通信接口560与装置或控制器580(例如,图1的空中导航服务提供商104的发布服务器、用户装置190等)通信。
在一些实现方式中,非暂时性计算机可读介质存储指令,这些指令在由一个或更多个处理器520执行时使得一个或更多个处理器520发起、执行或控制执行上述部分或全部功能的操作。例如,指令可为可执行的,以实现图1至图4的一个或更多个操作或方法。在一些实现方式中,图1至图4的一个或更多个操作或方法的部分或全部可由执行指令的一个或更多个处理器(例如,一个或更多个中央处理单元(CPU)、一个或更多个图形处理单元(GPU)、一个或更多个数字信号处理器(DSP))、由专用硬件电路或其任何组合实现。
本文所描述的示例的例示旨在提供各种实现方式的结构的一般理解。例示并非旨在用作利用本文所描述的结构或方法的设备和系统的所有元件和特征的完整描述。对于本领域技术人员而言在审查本公开时,许多其它实现方式可显而易见。可利用并从本公开推导其它实现方式,使得在不脱离本公开的范围的情况下,可进行结构和逻辑置换和改变。例如,方法操作可按与图中所示不同的顺序执行,或者可省略一个或更多个方法操作。因此,本公开和附图将被视为例示性的而非限制性的。
此外,尽管本文中示出和描述了具体示例,但应该理解,被设计为实现相同或相似结果的任何后续布置可取代所示的具体实现方式。本公开旨在涵盖各种实现方式的任何和所有后续调整或变化。对于本领域技术人员而言,在审查该描述时,上述实现方式和本文中未具体描述的其它实现方式的组合将显而易见。
基于将不用于解释或限制权利要求的范围或含义的认识提交了本公开的摘要。另外,在以上详细描述中,为了精简本公开,各种特征可被分组在一起或在单个实现方式中描述。上述示例例示但非限制本公开。还应该理解,根据本主题公开的原理,可进行众多修改和变化。如随附权利要求所反映的,要求保护的主题可涉及所公开的任何示例的少于所有特征。因此,本公开的范围由随附权利要求及其等同物限定。
此外,本公开包括根据以下示例的实施方式:
示例1
一种装置,包括:存储器;以及联接到存储器的一个或更多个处理器,所述一个或更多个处理器被配置为:接收包括与一个或更多个机场关联的信息的数据源;使用第一机器学习模型确定数据源的特定分类和与数据源关联的调度信息;使用第二机器学习模型将数据源中的特定信息分配给特定机场,特定机场与特定数据库关联,并且特定信息被安排描述特定机场的特征;使用第三机器学习模型基于特定信息来生成更新的数据集,更新的数据集具有与特定数据库中的当前数据集类似的格式,当前数据集指示特定机场的特征,并且基于特定分类选择第三机器学习模型;并且响应于用户验证基于调度信息利用更新的数据集更新特定数据库中的当前数据集。
示例2
根据示例1所述的装置,其中,特定分类对应于飞行通告或航空信息发布(AIP)。
示例3
根据示例1或2所述的装置,其中,调度信息指示特定信息将描述特定机场的特征的生效日期。
示例4
根据示例1至3中的任一项所述的装置,其中,特定数据库对应于机场绘图数据库(AMDB)。
示例5
根据示例1至4中的任一项所述的装置,其中,所述一个或更多个处理器被配置为响应于将数据源中的特定信息分配给特定机场,从特定数据库检索当前数据集。
示例6
根据示例1至5中的任一项所述的装置,其中,从空中导航服务提供商(ANSP)接收数据源。
示例7
根据示例1至6中的任一项所述的装置,其中,为了将数据源中的特定信息分配给特定机场,所述一个或更多个处理器被配置为:将与特定信息关联的一个或更多个图形转换为文本元素;识别文本元素中的元数据;并且响应于确定特定数据库包括与所识别的元数据等同的元数据,将特定信息分配给特定机场。
示例8
根据示例1至7中的任一项所述的装置,其中,所述一个或更多个处理器被配置为:比较更新的数据集与当前数据集以识别差异;并且生成指示所述差异的输出,其中,用户验证基于所述输出。
示例9
根据示例1至8中的任一项所述的装置,其中,特定信息对应于航空信息发布(AIP)图表、AIP文本或这二者。
示例10
根据示例1至9中的任一项所述的装置,其中,第一机器学习模型使用第一神经网络来实现,其中,第二机器学习模型使用第二神经网络来实现,并且其中,第三机器学习模型使用第三神经网络来实现。
示例11
一种方法,包括:在一个或更多个处理器处接收包括与一个或更多个机场关联的信息的数据源;使用第一机器学习模型确定数据源的特定分类和与数据源关联的调度信息;使用第二机器学习模型将数据源中的特定信息分配给特定机场,特定机场与特定数据库关联,并且特定信息被安排描述特定机场的特征;使用第三机器学习模型基于特定信息来生成更新的数据集,更新的数据集具有与特定数据库中的当前数据集类似的格式,当前数据集指示特定机场的特征,并且基于特定分类选择第三机器学习模型;并且响应于用户验证基于调度信息利用更新的数据集更新特定数据库中的当前数据集。
示例12
根据示例11所述的方法,其中,特定分类对应于飞行通告或航空信息发布(AIP)。
示例13
根据示例11或12所述的方法,其中,调度信息指示特定信息将描述特定机场的特征的生效日期。
示例14
根据示例11至13中的任一项所述的方法,其中,特定数据库对应于机场绘图数据库(AMDB)。
示例15
根据示例11至14中的任一项所述的方法,还包括:响应于将数据源中的特定信息分配给特定机场,从特定数据库检索当前数据集。
示例16
根据示例11至15中的任一项所述的方法,其中,从空中导航服务提供商(ANSP)接收数据源。
示例17
根据示例11至16中的任一项所述的方法,其中,将数据源中的特定信息分配给特定机场包括:将与特定信息关联的一个或更多个图形转换为文本元素;识别文本元素中的元数据;以及响应于确定特定数据库包括与所识别的元数据等同的元数据,将特定信息分配给特定机场。
示例18
根据示例11至17中的任一项所述的方法,还包括:比较更新的数据集与当前数据集以识别差异;并且生成指示所述差异的输出,其中,用户验证基于所述输出。
示例19
根据示例11至18中的任一项所述的方法,其中,特定信息对应于航空信息发布(AIP)图表、AIP文本或这二者。
示例20
一种装置,包括:存储器,其被配置为存储指令;以及处理器,其被配置为执行所述指令以执行根据示例11至19中的任一项所述的方法。
示例21
一种计算机可读存储器,包括指令,这些指令在由处理器执行时使得处理器执行根据示例11至19中的任一项所述的方法。
示例22
一种设备,包括用于执行根据示例11至19中的任一项所述的方法的装置。
示例23
一种非暂时性计算机可读介质,包括指令,这些指令在由一个或更多个处理器执行时使得所述一个或更多个处理器:接收包括与一个或更多个机场关联的信息的数据源;使用第一机器学习模型确定数据源的特定分类和与数据源关联的调度信息;使用第二机器学习模型将数据源中的特定信息分配给特定机场,特定机场与特定数据库关联,并且特定信息被安排描述特定机场的特征;使用第三机器学习模型基于特定信息来生成更新的数据集,更新的数据集具有与特定数据库中的当前数据集类似的格式,当前数据集指示特定机场的特征,并且基于特定分类选择第三机器学习模型;并且响应于用户验证基于调度信息利用更新的数据集更新特定数据库中的当前数据集。
- 一种基于NWDAF的机器学习模型更新方法及装置
- 基于机器学习的模型自动更新方法、系统、介质及终端