【技术实现步骤摘要】
本专利技术涉及民航延误预测，具体涉及一种用于航空延误预测的动态时空图神经网络模型及应用。
技术介绍
1、近年来，民航因其便捷、高效的运输手段，已成为构建现代综合交通运输体系的重要组成部分。然而，伴随着运输需求日益提升，飞行流量大幅增加，在有限空域内航空运输快速增长与关键资源不足、保障能力不强的矛盾日益凸显，加之恶劣天气、航空管制等突发情况时常发生，直接导致航班准点率下降，航班延误频发，进而致使延误在网络内部传播，引发航空交通网络波及效应，造成严重经济损失与社会影响。目前，中国专利cn111738425b、cn111523641a、cn115018073a 等针对民航航班延误信息进行了相关预测的研究探索。
2、航班延误预测是运用过去的机场延误数据进行先验知识学习，提取序列趋势性信息并消除扰动产生的随机性影响，对未来机场延误进行趋势预测。然而，空中交通运输系统的复杂性、预测模型的多样性和航空系统中的大量数据，造成难以构建精确的波及效应预测模型。国内外研究人员将波及效应预测方法分为以下四类：基于统计理论、基于机器学习方法、基于深度学习方法、基于神经网络方法。2017年，郭野晨风等人建立多元线性回归模型，实现了恶劣天气条件下机场延误的有效预测；2009年，徐涛等人在考虑机场承载能力不足可能导致航班延误的情形下，基于改进的svm算法对不断更新的航班数据进行建模，取得了80%的准确率。2016年，elaraby n m等人基于lstm模型对每日的平均航班波及延误进行预测，实验表明使用基于递归神经网络的预测模型，可以有效的获取机场
3、近年来，研究人员基于图神经网络模型，对航班延误预测问题开展研究，利用机场作为节点，机场延误作为节点特征，以机场距离及飞行流量作为连边权重表征机场网络结构。但目前的研究工作中，并未考虑机场异质性的问题，忽视了异质机场对机场关联提取的影响作用。
技术实现思路
1、鉴于上述问题，本专利技术提供了一种用于航空延误预测的动态时空图神经网络模型及应用，基于注意力机制的编解码器架构，将图卷积网络与循环神经网络进行耦合，利用机场距离与飞行流量作为图结构，并设计自适应向量对异质机场进行动态加权融合，实现对未来时间步机场平均延误的精确预测。
2、本专利技术提供了一种用于航空延误预测的动态时空图神经网络模型及应用，包括：
3、输入层、图卷积-异质机场加权融合层、图卷积-循环神经网络耦合层和输出层；
4、所述输入层，用于接收多个历史时间段中各机场的延误信息、各历史时间段机场的航班飞行信息和各机场之间的距离信息；
5、所述图卷积-异质机场加权融合层，用于对每个历史时间段机场的延误信息进行图卷积计算以及异质机场动态加权融合，获得各历史时间段总隐藏层向量；
6、所述图卷积-循环神经网络耦合层，将各历史时间段总隐藏层向量进行图卷积-循环神经网络耦合，建立编码器-解码器架构，获得解码器输出隐藏层向量；
7、所述输出层，通过对所述解码器输出隐藏层向量进行非线性变换得到未来时间段航空延误时间预测。
8、优选的，所述输入层还包括机场延误图向量获取层，将所述多个历史时间段中各机场的延误信息输入所述机场延误图向量获取层中，输出多个历史时间段机场延误图向量；
9、静态机场距离图获取层，将所述各机场之间的距离信息作为静态机场距离图获取层输入，获取静态机场距离图；
10、动态飞行流量图获取层，将各历史时间段机场的航班飞行信息作为动态飞行流量图获取层的输入，获得各历史时间段动态飞行流量图；
11、进一步的，获取所述多个历史时间段机场延误图向量、各历史时间段动态飞行流量图以及静态机场距离图，具体步骤包括：
12、步骤a、提取航空网络中各机场的航班历史数据和经纬度坐标；统计航班历史数据中每个历史时间段各个机场的平均航班延误数据和往来航班架次，获得历史时间段数据集 hdata， hdata ={ hm}， m=1,2,.. m， m为历史时间段的总段数；
13、进一步的，步骤a所述历史时间段的划分方式为：将一天24小时划分为 m个历史时间段，每半个小时为一个历史时间段。
14、步骤b、使用步骤a中任意第 m个历史时间段所有机场的平均延误数据，构造第 m个历史时间段的机场延误图向量 ρm；使用步骤a中第 m个历史时间段各机场往来航班架次作为飞行流量值，构造第 m个历史时间段动态飞行流量图；基于步骤a航空网络中各机场的经纬度坐标获得静态机场距离图 adistance；
15、进一步的，获取步骤b所述第 m个历史时间段的机场延误图向量 ρm的具体步骤包括：
16、选择第 m个历史时间段，以所述第 m个历史时间段的机场作为图的节点向量，以所述第 m个历史时间段的机场平均延误时间作为节点向量的延误特征，获得第 m个历史时间段的更新节点向量，将第 m个历史时间段的所有更新节点向量进行拼接，构造第 m个历史时间段的机场延误图向量 ρm，如图2所示；
17、所述第 m个历史时间段的机场延误图向量 ρm经过了标准化处理；所述标准化处理为：获取 m个总历史时间段机场延误图向量 ρm的数据集，将所述数据集的最大值和最小值进行标准化处理，设定标准化处理后的数值范围为[0,1]，表达式为：
18、；
19、其中， ρm ′为第 本文档来自技高网...
【技术保护点】
1.一种用于航空延误预测的动态时空图神经网络模型，其特征在于，包括输入层、图卷积-异质机场加权融合层、图卷积-循环神经网络耦合层和输出层；
2.根据权利要求1所述的动态时空图神经网络模型，其特征在于，还包括机场延误图向量获取层，用于将所述多个历史时间段中各机场的延误信息输入所述机场延误图向量获取层中，输出多个历史时间段机场延误图向量。
3.根据权利要求2所述的动态时空图神经网络模型，其特征在于，获得各历史时间段总隐藏层向量的具体步骤为：
4.根据权利要求3所述的动态时空图神经网络模型，其特征在于，获取所述各历史时间段机场距离隐藏层向量和机场流量隐藏层向量的具体步骤包括：
5.根据权利要求3所述的动态时空图神经网络模型，其特征在于，所述各历史时间段机场距离隐藏层向量与机场流量隐藏层向量的表达式为：
6.根据权利要求1所述的动态时空图神经网络模型，其特征在于，所述异质机场动态加权融合的表达式为：
7.根据权利要求6所述的动态时空图神经网络模型，其特征在于，获得所述解码器输出隐藏层向量的具体步骤包括：
9.根据权利要求1所述的动态时空图神经网络模型，其特征在于，获取所述未来一个时间段机场网络延误时间，包括：
10.一种动态时空图神经网络模型的应用，使用权利要求1-9任一项所述的动态时空图神经网络模型预测未来一个时间段机场网络延误时间。
...【技术特征摘要】
1.一种用于航空延误预测的动态时空图神经网络模型，其特征在于，包括输入层、图卷积-异质机场加权融合层、图卷积-循环神经网络耦合层和输出层；
2.根据权利要求1所述的动态时空图神经网络模型，其特征在于，还包括机场延误图向量获取层，用于将所述多个历史时间段中各机场的延误信息输入所述机场延误图向量获取层中，输出多个历史时间段机场延误图向量。
3.根据权利要求2所述的动态时空图神经网络模型，其特征在于，获得各历史时间段总隐藏层向量的具体步骤为：
4.根据权利要求3所述的动态时空图神经网络模型，其特征在于，获取所述各历史时间段机场距离隐藏层向量和机场流量隐藏层向量的具体步骤包括：
5.根据权利要求3所述的动态时空图神经网络模型，其...
【专利技术属性】
技术研发人员：杜文博，刘令，李嘉琦，李碧月，陈莘文，李宇萌，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
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。