一种结合注意力机制的PR-LSTM算法的空中交通延误预测方法技术

本发明专利技术公开了一种结合注意力机制的PR‑LSTM算法的空中交通延误预测方法。该方法中包含四个模块，分别为PageRank算法模块，基于序列到序列的LSTM模块，注意力机制模块和延误预测结果展示发布模块。本发明专利技术同时考虑了空中交通的时间相关性和空间相关性，采用PageRank算法计算空间相关性系数的大小，采用序列到序列的LSTM模型实现了机场延误的多步预测，采用注意力机制确保了在多步预测中模型的预测精度。

【技术实现步骤摘要】
一种结合注意力机制的PR-LSTM算法的空中交通延误预测方法
本专利技术属于智能交通
，具体涉及一种结合注意力机制的PR-LSTM算法的空中交通延误预测方法。
技术介绍
近年来，随着经济的发展以及技术水平的进一步提高，人们的出行方式发生了重大的改变，飞机出行逐渐成为普通群众出行的选择。仅2018年，全行业运输民航交通公司完成运输飞行小时1153.52万小时，比上年增长8.9％；完成旅客运输量61173.77万人次，同比增长10.9％。日益增涨的出行需求给航空公司带来了巨大的压力。在现有的机场资源情况下，为满足乘客的需求，航空公司只能通过不断增加航班数量来满足乘客的需求。航班数量的增加给机场的航空排班带来了巨大的挑战。与此同时，由于航班与航班之间的间隔更短，给机场工作人员带来了更大的工作压力。当发生飞机延误时，其连锁反应不但会导致之后的航班均出现延误现场，而且会影响其他机场航班的正常运行，这给民航公司和乘客都带来了巨大的不便。因此，建立一套针对空中交通的延误预测系统迫在眉睫，同时，这也是进一步完善空中交通体系的重要一环。目前，有许多学者研究空中交通的延误预测，目前的延误预测可分为机理模型和数据模型两大类。机理模型通过统计学、动力学方程对机场的延误预进行建模，其方法包括马尔可夫模型，贝叶斯网络以及卡尔曼滤波等，这些模型虽然有较强的可解释性，但是由于机场延误的高度复杂性以及非线性性，这些模型并不能准确刻画机场延误的传播过程。此外，这些模型只能够刻画单个机场的延误过程，却不能够对整个网络进行整体的延误预测，由各机场行程的图网络中，节点与节点之间的联系未被考虑。随着大数据的进一步发展，通过数据驱动建模的方式在各个领域得到了广泛的应用。在智能交通系统(ITS)中，大数据更是得到了广泛的应用，如申请号为CN201910614671.X的中国专利提出了一种的中国专利技术专利申请提出一种机器学习的智能交通状态预测方法，该预测方法将时间和空间同时应用在模型中，并增加了一系列的辅助特征，如气象属性，道路属性以提高道路系统预测的准确度。申请号为CN201810091588.4的中国专利提出了一种基于数据驱动的高架桥交通拥堵预测方法，通过获取路段的车流速度、密度等交通数据，利用交通流量、速度、密度三个指标数据构造被控路段的宏观交通流图，标定拥堵速度阈值，根据不同的拥堵工况进行分类，并建立利用分类器进行拥堵预测的模型。在空中交通领域，申请号为CN202010819415.7的中国专利提出了一种航班延误预测方法、装置、服务器及存储介质，通过接收航班延误请求获取与航班延误预测相关的至少一个因素中每个因素的航班数据并进行预处理，对之后的航班同样提取相同的数据并判断与延误航班数据的相关性大小来判定航班是否延误。然而，专利技术人发现，属于驱动的交通流预测方法更多停留在地面交通，空中交通流由于其更复杂的网络结构和动态性，难以整体把握。目前虽有研究单个航班延误预测的方法，但是考虑整个机场网络的数据驱动航班延误预测方法的研究仍然有待完善。
技术实现思路
由于目标空中交通延误预测存在诸多不足之处，本专利技术提出了一种结合注意力机制的PR-LSTM(PageRank-LSTM)算法的空中交通延误预测方法，同时可面向乘客和机场工作人员，提供航班延误信息。为实现上述目的，本专利技术所采用的实现方案如下：一种结合注意力机制的PR-LSTM算法的空中交通延误预测方法，该方法包括以下步骤：步骤1：对后台机场数据库中的数据进行清洗后，调取设定时段内所有机场与机场之间的航班延误时间，并计算平均值作为有向图的权重。步骤2：基于有向图构造机场网络的机场延误信息图矩阵G＝(V，E，W)；有向图中的V代表机场节点集合V＝{v1，v2，...vN}，其中，N代表机场节点的数量；有向图中的E代表机场节点和机场节点之间的边集合E；有向图中的W为节点对的权重值；每个时刻都生成一个有向图，有向图的数量为时间节点数T，权重值的定义为：其中t时刻的权重值At与节点对(vi，vj)有关：其中aj，i，t表示在t时间步长中，从机场vj到机场vi的平均时间；对于阶时间步长，机场延误信息图矩阵步骤3：将机场延误信息图矩阵作为输入值输入到PageRank算法模块中，得到延误时间权重矩阵PR(V)＝[PR1(V)，PR2(V)，...，PRT(V)]N×T，其中t时刻的延误时间权重向量为表示权重向量的第i个元素，i＝1，2，…，N；步骤4：对机场数据库的数据进行清洗后调取用于训练的h*个历史步长的机场延误时间矩阵其中，x(t)代表N个机场在t时刻的延误时间向量；步骤5：将步骤4得到的机场延误时间矩阵和步骤3得到的延误时间权重矩阵中对应的h*个列向量所组成的矩阵进行哈达玛积，得到的结果作为输入值输入到包含编码器和解码器的基于序列到序列的LSTM模块；步骤6：基于序列到序列的LSTM模块的编码器接收步骤5的输出结果作为训练数据，对编码器进行训练后，得到全部的隐含层参数h所组成的向量h和最后一次的记忆状态C，并将这些数据传入到解码器中；步骤7：解码器接收编码的输出数据，并接收待预测步数上一步的输出结果，将输出结果用解码器进行训练后，输出并保存隐含层参数ht+a和最后一次的记忆状态C；步骤8：将步骤6得到的隐含层参数h所组成的向量h和步骤7得到的当前的预测值对应的隐含层参数ht+a输入到注意力机制模块中，得到加权后的隐含层参数ht+a并输出；步骤9：提取专家系统内的专家知识并进行独热编码后输出；步骤10：提取气象数据库服务器的天气数据并进行独热编码后输出；步骤11：将步骤9和步骤10输出的数据进行数据降维并作为辅助特征数据输出；步骤12：将步骤8得到的加权后的隐含层参数h’t+a和步骤11得到的降维后的辅助特征数据作为输入值输入到全连接网络中，得到所要预测的步数的延误时间矩阵；步骤13：重复步骤7到步骤12的过程，预测之后全部p个步长的延误时间，并将其组成N×p的延误时间矩阵；步骤14：将步骤13得到的延误时间矩阵输出至审核端进行审核，审核通过后将数据输出至展示发布模块进行展示。进一步的，所述设定时段为1年或多年。进一步的，所述PageRank算法模块的流程为：1.1)在PageRank算法模块中输入机场的机场延误信息图矩阵G；1.2)确定机场数量N和阻尼系数d；1.3)给定PageRank算法的结果初始值向量给定的迭代公式：其中：m代表与第i个机场节点组成节点对的节点总数，参数Sout(vj)t计算公式为：其中Vout(vj)表示从机场vj出发到达的所有机场vi所构成的集合：1.4)根据的迭代公式不断迭代计算得到新的直到两次计算结果的差值小于阈值迭代计算完成并输出最后一次迭代得到的1.5)将所有N个经过1.4)迭代后输出的组成t时刻延误时间权重向量PR本文档来自技高网...

【技术保护点】
1.一种结合注意力机制的PR-LSTM算法的空中交通延误预测方法，其特征在于，该方法包括以下步骤：/n步骤1：对后台机场数据库中的数据进行清洗后，调取设定时段内所有机场与机场之间的航班延误时间，并计算平均值作为有向图的权重。/n步骤2：基于有向图构造机场网络的机场延误信息图矩阵G＝(V，E，W)；有向图中的V代表机场节点集合V＝{v

【技术特征摘要】
1.一种结合注意力机制的PR-LSTM算法的空中交通延误预测方法，其特征在于，该方法包括以下步骤：
步骤1：对后台机场数据库中的数据进行清洗后，调取设定时段内所有机场与机场之间的航班延误时间，并计算平均值作为有向图的权重。
步骤2：基于有向图构造机场网络的机场延误信息图矩阵G＝(V，E，W)；有向图中的V代表机场节点集合V＝{v1，v2，...vN}，其中，N代表机场节点的数量；有向图中的E代表机场节点和机场节点之间的边集合E；有向图中的W为节点对的权重值；每个时刻都生成一个有向图，有向图的数量为时间节点数T，权重值的定义为：其中t时刻的权重值At与节点对(vi，vj)有关：



其中aj，i，t表示在t时间步长中，从机场vj到机场vi的平均时间；
对于阶时间步长，机场延误信息图矩阵
步骤3：将机场延误信息图矩阵作为输入值输入到PageRank算法模块中，得到延误时间权重矩阵PR(V)＝[PR1(V)，PR2(V)，...，PRT(V)]N×t，其中t时刻的延误时间权重向量为表示权重向量的第i个元素，i＝1，2，…，N；
步骤4：对机场数据库的数据进行清洗后调取用于训练的h*个历史步长的机场延误时间矩阵其中，x(t)代表N个机场在t时刻的延误时间向量；
步骤5：将步骤4得到的机场延误时间矩阵和步骤3得到的延误时间权重矩阵中对应的h*个列向量所组成的矩阵进行哈达玛积，得到的结果作为输入值输入到包含编码器和解码器的基于序列到序列的LSTM模块；
步骤6：基于序列到序列的LSTM模块的编码器接收步骤5的输出结果作为训练数据，对编码器进行训练后，得到全部的隐含层参数h所组成的向量h和最后一次的记忆状态C，并将这些数据传入到解码器中；
步骤7：解码器接收编码的输出数据，并接收待预测步数上一步的输出结果，将输出结果用解码器进行训练后，输出并保存隐含层参数ht+a和最后一次的记忆状态C；
步骤8：将步骤6得到的隐含层参数h所组成的向量h和步骤7得到的当前的预测值对应的隐含层参数ht+a输入到注意力机制模块中，得到加权后的隐含层参数ht+a并输出；
步骤9：提取专家系统内的专家知识并进行独热编码后输出；
步骤10：提取气象数据库服务器的天气数据并进行独热编码后输出；
步骤11：将步骤9和步骤10输出的数据进行数据降维并作为辅助特征数据输出；
步骤12：将步骤8得到的加权后的隐含层参数h’t+a和步骤11得到的降维后的辅助特征数据作为输入值输入到全连接网络中，得到所要预测的步数的延误时间矩阵；
步骤13：重复步骤7到步骤12的过程，预测之后全部p个步长的延误时间，并将其组成N×p的延误时间矩阵；
步骤14：将步骤13得到的延误时间矩阵输出至审核端进行审核，审核通过后将数据输出至展示发布模块进行展示。


2.根据权利要求1所述的结合注意力机制的PR-LSTM算法的空中交通延误预测方法，其特征在于，所述设定时段为1年或多年。


3.根据权利要求1所述的结合注意力机制的PR-LSTM算法的空中交通延误预测方法，其特征在于，所述PageRank算法模块的流程为：
1.1)在PageRank算法模块中输入机场的机场延误信息图矩阵G；
1.2)确定机场数量N和阻尼系数d；
1.3)给定Pa...

【专利技术属性】
技术研发人员：宋春跃，张杰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33