System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于空中交通管理,具体涉及一种基于空中交通时空动态图的交通流量预测方法。
技术介绍
1、近年来,民航业发展迅速,航班量显著增加,当前的空管系统已逐渐无法满足安全高效运行需求。为突破现有空管系统保障能力的瓶颈,准确预测交通流量是能够有效提升空管的智能化规划和管理能力的有效途径之一。现已有大量关于航空交通流量的预测研究,如公告号为:cn115907079b、cn112926809b和cn110210648b的专利。
2、然而,目前的大规模空中交通流量预测方法,无法满足高密度空中交通时空运行资源表示、大规模空中交通航迹预先规划等应用需求,难以支撑高密度空中交通精准运行。
3、因此,亟需构建一种有效、准确抽取空中交通时空运行动态特征的空中交通运行网络全局表示方法,从而保证高密度空中交通复杂运行环境下对航班航迹和区域等交通流量的精确预测,实现全国空域单元通行能力精准预警、空中交通航迹智能预先规划与协同调度。
技术实现思路
1、鉴于上述问题,本专利技术提供的一种基于空中交通时空动态图的交通流量预测方法,在航路网络的静态图基础上将航班和航路点作为网络节点,通过实时航班运行数据建立空中交通连续时间动态运行图,使用附带时间戳的飞行事件序列表征图网络的动态变化,并针对航迹规划受到危险天气、飞行冲突等多方面因素影响的问题,引入实时运行中的流控信息作为动态图航路点节点状态,融合表征飞行航迹、空域结构、气象环境等多视角信息,进而通过时间图网络模型进行图表示学习,从实时航班运
2、本专利技术提供了一种基于空中交通时空动态图的交通流量预测方法,具体步骤如下:
3、步骤1、建立空中交通时空运行动态图;
4、步骤2、获取航班航迹数据和流控信息,将航班航迹数据和流控信息处理为飞行事件;多个飞行事件构成飞行事件串;
5、步骤3、基于空中交通时空运行动态图和飞行事件建立交通流量预测数据集;将交通流量预测数据集分为训练集和测试集;
6、步骤4、使用训练集数据训练时间图神经网络模型获得更新模型;
7、步骤5、将测试集数据输入更新模型进行交通流量预测。
8、可选地,步骤2中,提取时间集合内所有航班的航班轨迹数据中的航班轨迹过点和过点对应时间戳;基于航班轨迹过点和过点对应时间戳,将航班的起飞机场和降落机场作为机场节点的机场特征变化事件,将航班经过的航路点作为该航路点节点的航路点特征变化事件。
9、可选地,步骤2中,根据限制类型将流控信息分为起飞延误信息、途中延误信息、到达延误信息以及高度变化信息;
10、其中,起飞延误信息、到达延误信息作为机场节点的机场特征变化事件;高度变化延误作为航路点节点的节点特征变化事件;途中延误信息作为航路的边特征变化事件。
11、可选地,步骤2中,基于机场节点的机场特征变化事件、航路点节点的航路点特征变化事件和航路的边特征变化事件获得节点事件和航路事件。
12、可选地,步骤3中,基于空中交通时空运行动态图获得其时间集合内初始时刻空中交通时空运行动态图和每个时刻的实时节点和航路流量。
13、可选地,步骤3中,使用初始时刻空中交通时空运行动态图、时间集合内飞行事件组成的飞行事件串以及每个时刻的实时节点、航路流量构建交通流量预测数据;根据不同时间集合构建的多条交通流量预测数据构成交通流量预测数据集。
14、可选地,步骤3中,将所有节点事件和航路事件按发生的时间先后进行排序获得关于时间排序的飞行事件串。
15、可选地,步骤4中的具体步骤为:
16、步骤 41、将初始时刻空中交通时空运行动态图输入时间图神经网络模型编码器的记忆单元,获得节点的初始状态;
17、步骤42、基于飞行事件串和空中交通时空运行动态图建立行消息传播和消息聚合模型;
18、步骤43、基于步骤41获得的节点初始状态,使用步骤42的聚合消息模型对节点状态进行更新获得节点的节点更新状态;
19、步骤44、使用节点更新状态生成节点的时序嵌入表示,获得空中交通时空运行动态图的低维稠密向量表示;
20、步骤45、将编码器生成的低维稠密向量表示输入时间图神经网络模型的解码器,获得更新模型。
21、与现有技术相比,本专利技术至少具有现如下有益效果:
22、(1)本专利技术考虑到空中交通复杂的运行环境和饱和的航班密度,引入实时运行中的流控信息作为模型网络节点状态,实时准确地分析复杂运行因素和空域单元通行能力对空中交通管理全局的影响。
23、(2)本专利技术考虑到空中交通管理网络动态性强的特点,在航路网络的静态图基础上建立空中交通连续时间动态运行图,使用附带时间戳的飞行事件序列表征动态图网络的动态变化,并采用图表示学习的方法,利用时空图网络将航班运行状态抽象成动态图节点状态,以便于后续通过链接预测实现航路、流量预测等任务。
本文档来自技高网...【技术保护点】
1.一种基于空中交通时空动态图的交通流量预测方法,其特征在于,具体步骤如下:
2.根据权利要求1所述的交通流量预测方法,其特征在于,步骤2中,提取时间集合内所有航班的航班轨迹数据中的航班轨迹过点和过点对应时间戳;基于航班轨迹过点和过点对应时间戳,将航班的起飞机场和降落机场作为机场节点的机场特征变化事件,将航班经过的航路点作为该航路点节点的航路点特征变化事件。
3.根据权利要求2所述的交通流量预测方法,其特征在于,步骤2中,根据限制类型将流控信息分为起飞延误信息、途中延误信息、到达延误信息以及高度变化信息;
4.根据权利要求3所述的交通流量预测方法,其特征在于,步骤2中,基于机场节点的机场特征变化事件、航路点节点的航路点特征变化事件和航路的边特征变化事件获得节点事件和航路事件。
5.根据权利要求4所述的交通流量预测方法,其特征在于,步骤3中,基于空中交通时空运行动态图获得其时间集合内初始时刻空中交通时空运行动态图和每个时刻的实时节点和航路流量。
6.根据权利要求5所述的交通流量预测方法,其特征在于,步骤3中,使用初始时刻空
7.根据权利要求6所述的交通流量预测方法,其特征在于,步骤3中,将所有节点事件和航路事件按发生的时间先后进行排序获得关于时间排序的飞行事件串。
8.根据权利要求6所述的交通流量预测方法,其特征在于,步骤4中的具体步骤为:
...【技术特征摘要】
1.一种基于空中交通时空动态图的交通流量预测方法,其特征在于,具体步骤如下:
2.根据权利要求1所述的交通流量预测方法,其特征在于,步骤2中,提取时间集合内所有航班的航班轨迹数据中的航班轨迹过点和过点对应时间戳;基于航班轨迹过点和过点对应时间戳,将航班的起飞机场和降落机场作为机场节点的机场特征变化事件,将航班经过的航路点作为该航路点节点的航路点特征变化事件。
3.根据权利要求2所述的交通流量预测方法,其特征在于,步骤2中,根据限制类型将流控信息分为起飞延误信息、途中延误信息、到达延误信息以及高度变化信息;
4.根据权利要求3所述的交通流量预测方法,其特征在于,步骤2中,基于机场节点的机场特征变化事件、航路点节点的航路点特征变化事件和航路的边特征变化事件获得节点事件...
【专利技术属性】
技术研发人员:蔡开泉,杨杨,朱家乐,张霄霄,
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。