飞机脱离跑道后，从安全、节能上考虑需要尽快到达巡航高度，接下来我们尝试通过QAR数据分析出影响达到巡航高度的影响因素及相关性，通过初始爬升阶段来回归预测飞行高度。
初始爬升阶段影响飞行高度的因素，可能包括发动机转速、俯仰姿态、风速等，通过“过滤”算子和“散点图”算子构建出这几个因素和高度的可视化。
以下是各因素与高度的可视化呈现，通过观察，容易发现逆风、顺风和高度没有相关性。
发动机转速和俯仰姿态在初始爬升阶段与高度的相关性较高，接下来构建回归模型数据建模工具，训练发动机转速、俯仰姿态二大特征与高度的关系。
如图拖入“GBDT梯度提升决策树”算子，并配置好特征和目标后，执行任务。
任务执行完成后，即完成了针对当下数据的回归训练，我们在这里保存模型数据建模工具，并封装成API。
保存的模型，可以在模型管理中看到详细说明，如下所示：
同样模型封装成API后，也可以在API管理中进行管理，如下所示：
通用接口文档左侧是接口调用说明，右侧可以在线进行测试，为开发者在对接API时提供了便捷，大大节省了开发时间。
通过应用也能在数据挖掘工具箱上实现模型预测，选择我们要预测的数据，点击应用，便可完成预测，预测结果支持查看和下载。
接下来，我们继续使用先知建模工具进行QAR数据的分析和挖掘。
下期简介>>>>
下一期，我们将继续推出《基于“先知”建模工具实现QAR数据分析（四）》
关于我们>>>>
原名“航旅IT圈”，成立于2015年。由航空旅游行业数智化领域资深人士创办，专注研究航旅业的数字化解决方案、培养航旅业数字化人才，致力成为航旅企业与数字化服务企业的专业桥梁，成为航旅数智专业人才的摇篮。
专家观点 前沿资讯 解决方案
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，请联系我们进行处理。
