一种基于深度学习的航班保障流程剩余执行时间预测方法技术

一种基于深度学习的航班保障流程剩余执行时间预测方法，预测模型由输入层，双向LSTM层，Attention层，融合层，预测层组成，模型输入包含非时序的全局特征和时序的各时间步流程的执行状态。Attention

【技术实现步骤摘要】
一种基于深度学习的航班保障流程剩余执行时间预测方法


[0001]本专利技术属于过程挖掘和深度学习领域，具体是涉及一种基于深度学习的航班保障流程剩余执行时间预测方法。

技术介绍

[0002]预测业务过程实例剩余时间是如下的一个问题:给定一个事件日志，其中包含多个该业务过程实例执行的历史记录，对于一个正在进行的流程实例，预测目前到整个流程结束还有多少剩余时间。业务流程的剩余时间预测是业务流程监控中的一个重要问题，可以作为业务流程优化的一种重要手段。
[0003]随着航空运输需求持续增长，机场航班高密度运行已成为常态，机场、航空公司面临巨大的运行压力。地面保障过程作为过站航班运行的核心部分，对其延误情况的动态预测成为实现航班精细化管理的关键问题。排除天气情况等不可抗的原因，保障流程是否按时完成对航班延误与否有着直接影响，对保障流程剩余执行时间的预测，可以让运行管理人员对航班保障流程动态进行掌握，提前做好相关应急措施，减少不利影响。
[0004]传统的剩余执行时间预测方法，诸如变迁系统、随机Petri网、贝叶斯网络等模型，通常以业务流程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的航班保障流程剩余执行时间预测方法，其特征在于：包括以下步骤：步骤一，对航班保障流程事件日志进行处理，分别提取的每一条记录的序列特征和非序列特征，用滑动窗口的方法生成数据集；步骤二，构建Attention
‑
BiLSTM神经网络模型；步骤三，对构建好的神经网络模型进行训练；步骤四，在需要预测的航班保障流程开始时，初始化预测模型，并计算该流程的全局特征向量；步骤五，每α分钟采集保障流程中各个活动的执行情况，计算该时刻每个活动的已执行时间，并用Attention
‑
BiLSTM神经网络模型预测一次剩余执行时间，直到整个保障流程结束。2.根据权利要求1所述的一种基于深度学习的航班保障流程剩余执行时间预测方法，其特征在于：步骤一中，对保障流程事件日志的处理，具体为，对于每一个执行实例，取该流程保障的机型大类、机位类型、正在进行保障流程的航班数量、天气情况和航空公司作为保障流程的全局特征；对类别特征进行one
‑
hot编码，数值特征进行归一化，二者拼接得到流程的非序列全局特征向量x
g
；以α分钟为单位对流程事件日志中每条记录的每个活动的已执行时间都进行计算和归一化，得到每个时间步的执行状态x
t
＝[s1,s2,...,s
L
]；以窗口值为K提取执行状态序列X
st
＝[x
t
‑
K+1
,x
t
‑
K+2
,...,x
t
],x
t
∈R
L
；计算流程的每个时间步对应的剩余执行时间y
actual,t
＝y
finish
‑
t；将状态序列X
st
、流程实例的全局特征x
g
和目标值剩余执...

【专利技术属性】
技术研发人员：叶宁，季翔宇，徐康，王汝传，王娟，王甦，汪莹，王波，吴涔，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：