【技术实现步骤摘要】
一种基于Skip-LSTM网络的机场群延误预测方法
本专利技术属于大数据以及深度学习
，尤其是涉及一种基于Skip-LSTM网络的机场群延误预测方法。
技术介绍
随着航空运输业的发展，国内外形成了诸多机场群。例如国内的京津冀机场群，长三角机场群，国外的纽约机场群，巴黎机场群等。但是同国外机场群相比，国内机场群存在着延误情况严重，资源分配不均衡，发展不平衡的问题，给机场群的健康发展带来严峻的挑战。机场群的延误预测算法，可以预测机场群在未来某段时间的延误状况，为机场群工作人员的排班提供参考，从而促进机场群地区的协调发展。近年来机场群一直是研究热点，国内外的学者已经对机场群展开了一定的研究。文献“张莉,高超,胡华清.我国三大机场群与城市群协调发展比较与建议[J].综合运输,2015(9)：4-10.ZhangL,GaoC,HuHQ.ComparisonandSuggestionsontheCoordinatedDevelopmentofThreeBiggestAirportGroupsandCityGroupsofC...
【技术保护点】
1.一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：包括如下步骤：/n数据预处理：将两个机场群的数据集进行对比，并分别对数据进行均衡处理，数据均衡处理后，对数据进行融合、特征选择和数据编码；/n特征提取：将数据预处理中得到的数据编码输入到Skip-LSTM网络，提取数据在时间维度上的依赖关系，得到最终的特征矩阵；/n分类预测：将特征提取中得到的最终特征矩阵，输入到全连接层转换为一维矩阵，并利用softmax分类器对一维特征矩阵进行分类，得到机场延误预测的结果。/n
【技术特征摘要】
1.一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：包括如下步骤：
数据预处理：将两个机场群的数据集进行对比，并分别对数据进行均衡处理，数据均衡处理后，对数据进行融合、特征选择和数据编码；
特征提取：将数据预处理中得到的数据编码输入到Skip-LSTM网络，提取数据在时间维度上的依赖关系，得到最终的特征矩阵；
分类预测：将特征提取中得到的最终特征矩阵，输入到全连接层转换为一维矩阵，并利用softmax分类器对一维特征矩阵进行分类，得到机场延误预测的结果。
2.根据权利要求1所述的一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：数据预处理中两个机场群的数据集主要包括：
机场数据定义为DA：包括日期，时间，机场名称；
航班数据定义为DF：包括执行日期，时间，航班号，二次雷达编号，计起时间，计达时间，计划起站，计划达站，计划机型，计划机号，巡航速度，巡航高度，保障种类，任务类型，保障等级，执行状态，全国SARB，军方批号。
3.根据权利要求1所述的一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：所述数据预处理的具体方法为：
数据均衡处理：增加数据集，使得数据均衡；
特征选择：根据天气数据集，删除重复和干扰的特征；
数据融合：提取机场群中所有的起降航班数据和天气数据，选择航班的计划起飞或降落时间为关联主键1，选择观测站的观测时间为关联主键2，融合具有相同键值的数据，保证机场群的航班数据和相同时间的天气数据进行融合；
数据编码：将融合后的数据特征分为离散型特征和连续型特征，对离散型特征进行了平数据编码，对连续性特征进行min-max编码。
4.根据权利要求1所述的一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：所述特征提取中Skip-LSTM前向传播过程为：
ft＝σ(wfht-1+ufxt+bf)(1)
it＝σ(wiht-1+uixt+bi)(2)
at＝tanh(waht-1+uaxt+ba)(3)
ct＝ct-1⊙ft+it⊙at(4)
yt＝σ(woht-1+uoxt+bo)(5)
ht＝ut·S(ht-1,xt)+(1-ut)·ht-1(7)
其中xt是t时刻的输入，ft是t时刻遗忘门的输出，it和at是t时刻输入门的输出，ct是t时刻的细胞状态，yt是t时刻输出门的输出，是t时刻Skip门的输出，ht是t时刻的隐藏状态，σ和tanh为神经元内的激活函数，fbinarize将输入值二值化的函数；⊙为Hadamard积；wf是t-1时刻遗忘门的权重矩阵；ht-1是t-1时刻的隐藏状态；uf是t时刻遗忘门的权重矩阵；bf是遗忘门的偏置；wi是t-1时刻输...
【专利技术属性】
技术研发人员：屈景怡，渠星，刘芳，张雄威，
申请(专利权)人：中国民航大学，中国民用航空华北地区空中交通管理局，
类型：发明
国别省市：天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。