【技术实现步骤摘要】
本专利技术涉及机场管制数据处理，具体而言，涉及基于深度学习的飞机滑行时间预测方法及装置。
技术介绍
1、现有的飞机滑行时间预测方法仍存在以下弊端：1)由于机场场面的网络拓扑不同，现有的不同方法论涉及不同的特征值和特征变量，其考虑的特征值的数量从几个高达至几十个不等，尚未有统一的特征值选择标准，同时由于机场场面运动的不确定性，有一些被忽略或者不好被量化的有效特征无法进行统计，导致模型的性能受限；2)基于特定规则的数学模型的方法，在建模中受限于模型本身，当运行规则发生变化，模型便需要重新构建，缺乏普适性。虽然预测精度很高，但模型规则复杂不易分析，计算量大、决策变量维度高等，使得计算时间随模型复杂度增加呈指数增长，需要在计算精度和计算效率之间寻求平衡；3)目前用于滑行时间预测的机器学习、深度学习方法没有充分利用飞机滑行过程中产生的数据，挖掘飞机滑行过程中机场场面交通网络复杂的时空关联性。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的飞机滑行时间预测方法、装置、设备及可读存储介质，...
【技术保护点】
1.一种基于深度学习的飞机滑行时间预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的飞机滑行时间预测方法，其特征在于,所述机场交通运行历史数据包括路网信息、路段的历史交通状况信息、时间信息、飞机属性信息和机场的历史交通流量信息，对所述第一信息进行特征提取，包括：
3.根据权利要求1或2所述的基于深度学习的飞机滑行时间预测方法，其特征在于,根据所述路段的静态时空特征，基于空间注意力机制和时间注意力机制处理，得到所述路段的动态时空特征，包括：
4.根据权利要求2所述的基于深度学习的飞机滑行时间预测方法，其特征在于,所述...
【技术特征摘要】
1.一种基于深度学习的飞机滑行时间预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的飞机滑行时间预测方法，其特征在于,所述机场交通运行历史数据包括路网信息、路段的历史交通状况信息、时间信息、飞机属性信息和机场的历史交通流量信息，对所述第一信息进行特征提取，包括：
3.根据权利要求1或2所述的基于深度学习的飞机滑行时间预测方法，其特征在于,根据所述路段的静态时空特征，基于空间注意力机制和时间注意力机制处理，得到所述路段的动态时空特征，包括：
4.根据权利要求2所述的基于深度学习的飞机滑行时间预测方法，其特征在于,所述飞机滑行时间预测方法还包括进行多任务学习，进行多任务学习包括：
5.根据权利要求1所述的基于深度学习的飞机滑行时间预测方法，其特征在于,根据所述飞机属性特征、所述当前出发时间特征、所述路段的动态时空特征和所述滑行路线中所述...
【专利技术属性】
技术研发人员：尹苏皖，杨校一，杨红雨，王晴，李瀚弘，伍元凯，
申请(专利权)人：四川大学，
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。