一种基于深度学习组合模型的航班运行网络延误预测方法技术

本发明专利技术公开了一种基于深度学习组合模型的航班运行网络延误预测方法，属于航空航天技术领域，包括获取航班运行网络以及航班延误历史数据，构建特征矩阵和邻接矩阵，构建图卷积网络层捕获图的空间特征与拓扑结构关系，利用门控循环单元对长时信息和短时信息的表征能力来提取航班延误的时间特性，构建GCN

【技术实现步骤摘要】
一种基于深度学习组合模型的航班运行网络延误预测方法


[0001]本专利技术属于航空航天
，尤其涉及一种基于深度学习组合模型的航班运行网络延误预测方法。

技术介绍

[0002]随着航空运输业的迅猛发展，旅客出行需求日益增加、机场容量供给不足以及自然灾害等不确定因素导致航班延误日益严重，不仅会影响旅客的出行，还会增加航空公司运营成本。因此，对航班延误进行精确预测具有重要的现实意义，既可以为航空公司的航班运行决策提供依据，减少航班延误带来的损失，也可以为旅客出行提供决策依据，保障旅客的体验度。
[0003]目前国内外针对航班延误预测的研究方法大体可分为三类：
[0004](1)基于统计推断的预测方法，该方法包括构建基于航班串的贝叶斯网络模型、运用加权马尔科夫链模型对航班延误率进行预测；(2)基于仿真建模的预测方法，该方法包括基于SIS流行病模型所建立的航班延误传播模型，基于有色时间Petri网构建的航班延误波及分析模型等；(3)基于机器学习的预测方法，该方法包括支持向量机、BP神经网络预测模型、基于注意力机制的Graph2Seq结构等。
[0005]通常，在航班实际运行过程中，一方面由于受到气象、交通流量控制、航空公司和机场等多种因素的影响，航班延误具有很强的非线性与动态变化特性。另一方面，航班串中的延误波动效应存在于同一航司的航班运行网络中，同一航班运行网络中的不同航线存在相互作用的影响关系，其网络所包含的复杂特征对于航班延误的传播产生不可忽视的关键影响。
[0006]综上，现有三类方法中，基于统计推断的算法计算简单且可以清晰地反映航班延误波及现象，但难以处理越来越复杂的数据结构；基于仿真建模的研究虽能够直观表示出航班延误传播各部分与整体之间的相互关系及相互影响，但预测精准程度普遍不高；基于机器学习的预测方法，以航班运行大数据为基础，考虑航班运行的动态变化与非线性特征，有效提升预测精度，但现有方法局限于链式预测特征，无法有效捕捉同一航班运行网络中的内部空间特征，对于航班运行网络的整体延误水平预测性能存在一定的局限性。

技术实现思路

[0007]本专利技术的目的是提供一种基于深度学习组合模型的航班运行网络延误预测方法，解决了能够反映出由于航班延误波及造成的延误波动情况，并且可以精准地反映出航班运行网络中各节点航班延误水平的动态变化的技术问题。
[0008]为实现上述目的，本专利技术采用如下技术方案：
[0009]一种基于深度学习组合模型的航班运行网络延误预测方法，包括如下步骤：
[0010]步骤1：数据采集服务器通过互联网获取目标航空公司的航班运行网络以及航班延误历史数据，并发送给模型构建服务器；
[0011]步骤2：在模型构建服务器中，利用航班延误历史数据构建特征矩阵；
[0012]同时，确定航班运行网络中各条航线间的空间影响关系，构建邻接矩阵；
[0013]根据特征矩阵和邻接矩阵构建图卷积网络层捕获图的空间特征与拓扑结构关系；
[0014]步骤3：在模型构建服务器中构建门控循环单元层，门控循环单元层通过引入门控机制来进行遗忘与选择记忆，进一步提取时间序列特征，生成时间图卷积预测层，时间图卷积预测层用于对航班延误进行预测；
[0015]定义损失函数，计算损失；
[0016]步骤4：构建GCN
‑
GRU组合预测模型和全连接层，基于图卷积网络层、门控循环单元层和全连接层构建组合预测模型，并发送给应用服务器进行预测；
[0017]步骤5：应用服务器在获取GCN
‑
GRU组合预测模型后，在GCN
‑
GRU组合预测模型中首先使用长度为n的历史时间序列数据作为输入，n取值正整数，并使用图卷积网络捕捉目标航空公司的网络的拓扑结构，以获得空间特征，其次，将获得的具有空间特征的时间序列输入到门控循环单元层中，通过单元间的信息传递获得动态变化，以获取时间特征，最后通过全连接层输出最终的预测结果。
[0018]优选的，在执行步骤2时，具体包括如下步骤：
[0019]步骤S2
‑
1：获取目标航空公司的航班运行网络以及航班延误历史数据后，将航班运行网络标记为网络G，使用加权有向图G＝(V，E，W)来描述航空公司航班运行网络的拓扑结构，V是机场节点集合，V＝{v1，v2，
……
，v
N
}，N是机场节点的数量，E代表由航线连接的机场组成的边集合，W即为加权邻接矩阵；
[0020]构建加权邻接矩阵W∈R
N
×
N
通过以下公式反映网络G内机场间的空间关联性：
[0021][0022]其中，Q
j
为某航空公司在机场v
j
的日均离港航班频次，f
ij
为某航空公司从机场v
i
到机场v
j
的日均航班频次；
[0023]机场延误水平由机场离港航班准点率衡量，将机场网络上的各机场离港航班准点率作为节点属性特征，构建特征矩阵X∈R
N
×
P
，P代表节点属性特征的数量，即历史时间序列的长度，X
t
∈R
N
×
t
用于表示t时段每个节点的延误水平；
[0024]步骤2
‑
2：在构建图卷积网络层时，采用多层传播规则应用于多个网络的叠加，传播规则的形式如下公式：
[0025][0026]其中，表示加入节点自身特征的邻接矩阵，I
N
为单位矩阵，表示度矩阵，H
(l)
∈R
N
×
l
表示第l层的激活值，θ
(l)
表示第l层的参数，σ(
·
)代表激活函数。图卷积网络层通过确定中心节点与周边节点的拓扑关系，同时对机场网络的拓扑结构和节点的属性进行编码，进而捕捉空间依赖性。
[0027]优选的，所述机场节点即将每一个机场作为一个节点。
[0028]优选的，在执行步骤3时，门控循环单元通过引入门控机制来进行遗忘与选择记忆。
[0029]优选的，在执行步骤3时，对于航班运行网络中的各个时间点，对于航线网络中的各个节点，门控循环单元层中的门控循环网络对于输入的航线客运量数据进行特征挖掘，在激活函数σ(
·
)与权重矩阵W
u
和W
r
的共同作用下实现信息的更新与重置，具体变换公式组如下：
[0030]u
t
＝σ(W
u
*[X
t
，h
t
‑1]+b
u
)；
ꢀꢀꢀꢀ
(公式3)
[0031]r
t
＝σ(W
r
*[X
t
，h
t
‑1]+b
r<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组合模型的航班运行网络延误预测方法，其特征在于：包括如下步骤：步骤1：数据采集服务器通过互联网获取目标航空公司的航班运行网络以及航班延误历史数据，并发送给模型构建服务器；步骤2：在模型构建服务器中，利用航班延误历史数据构建特征矩阵；同时，确定航班运行网络中各条航线间的空间影响关系，构建邻接矩阵；根据特征矩阵和邻接矩阵构建图卷积网络层捕获图的空间特征与拓扑结构关系；步骤3：在模型构建服务器中构建门控循环单元层，门控循环单元层通过引入门控机制来进行遗忘与选择记忆，进一步提取时间序列特征，生成时间图卷积预测层，时间图卷积预测层用于对航班延误进行预测；定义损失函数，计算损失；步骤4：构建GCN
‑
GRU组合预测模型和全连接层，基于图卷积网络层、门控循环单元层和全连接层构建组合预测模型，并发送给应用服务器进行预测；步骤5：应用服务器在获取GCN
‑
GRU组合预测模型后，在GCN
‑
GRU组合预测模型中首先使用长度为n的历史时间序列数据作为输入，n取值正整数，并使用图卷积网络捕捉目标航空公司的网络的拓扑结构，以获得空间特征，其次，将获得的具有空间特征的时间序列输入到门控循环单元层中，通过单元间的信息传递获得动态变化，以获取时间特征，最后通过全连接层输出最终的预测结果。2.如权利要求1所述的一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：在执行步骤2时，具体包括如下步骤：步骤S2
‑
1：获取目标航空公司的航班运行网络以及航班延误历史数据后，将航班运行网络标记为网络G，使用加权有向图G＝(V,E,W)来描述航空公司航班运行网络的拓扑结构，V是机场节点集合，V＝{v1,v2,......,v
N
}，N是机场节点的数量，E代表由航线连接的机场组成的边集合，W即为加权邻接矩阵；构建加权邻接矩阵W∈R
N
×
N
，通过以下公式反映网络G内机场间的空间关联性：其中，Q
j
为某航空公司在机场v
j
的日均离港航班频次，f
ij
为某航空公司从机场v
i
到机场v
j
的日均航班频次。3.机场延误水平由机场离港航班准点率衡量，将机场网络上的各机场离港航班准点率作为节点属性特征，构建特征矩阵X∈R
N
×
P
，P代表节点属性特征的数量，即历史时间序列的长度，X
t
∈R
N
×
t
用于表示t时段每个节点的延误水平；步骤2
‑
2：在构建图卷积网络层时，采用多层传播规则应用于多个网络的叠加，传播规则的形式如下公式：其中，表示加入节点自身特征的邻接矩阵，I
N
为单位矩阵，表示度矩阵，
H
(l)
∈R
N
×
l
表示第l层的激活值，θ
(l)
表示第l层的参数，σ(
·
)代表激活函数；图卷积网络层通过确定中心节点与周边节点的拓扑关系，同时对机场网络的拓扑结构和节点的属性进行编码，进而捕捉空间依赖性。4.如权利要求2所述的一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：所述机场节点即将每一个机场作为一个节点。5.如权利要求2所述的一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：在执行步骤3时，门控循环单元通过引入门控机制来进行遗忘与选择记忆。6.如权利要求2所述的一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：在执行步骤3时，对于航班运行网络中的各个时间点，对于航线网络中的各个节点，门控循环单元层中的门控循环网络对于输入的航线客运量数据进行特征挖掘，在激活函数σ(
·

【专利技术属性】
技术研发人员：吴薇薇，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：