一种航班地面保障数据的插补方法及系统技术方案

本发明专利技术公开了一种航班地面保障的数据插补方法及系统，方法包括：对初始航班地面保障数据进行预处理，得到航班地面保障网络各个节点的邻接矩阵；利用全连接神经网络对地面航班保障数据进行维度扩充得到特征张量矩阵，利用插补递归神经网络对特征张量矩阵进行第一次特征提取和降维，得到第一特征向量；利用递归神经网络对第一特征向量进行第二次特征提取，得到隐藏层中的特征向量；通过反卷积神经网络对隐藏层中的特征向量进行下采样，还原出原本维度；采用损失函数训练深度神经网络参数，用训练后的深度神经网络实现数据的插补，输出完整的航班地面保障数据。提高了航班保障数据的质量，使数据的插补精度更加精确，保证航班地面保障数据的完整性。面保障数据的完整性。面保障数据的完整性。

【技术实现步骤摘要】
一种航班地面保障数据的插补方法及系统


[0001]本专利技术涉及民用航空数据处理方法
，具体涉及一种航班地面保障数据的插补方法及系统。

技术介绍

[0002]航班地面保障过程是关联地面进出港和机场基础设施的关键环节，在大数据时代，随着各种样式的传感器布置在机场的任意角落，机场的数据维度和规模也在成倍的增加，这些大量的数据可以为机场的提供有益于决策支持的数据信息。
[0003]目前对于航班保障研究大多假设数据没有缺失的情况下，然而数据却通常会在收集、运输、存储的过程中丢失、损坏，这也是大多数缺失数据的主要原因，一般研究会忽略这部分缺失的数据或者用简单的统计方法对其进行估计，这种做法会是使得缺失的数据导致更糟糕的模型训练效果，并对数据引入更大的偏差，最终这些问题都会反应在后续的评估，预测等数据分析工作上，所以如何对航班保障数据进行精确的插补是一个具有挑战性的问题。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术提供一种航班地面保障数据的插补方法及系统，提高了航班地面保障数据插补的精确度，保证了航班地面保障数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航班地面保障的数据插补方法，其特征在于，包括以下步骤：分析初始航班地面保障数据，对初始航班地面保障数据进行预处理提取出航班地面保障数据的图结构信息，得到航班地面保障网络各个节点的邻接矩阵；利用全连接神经网络对航班地面保障网络各个节点的航班地面保障数据进行维度扩充得到特征张量矩阵，利用插补递归神经网络对特征张量矩阵进行第一次特征提取和降维，得到第一特征向量；利用递归神经网络对第一特征向量的隐藏层数据进行第二次特征提取，得到隐藏层中的特征向量；通过反卷积神经网络对隐藏层中的特征向量进行下采样，还原出航班地面保障数据的原本维度；采用损失函数训练深度神经网络参数得到训练后的深度神经网络，用训练后的深度神经网络实现数据的插补，输出完整的航班地面保障数据。2.如权利要求1所述的方法，其特征在于，所述对航班地面保障数据进行预处理提取出航班地面保障数据的图结构信息的具体方法包括：采用欧氏距离阈值判定法来确定航班地面保障网络的邻接矩阵G(X,A)，欧式距离计算公式为：d
12
表示航班地面保障网络两点的欧式距离，x,y分别表示该点的横纵坐标,判断两点之间是否存在连接的公式为：d
12
≤ρ
ꢀꢀꢀꢀ
(2)其中，ρ是先验参数，根据经验进行调整，如果两点的距离满足式(2)，则认为两点间存在连接。3.如权利要求2所述的方法，其特征在于，所述利用全连接神经网络对航班地面保障网络各个节点的航班地面保障数据进行维度扩充得到特征张量矩阵的具体方法包括：所述航班地面保障网络为时间序列T＝(t1,
…
,t
i
,
…
,t
n
)，每一个时间节点下都对应一张航班地面保障的网络连接图，使用全连接神经网络对每个时间节点下各个航班保障网络的特征节点进行扩充，得到特征张量矩阵其中，表示d个节点在时间t
i
下的保障节点特征数据。4.如权利要求3所述的方法，其特征在于，所述利用插补递归神经网络对特征张量矩阵进行第一次特征提取和降维的具体方法包括：采用大小和规模与初始航班地面保障数据相同的遮蔽矩阵计算张量和数据缺失率，遮蔽矩阵为得到的张量公式为：数据的缺失率的计算公式为：
式(4)中，M表示遮盖矩阵，d表示特征节点，在深度神经网络中引入时间标签矩阵所述深度神经网络能对时间维度方向上的长度进行量化，开始时均为0，不同的值在δ被表示为...

【专利技术属性】
技术研发人员：罗谦，刘畅，孙恪，张涛，张兴锐，杜雨弦，吕明，邓强强，张志玮，游奕，夏欢，文涛，
申请(专利权)人：中国民用航空总局第二研究所，
类型：发明
国别省市：