一种基于图挖掘的机场延误原因分析方法技术

本发明专利技术公开了一种基于图挖掘的延误原因分析方法，以图卷积（GCN）为核心以适应时序航空网络中机场之间的关联，以神经网络（LSTM）为信息传递载体，传输时序网络的时间信息，以表征航班延误的动态演化特性，将影响延误的跑道运营情况、多种气象信息作为特征进行输入后，通过特征权重分析得到机场延误的成因。

【技术实现步骤摘要】
一种基于图挖掘的机场延误原因分析方法
本专利技术属于民航延误分析
，尤其涉及一种基于图挖掘的延误原因分析方法。
技术介绍
随着我国经济的发展与经济的进一步全球化，航班的战略作用持续增强对国民经济贡献不断提高，航空运输在综合交通中的比重进一步提升。随着航空业的发展，航班延误频繁发生、严重制约了航空运输业的与效率。航班延误是指航班降落时间比计划降落时间延迟15分钟以上或航班取消的情况。每天在世界各地的机场都存在航班延误现象。航班发生延误会影响机场整体航班调度，给旅客带来了高额时间成本的同时也造成严重资源浪费和巨大经济损失。航班延误的传播始于初始延误，大量研究表明了“天气”对航班初始延误的重要性作用，导致航班初始延误的天气条件包括雾、雷暴、暴风雪和对流天气等。此外，很多研究均发现空中交通管制、设施容量不足、调度问题、运行程序改变和有限的缓冲时间都是造成初始延误产生的重要原因。延误由于上述原因产生，再加上传播效应使得初始延误不断放大，波及整个系统。探究航班运输网络的延误现象以及产生机理，可以有效预测航班网络上的延误，提前优本文档来自技高网...

【技术保护点】
1.一种基于图挖掘的机场延误原因分析方法，其特征在于，所述方法将长短时记忆网络即LSTM的内核从矩阵乘法变为图卷积神经网络即GCN算法，具体地，所述方法包括以下步骤：/nS1：针对全天的机场航班延误情况，统计每个时间段中全国所有机场的离港延误情况，机场的延误情况的时间段划分为：将一天24小时划分为

【技术特征摘要】
1.一种基于图挖掘的机场延误原因分析方法，其特征在于，所述方法将长短时记忆网络即LSTM的内核从矩阵乘法变为图卷积神经网络即GCN算法，具体地，所述方法包括以下步骤：
S1：针对全天的机场航班延误情况，统计每个时间段中全国所有机场的离港延误情况，机场的延误情况的时间段划分为：将一天24小时划分为个时间段，即每半个小时为一个时间段，记为，其中，为第一个时间段，为第个时间段；
S2：将机场航班延误成因数据，包括：航班起降数量、机场跑道运营情况、气象云图情况、气象报文和机场实时容量分别按照所述步骤S1的时间段进行等间隔划分，每个时间段内的K个延误成因构成一个一维向量，所有的N个机场在同一时间段内的延误成因构成一个的二维向量；
S3：构建航线网络，机场为节点，机场之间的直连航班为连边，直连航班数量为边权重；将A设定为航线网络的邻接矩阵，邻接矩阵包含中国224个机场之间的所有航班数量；
S4：构造图卷积神经网络，将航线网络A作为图卷积神经网络的节点及其连接关系，保证图卷积神经网络的卷积核不变，每一层图卷积神经网络运算都提取航线网络A中节点以及节点的一阶邻居的特征进行计算，具体地，
提取拓扑图的空间特征，引入傅里叶变换将拓扑图从时域引入频域，在频域中完成对图卷积神经网络的卷积计算，已知图卷积神经网络的傅里叶变换为：，图卷积神经网络的傅里叶逆变换为，其中，为傅里叶变换标志，为任意邻接矩阵，与为图卷积神经网络的拉普拉斯矩阵特征分解得到；
图卷积神经网络的拉普拉斯矩阵计算公式为：，其中，为强度矩阵：，为矩阵的元素，为节点的强度；A为邻接矩阵：，为矩阵A的元素，为节点，为节点，表示节点与节点之间有连接，为节点与节点连边的权值；为单位矩阵，即矩阵对角线元素为1，其他元素为0；；
拉普拉斯矩阵特征分解为：，其中，是以列向量为特征向量的矩阵，均为列向量，同时也是图卷积神经网络的傅里叶变化的基函数；，为的特征值矩阵，即矩阵对角线上的元素分别为特征向量对应的特征值,其他元素为0；为的转置,；
得到图卷积神经网络的卷积公式为：,使用切比雪夫多项式逼近后，公式简化：，其中，为传递函数，为特征函数，为图卷积神经网络的权重，，为中第行第列元素，，为中第行第列元素，中其余元素为0；
因此，图卷积神经网络的隐藏层的计算公式为：，其中，，为延误成因的个数即输入每个节点的特征数量，为输出每个节点的特征数量，为任意激活函数；
S5：构建以图卷积神经网络为核心的长短时记忆网络，即GCN-LSTM网络；首先将长短时记忆网络的内核从矩阵乘法变为图卷...

【专利技术属性】
技术研发人员：杜文博，曹先彬，张明远，汪一杰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11