【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 ...
【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
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。