基于AGC-LSTM的扇区流量预测方法技术

本发明专利技术涉及一种基于AGC‑LSTM的扇区流量预测方法，包括步骤：扇区内航段网络图构建；注意力增强型图卷积(AGC)结合长短期记忆网络(LSTM)模型构建；训练AGC‑LSTM模型；使用训练后的AGC‑LSTM模型计算得到扇区的流量预测值。本发明专利技术的基于AGC‑LSTM的扇区流量预测方法在GCN中加入了多头注意力机制来捕获航段网络的拓扑结构并且聚焦关键节点；采用扇区相关航段构建扇区航段网络来实现对扇区流量的预测，通过GCN模型来提取空间相关性特征，有效地考虑了扇区空域结构对扇区流量的影响，通过LSTM模型捕获节点属性的时间动态变化，有效地考虑了时间特征对扇区流量的影响。

【技术实现步骤摘要】

本专利技术涉及空中交通流量管理领域，特别涉及一种基于agc-lstm的扇区流量预测方法。

技术介绍

1、空中交通扇区流量预测为有效掌握空中交通运行态势提供支撑，有助于准确识别扇区容流失衡状态，有利于实现扇区空域资源的科学分配和高效的空中交通流量管理，减少拥堵和扇区过载风险，保障空中交通的顺畅运行。

2、空中交通流量预测方法的发展可以分为经典方法、机器学习和深度学习三个主要类别。早期的预测方法主要采用经典方法和机器学习，主要有卡尔曼滤波模型、非参数回归以及自回归综合移动平均(arima)；随机森林、支持向量机(svm)、k最近邻等。然而这些方法都在实际应用中会出现线性假说和无法获取时空相关性的限制。随着深度学习的兴起，神经网络方法被引入空中交通预测中，用于交通量和交通复杂度的预测研究。

3、深度学习模型可以通过构建深层神经网络来提取数据中的复杂特征，能够很好地捕捉空中交通数据中的非线性和时空相关性。初期的深度学习模型基于循环神经网络(rnn)和长短时记忆网络(lstm)，充分挖掘了空中交通数据的时间特征，却忽视了空间依赖性的深度提取。本文档来自技高网...

【技术保护点】

1.一种基于AGC-LSTM的扇区流量预测方法，其特征在于，包括：

2.根据权利要求1所述的扇区流量预测方法，其特征在于，

3.根据权利要求1所述的扇区流量预测方法，其特征在于，

4.根据权利要求1所述的扇区流量预测方法，其特征在于，

5.根据权利要求1所述的扇区流量预测方法，其特征在于，

【技术特征摘要】

1.一种基于agc-lstm的扇区流量预测方法，其特征在于，包括：

2.根据权利要求1所述的扇区流量预测方法，其特征在于，

3.根据权利要求1所述...

【专利技术属性】
技术研发人员：张颖，徐世民，周笑桐，田文，陈海燕，王兵，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：