空中交通四维航迹调控决策方法技术

本申请提供一种空中交通四维航迹调控决策方法。该方法包括：获取目标航班的节点向量集合，得到目标节点向量集合；同时获取所有历史航班的节点向量集合，得到历史节点向量集合；获取目标节点向量集合与历史节点向量集合中每个历史航班的节点向量集合的相似度，得到多个相似度数据；获取多个相似度数据中大于预设数据的相似度数据，得到目标相似度数据；获取目标相似度数据所属的历史航班，得到目标历史航班；获取目标历史航班的历史决策指令，得到目标决策指令，目标决策指令用于辅助目标航班的调控决策。本申请的方法，降低了针对航空器的四维航迹运行做出调控决策的失败几率，保障了航空运行的安全性。

【技术实现步骤摘要】
空中交通四维航迹调控决策方法
本申请涉及四维航迹运行管理技术，尤其涉及一种空中交通四维航迹调控决策方法。
技术介绍
空中交通管制系统简称为空管系统，是用来管理多架飞机起降和航行，以保障飞行秩序和安全的系统。随着航空运输业的发展，现有的空管系统的保障能力逐渐难以满足持续增长的飞行需求，因此空中交通拥堵、大面积航班延误等问题频繁出现。为解决现有的空管系统保障能力无法满足现有飞行需求的问题，国际民航组织提出在2035年以前分阶段在全球推进现有空管系统向基于四维航迹运行(TrajectoryBasedOperations，简称TBO)的方向演进和升级。即，建立面向四维航迹运行的空中交通系统，该空中交通系统包括航空器信息、航班信息、航空管制单位信息和航迹信息等，是一个关联性强、动态性高、结构与交流紧密耦合的复杂系统。该四维航迹指的是除过传统的三维空间，即经度、纬度和高度以外，再增加第四维，即时间，来确定航空器的航迹，并考虑航空器的重量、高度、速度等飞行参数，得到实时、精准且连续的四维航迹信息。然后，在基于四维航迹运行进行该空中交通系统中某些航空器的飞行调控时，需要非常有经验的航空管制人员根据航空器的实时运行信息进行调控。这个调控方法依赖于航空管制人员的工作经验，具有很大的风险。因此，如何针对航空器的四维航迹运行做出调控决策仍然是需要解决的问题。
技术实现思路
本申请提供一种空中交通四维航迹调控决策方法，用以解决如何针对航空器的四维航迹运行做出调控决策的问题。本申请提供一种空中交通四维航迹调控决策方法，包括：获取目标航班的节点向量集合，得到目标节点向量集合；所述目标节点向量集合根据实时知识图谱确定，所述实时知识图谱用于表示所述目标航班对应的航空器飞行中涉及到的航班信息、航路信息和空管单位信息之间的关系；同时获取所有历史航班的节点向量集合，得到历史节点向量集合；所述历史节点向量集合根据历史知识图谱确定，所述历史知识图谱用于表示历史航班中航空器飞行中涉及到历史航班信息、历史航路信息和历史空管单位信息之间的关系；获取所述目标节点向量集合与所述历史节点向量集合中每个历史航班的节点向量集合的相似度，得到多个相似度数据；获取所述多个相似度数据中大于预设数据的相似度数据，得到目标相似度数据；获取所述目标相似度数据所属的历史航班，得到目标历史航班；获取所述目标历史航班的历史决策指令，得到目标决策指令，所述目标决策指令用于辅助所述目标航班的调控决策。其中一项实施例中，所述获取目标航班的节点向量集合，得到目标节点向量集合包括：获取目标航班的实时知识图谱的实时结构化数据；将所述实时结构化数据输入至异构跳字神经网络模型，得到所述目标节点向量集合。其中一项实施例中，所述同时获取所有历史航班的节点向量集合，得到历史节点向量集合包括：同时获取历史航班的历史知识图谱的历史结构化数据；将所述历史结构化数据输入至所述异构跳字神经网络模型，得到所述所有历史航班的节点向量集合；所述实时结构化数据和所述历史结构化数据同时输入至所述异构跳字神经网络模型。其中一项实施例中，所述将所述实时结构化数据输入至异构跳字神经网络模型，得到所述目标节点向量集合包括：根据所述实时知识图谱构造所述异构跳字神经网络模型的语料库，得到第一语料库；将所述第一语料库输入至所述异构跳字神经网络模型，得到所述目标节点向量集合。其中一项实施例中，所述将所述历史结构化数据输入至所述异构跳字神经网络模型，得到所述所有历史航班的节点向量集合，包括：同时根据所述历史知识图谱构造所述异构跳字神经网络模型的第二语料库；将所述第二语料库输入至所述异构跳字神经网络模型，得到所述历史节点向量集合；所述第一语料库和所述第二语料库同时输入至所述异构跳字神经网络模型。其中一项实施例中，所述第一语料库为所述实时知识图谱的路径集合，所述根据所述实时知识图谱构造所述异构跳字神经网络模型的语料库，得到第一语料库，包括：以所述实时知识图谱中的任意一个节点为起始点进行路径游走；获取所述实时知识图谱的路径游走的结果，得到所述第一语料库。其中一项实施例中，所述第二语料库为所述历史知识图谱的路径集合，所述根据所述历史知识图谱构造所述异构跳字神经网络模型的第二语料库，包括：同时以所述历史知识图谱中的任意一个节点为起始点进行路径游走；获取所述历史知识图谱的路径游走的结果，得到所述第二语料库。其中一项实施例中，所述方法还包括：根据所述实时知识图谱的实时结构化数据构建所述实时知识图谱，所述实时知识图谱包括多个节点和连接于任意两个节点之间的边；每个所述节点表示所述目标航班对应的航空器飞行中涉及到每个航班信息、每个航路信息和每个空管单位信息，所述边用于表示所述航班信息、所述航路信息和所述空管单位信息之间的关系。其中一项实施例中，所述相似度为余弦相似度，所述获取所述目标节点向量集合与所述历史节点向量集合中每个历史航班的节点向量集合的相似度，得到多个相似度数据，包括：根据公式确定所述相似度数据，其中，Xa代表所述目标节点向量集合；Xb代表所述历史节点向量集合。其中一项实施例中，所述得到目标决策指令后，所述方法还包括：获取决策调取指令；根据所述决策调取指令调取所述目标决策指令。本申请提供一种空中交通四维航迹调控决策方法，通过构建知识图谱的方式将复杂的空中交通系统转换为图数据结构，通过对图数据结构进行处理得到节点向量集合，再通过节点向量集合的匹配确定与该目标航班运行场景相似的历史场景。在确定相似的历史场景后，再获取该相似的历史场景下的决策指令作为针对该目标航班运行场景的决策指令。此时，航空管制人员可以通过该相似的历史场景下的决策指令获知如何对当前航班运行场景进行调控，无需依赖航空管制人员的工作经验，降低了面向四维航迹运行进行该空中交通系统中某些航空器、航班的飞行调控时的失败几率，保障了航空运行的安全性。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。图1为本申请提供的空中交通四维航迹调控决策方法的应用场景示意图。图2为本申请的一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。图3为本申请的另一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。图4为本申请的又一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。图5为本申请的另一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。图6为本申请的一个实施例提供的空中交通四维航迹调控决策方法的实时知识图谱的示意图。图7为本申请的又一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。图8为本申请的一个实施例提供的实时知识图谱的示意图。图9为本申请的另一个实施例本文档来自技高网...

【技术保护点】
1.一种空中交通四维航迹调控决策方法，其特征在于，包括：/n获取目标航班的节点向量集合，得到目标节点向量集合；所述目标节点向量集合根据实时知识图谱确定，所述实时知识图谱用于表示所述目标航班对应的航空器飞行中涉及到的航班信息、航路信息和空管单位信息之间的关系；/n同时获取所有历史航班的节点向量集合，得到历史节点向量集合；所述历史节点向量集合根据历史知识图谱确定，所述历史知识图谱用于表示历史航班中航空器飞行中涉及到历史航班信息、历史航路信息和历史空管单位信息之间的关系；/n获取所述目标节点向量集合与所述历史节点向量集合中每个历史航班的节点向量集合的相似度，得到多个相似度数据；/n获取所述多个相似度数据中大于预设数据的相似度数据，得到目标相似度数据；/n获取所述目标相似度数据所属的历史航班，得到目标历史航班；/n获取所述目标历史航班的历史决策指令，得到目标决策指令，所述目标决策指令用于辅助所述目标航班的调控决策。/n

【技术特征摘要】
1.一种空中交通四维航迹调控决策方法，其特征在于，包括：
获取目标航班的节点向量集合，得到目标节点向量集合；所述目标节点向量集合根据实时知识图谱确定，所述实时知识图谱用于表示所述目标航班对应的航空器飞行中涉及到的航班信息、航路信息和空管单位信息之间的关系；
同时获取所有历史航班的节点向量集合，得到历史节点向量集合；所述历史节点向量集合根据历史知识图谱确定，所述历史知识图谱用于表示历史航班中航空器飞行中涉及到历史航班信息、历史航路信息和历史空管单位信息之间的关系；
获取所述目标节点向量集合与所述历史节点向量集合中每个历史航班的节点向量集合的相似度，得到多个相似度数据；
获取所述多个相似度数据中大于预设数据的相似度数据，得到目标相似度数据；
获取所述目标相似度数据所属的历史航班，得到目标历史航班；
获取所述目标历史航班的历史决策指令，得到目标决策指令，所述目标决策指令用于辅助所述目标航班的调控决策。


2.根据权利要求1所述的方法，其特征在于，所述获取目标航班的节点向量集合，得到目标节点向量集合包括：
获取目标航班的实时知识图谱的实时结构化数据；
将所述实时结构化数据输入至异构跳字神经网络模型，得到所述目标节点向量集合。


3.根据权利要求2所述的方法，其特征在于，所述同时获取所有历史航班的节点向量集合，得到历史节点向量集合包括：
同时获取历史航班的历史知识图谱的历史结构化数据；
将所述历史结构化数据输入至所述异构跳字神经网络模型，得到所述所有历史航班的节点向量集合；
所述实时结构化数据和所述历史结构化数据同时输入至所述异构跳字神经网络模型。


4.根据权利要求3所述的方法，其特征在于，所述将所述实时结构化数据输入至异构跳字神经网络模型，得到所述目标节点向量集合包括：
根据所述实时知识图谱构造所述异构跳字神经网络模型的语料库，得到第一语料库；
将所述第一语料库输入至所述异构跳字神经网络模型，得到所述目标节点向量集合。


5.根据权利要求4所述的方法，其特征...

【专利技术属性】
技术研发人员：蔡开泉，朱衍波，申智琪，王慧，
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