一种基于时空神经网络的航班到达时间预测方法技术

本发明专利技术公开了一种基于时空神经网络的航班到达时间预测方法，属于民航技术领域。该方法首先对某时间段内的历史航班，采集历史航迹作为样本，处理后得到历史航迹集；将历史航迹集聚成簇，每个簇代表一种航迹模式，并选取每个航迹模式的代表航迹。然后给定目标航班，对其已在终端区内飞行过的航迹重采样，得到目标航班的已有航迹，并通过航迹模式计算目标航班的预测航迹。构建到达时间预测模型，并采用交叉验证的方法对到达时间预测模型进行训练。最后将目标航班的预测航迹输入到训练好的到达时间预测模型，输出目标航班的预计到达时间。本发明专利技术对航班到达时间影响因素的考虑更加全面，并引入了时空注意力机制，使预测结果的准确性大大提高。

【技术实现步骤摘要】
一种基于时空神经网络的航班到达时间预测方法
本专利技术属于民航
，尤其涉及一种基于时空神经网络的航班到达时间预测方法。
技术介绍
预计到达时间是机场协同决策(A-CDM)的关键组成部分，在空中交通流量管理、跑道和停车位分配、地面支持设备优化等方面发挥着重要作用。航班的到达时间受飞行航线、对流天气和终端区拥挤程度等多种不确定因素的影响。尽管终端空域内存在标准进场航路，但由于飞机密度高，空域结构复杂，飞行航线经常被管制员修改。在强对流天气下，终端区的容量以及运行效率显著下降，影响航班按时到达。除此之外，到机场的距离和时间等因素都会对航班到达时间产生影响。连续的航迹点包含很多复杂的空间移动行为，例如直行、转弯、加速和空中保持等，捕获这些信息对提高预测准确率是十分重要的。此外，这些空间移动行为是高度动态随时间变化的。提取嵌入在航迹中的时空特征可以提高预测准确率，而现有的方法并没有利用这些时空特征。
技术实现思路
为了解决现有技术对于航班到达时间预测准确率低的问题，本专利技术提出了一种基于时空神经网络的航班到达时间预测方法，充分利用嵌入在航迹中的时空移动行为、对流天气及终端区拥挤程度等信息，实现了航班到达时间的精准预测。所述基于时空神经网络的航班到达时间预测方法，包括以下步骤：步骤一，对某时间段内的历史航班，采集历史航迹作为样本，并进行清洗、过滤和重采样后，得到历史航迹集；历史航迹集由若干条航迹组成，每条航迹都由若干航迹点组成，其中第l条航迹Trl由nl个航迹点组成，每个航迹点都包含经度、纬度、高度、水平地面速度和时间戳，即Pi＝{loni,lati,alti,vi,ti}；步骤二，利用DBSCAN算法将历史航迹集聚成簇，每个簇代表一种航迹模式，并选取每个航迹模式的代表航迹。具体为：首先，DBSCAN通过筛选航迹数据集中每条航迹的eps邻域来搜索簇，如果对象航迹p的eps邻域中包含的航迹个数大于等于min_samples个，则创建一个以p为核心对象的簇，否则，标记对象航迹p为边界或者噪声。然后，迭代地对各核心对象直接密度可达的所有对象航迹聚类，当没有新的对象航迹添加到任何簇时，过程结束。每个簇代表一种航迹模式，针对每个航迹模式，分别计算簇中每条航迹与其他航迹之间的距离，并计算平均距离，每条航迹分别对应一个平均距离，选择平均距离最小的一条航迹作为每个航迹模式的代表航迹；步骤三，给定目标航班，对其已在终端区内飞行过的航迹重采样，得到目标航班的已有航迹Trtar＝{P1,P2,…,Pi,…,Pn_tar}，并通过航迹模式计算目标航班的预测航迹；首先，通过计算已有航迹Trtar与每个航迹模式的代表航迹之间的距离，选择距离值最小的航迹模式即为Trtar所属模式。然后，评估Trtar与所属航迹模式对应的簇中每条历史航迹之间的相似性；航迹Trtar与第m条航迹之间的相似性，计算公式为：最后，找到与航迹Trtar最相似的五条历史航迹，将每条航迹中在航迹点Pn_tar之后的点序列重采样，形成为长度为L的序列。计算五条航迹中对应序列点各属性的均值，即得到目标航班从当前位置到降落的预测航迹步骤四：构建由气象模块、附加因素模块、时空特征提取模块和预测模块组成的到达时间预测模型；具体过程为：步骤401：构造基于空间注意力机制的气象模块，用于提取气象特征向量。首先，根据雷达回波云图I构建相同维度的航迹张量T；雷达回波云图I的原始分辨率为RW×RH，构建维度为RW×RH的航迹张量T，其每个元素对应的经纬度范围与雷达回波云图每个元素对应的经纬度范围相同。然后，将雷达回波云图I作为卷积神经网络CNN的输入I0，依次经过K个conv+max层，得到K层后输出向量IK；每个conv+max层包含一个卷积层和一个最大池化层。第k层的计算公式表示为：Ik＝max_pooling(f(Ik-1*Wk+bk))其中，k∈K，*表示卷积运算，f(·)为ReLU函数，且f(x)＝max(0,x)；max_pooling在卷积运算后用来降低向量维度，Ik-1表示第k-1层的输入，Wk表示第k层的权重矩阵，bk表示第k层的偏置。同理，将航迹张量T输入K个conv+max层得到输出向量TK。接着，将输出向量IK与TK相结合得到航迹附近的雷达回波特征向量F；公式为：其中，为Hadamard积。其中，根据航迹张量，将每个航迹模式的历史航迹经过张量单元对应的区域，对应航迹张量单元的值标为1，否则标为0。最后，将向量F依次输入一个flatten层和三个全连接层，得到气象特征向量Vw；步骤402：构造附加因素模块，用于增强预测性能。附加因素包括航班距参考点的距离以及离散变量，离散变量包括终端区拥挤程度、小时、日期和航迹所属类别；参考点为跑道中心点。首先，使用embedding将每一个离散变量转化为连续向量。具体为：维度为D1的离散变量与参数矩阵相乘得到空间然后，将连续向量与航班距参考点的距离合并，得到附加因素层的输出向量Vext；步骤403：构造时空特征提取模块，基于非线性函数与Bi-LSTM提取嵌入在航迹中的时空特征；首先，利用非线性函数从每个历史航迹中分别提取空间信息，得到代表航迹空间特征的序列Vspa；针对当前历史航迹的第i个航迹点的特征映射向量Vispa，计算公式为：Vispa＝tanh(Ws·[lati；loni；alti；vi])其中，[·；·]表示连接向量；Ws为可学习参数；tanh为激活函数，输出范围为[-1,1]，均值为0。然后，连接气象特征向量Vw与附加因素层的输出向量Vext得到向量Vf，将航迹空间特征的序列Vspa,向量Vf和隐藏状态hi-1为LSTM的输入，使用LSTM捕获嵌入在航迹中的时间特征。具体公式为：Fi＝σ(WF·[hi-1；Vispa；Vf]+bF)Ii＝σ(WI·[hi-1；Vispa；Vf]+bI)Ci＝tanh(WC·[hi-1；Vispa；Vf]+bC)Oi＝σ(Wo·[hi-1；Vispa；Vf]+bo)其中，hi为第i个航迹点的隐藏状态，Ci表示第i个航迹点的单元状态，Ii为第i个航迹点的输入门、Fi为第i个航迹点的遗忘门、Oi为第i个航迹点的输出门，WF是遗忘门的权重矩阵，bF是遗忘门的偏置项，WI是输入门的权重矩阵，bI是输入门的偏置项，WC是单元状态的权重矩阵，bC是单元状态的偏置项，Wo是输出门的权重矩阵，bo是输出门的偏置项。σ为sigmoid函数，为Hadamard算子，Ci-1为第i-1个航迹点的记忆单元。最后，将前向LSTM与后向LSTM组合成Bi-LSTM，从历史航迹捕获时间特征，输出隐藏状态序列{hi}；本文档来自技高网...

【技术保护点】
1.一种基于时空神经网络的航班到达时间预测方法，其特征在于，包括以下步骤：/n步骤一，对某时间段内的历史航班，采集历史航迹作为样本，并进行清洗、过滤和重采样后，得到历史航迹集；/n历史航迹集由若干条航迹组成，每条航迹都由若干航迹点组成，其中第l条航迹Tr

【技术特征摘要】
1.一种基于时空神经网络的航班到达时间预测方法，其特征在于，包括以下步骤：
步骤一，对某时间段内的历史航班，采集历史航迹作为样本，并进行清洗、过滤和重采样后，得到历史航迹集；
历史航迹集由若干条航迹组成，每条航迹都由若干航迹点组成，其中第l条航迹Trl由nl个航迹点组成，
每个航迹点都包含经度、纬度、高度、水平地面速度和时间戳，即Pi＝{loni,lati,alti,vi,ti}；
步骤二，利用DBSCAN算法将历史航迹集聚成簇，每个簇代表一种航迹模式，并选取每个航迹模式的代表航迹；
针对每个航迹模式，分别计算簇内每条航迹与其他航迹之间的距离，并计算平均距离，每条航迹分别对应一个平均距离，选择平均距离最小的一条航迹作为每个航迹模式的代表航迹；
步骤三，给定目标航班，对其已在终端区内飞行过的航迹重采样，得到目标航班的已有航迹Trtar＝{P1,P2,…,Pi,…,Pn_tar}，并通过航迹模式计算目标航班的预测航迹
步骤四：构建由气象模块、附加因素模块、时空特征提取模块和预测模块组成的到达时间预测模型；
具体过程为：
步骤401：构造基于空间注意力机制的气象模块，用于提取气象特征向量；
首先，根据雷达回波云图I构建相同维度的航迹张量T；
然后，将雷达回波云图I作为卷积神经网络CNN的输入I0，依次经过K个conv+max层，得到K层后输出向量IK；
计算公式表示为：
Ik＝max_pooling(f(Ik-1*Wk+bk))
其中，k∈K，*表示卷积运算，f(·)为ReLU函数，且f(x)＝max(0,x)；max_pooling在卷积运算后用来降低向量维度，Ik-1表示第k-1层的输入，Wk表示第k层的权重矩阵，bk表示第k层的偏置；
同理，将航迹张量T输入K个conv+max层得到输出向量TK；
接着，将输出向量IK与TK相结合得到航迹附近的雷达回波特征向量F；
公式为：



其中，为Hadamard积；其中，根据航迹张量，将每个航迹模式的历史航迹经过张量单元对应的区域，对应航迹张量单元的值标为1，否则标为0；
最后，将向量F依次输入一个flatten层和三个全连接层，得到气象特征向量Vw；
步骤402：构造附加因素模块，用于增强预测性能；
附加因素包括航班距参考点的距离以及离散变量；
首先，使用embedding将每一个离散变量转化为连续向量；
具体为：维度为D1的离散变量与参数矩阵相乘得到空间
然后，将连续向量与航班距参考点的距离合并，得到附加因素层的输出向量Vext；
步骤403：构造时空特征提取模块，基于非线性函数与Bi-LSTM提取嵌入在航迹中的时空特征；
首先，利用非线性函数从每个历史航迹中分别提取空间信息，得到代表航迹空间特征的序列Vspa；
针对当前历史航迹的第i个航迹点的特征映射向量Vispa，计算公式为：
Vispa＝tanh(Ws·[lati；loni；alti；vi])
其中，[·；·]表示连接向量；Ws为可学习参数；tanh为激活函数，输出范围为[-1,1]，均值为0；
然后，连接气象特征向量Vw与附加因素层的输出向量Vext得到向量Vf，将航迹空间特征的序列Vspa,向量Vf和隐藏状态hi-1为LSTM的输入，使用LSTM捕获嵌入在航迹中的时间特征；
具体公式为：
Fi＝σ(WF·[hi-1；Vispa；Vf]+bF)
Ii＝σ(WI·[hi-1；Vispa；Vf]+bI)
Ci＝tanh(WC·[hi-1；Vispa；Vf]+bC)


...

【专利技术属性】
技术研发人员：佟路，马彦，杜文博，曹先彬，张明远，
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