【技術實現步驟摘要】
本專利技術涉及數據分析大數據與交通延誤傳播，特別涉及基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法及系統。
技術介紹
1、為了適應迅速增長的航班運輸需求，航空公司通常會制定緊湊的航班計劃，使得同一架航空器能執行多個航段的飛行任務，同時由于飛機航班會在各個機場之間通航，使得某一個機場發生的延誤堵塞影響會隨著航班在各個機場之間的運行帶到其他機場，這就導致前序航班造成的影響會通過航班鏈向后續的機場進行傳播，使得航班延誤的傳播范圍在航空運輸網中不斷持續擴大，從而產生一系列的延誤傳播問題，這也成為研究空中交通延誤繞不開的問題。
2、針對航班延誤傳播分析，國內外學者采用了不同的方法，一些研究者采用了構造傳播動力學模型的方法進行航班延誤傳播的預測，這種采用簡單動力學模型的方法不能將延誤傳播的行為完全展示出來，且預測的準確率還有待提高，還有結合復雜網絡的視角利用傳播動力學方法分析延誤傳播，但是其所構建的網絡常常是通過仿真生成出來的，與實際場景還是會有所不同。
3、專利技術人經過研究發現，現有技術中的航班延誤傳播預測方法至少還存在以下缺陷：
4、對多個機場延誤航班的預測準確率低，未充分利用所構建網絡的時空特性，沒有結合物理信息學習的方法，對延誤傳播過程特性進行學習。
5、公開于該
技術介紹
部分的信息僅僅旨在增加對本專利技術的總體背景的理解，而不應當被視為承認或以任何形式暗示該信息構成已為本領域一般技術人員所公知的現有技術。
技術實現思路
1、本專
2、本專利技術提供了一種基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，包括步驟：
3、s11、獲取多個機場的航班數據和氣象報文數據；
4、s12、分析所述航班數據和所述氣象報文數據的時間序列自相關性，以時間片劃分所述航班數據；并解析轉換所述氣象報文數據，得到帶索引的氣象報文數據；
5、s13、類比時空注意力網絡模型的輸入，對劃分時間片的所述航班數據和所述帶索引的氣象報文數據進行預處理，得到時空數據序列；所述時空數據序列包括機場、時間和特征的三維數據集；
6、s14、以所述時空數據序列為建模數據，根據所述時空注意力網絡模型和傳播動力學方法得到新權重模型；所述新權重模型用于單機場航班延誤預測；
7、s15、根據所述新權重模型的預測結果，對所述新權重模型進行改進得到航班延誤預測模型；所述航班延誤預測模型用于多機場航班延誤預測。
8、優選的，本專利技術實施例中，所述對劃分時間片的所述航班數據和所述帶索引的氣象報文數據進行預處理，包括：
9、類比時空注意力網絡模型和輸入，定義航班傳播動力學模型和航班狀態；統計各機場中各所述航班狀態的航班數量和各機場中的各機型數量；所述航班狀態包括：正常航班、延誤航班和恢復航班；
10、對劃分時間片的所述航班數據中的缺失值進行刪除方式清洗；對所述帶索引的氣象報文數據進行鄰值填充方式清洗；
11、對清洗后的所述劃分時間片的航班數據和所述帶索引的氣象報文數據進行融合；
12、對融合后數據中的各航班狀態進行差分計算得到各航班狀態中每個時間片的航班數量變化；
13、將各所述航班狀態每個時間片的數量變化作為回歸任務標簽；并將各機場的靜態航班數據融合到每條動態航班數據中。
14、優選的，本專利技術實施例中，所述對劃分時間片的所述航班數據和所述帶索引的氣象報文數據進行預處理，包括：
15、對不需要提取中間數據特征的所有航班數據進行編碼，包括：
16、對數值型數據編碼采用標準化的方法；對非數值型數據采用詞頻-逆向文件頻率的方法對非數值型數據處理后再進行標準化處理；
17、提取沒有編碼的各數據；并根據歷史窗口、預測窗口和滑動步長對各數據進行優化整理。
18、優選的，本專利技術實施例中，提取沒有編碼的各數據；并根據歷史窗口、預測窗口和滑動步長對各數據進行優化整理，包括：
19、根據門控循環單元每次學習滑過的步長，將沒有編碼的各數據的時間維度整理成總步長數；
20、特征維度由原來每個時間片的維度修改為每個步長包含所有時間片的特征集合；
21、提取每個步長的航班狀態數量作為所述航班傳播動力學模型預測時的起始值，每個歷史窗口的延誤航班數量變化的數量和恢復航班數量變化的數量作為全連接層預測結果的添加特征，每個預測窗口的延誤航班數量變化的數量和恢復航班數量變化的數量作為與預測值計算損失函數的真實值。
22、優選的，本專利技術實施例中，所述新權重模型，包括：
23、前向傳播訓練模型和反向傳播訓練模型，其中，
24、前向傳播訓練模型中通過下列公式計算時空注意力網絡模型的總損失：
25、l＝mse(lpred)+αphymse(lphy)1
26、公式中，l為時空注意力網絡模型的總損失，mse表示均方誤差的損失函數，lpred為經過全連接層預測的結果，αphy為動力學模型預測結果參與均方誤差損失函數的權重，lphy為動力學模型預測結果；
27、反向傳播訓練模型中對所述前向傳播訓練模型中獲取的損失函數通過下列公式進行鏈式求導：
28、
29、公式中，θk為第k層的網絡參數，η為學習率，l為網絡模型的總損失函數，為梯度算子。
30、優選的，本專利技術實施例中，所述新權重模型，包括：
31、輸入層，用于將預處理后的編碼數據輸入時空注意力網絡模型；
32、特征提取層，用于經過前向傳播訓練模型和反向傳播訓練模型進行特征的提取，并根據不同方法的預測值使用損失函數相同權重不同的方法進行加權優化；
33、方法分離層，用于根據不同的方法，輸出不同預測序列的結果。
34、優選的，本專利技術實施例中，所述新權重模型的預測結果，包括：
35、通過時空注意力網絡模型輸出部分的全連接層預測機場未來延誤航班架次；
36、通過所述方法分離層用另外一個全連接層預測航班傳播動力學模型中的參數。
37、優選的，本專利技術實施例中，對所述新權重模型進行改進，包括：
38、所述時空注意力網絡模型的圖注意力網絡中，各參數的每個節點的通過下列公式進行學習：
39、
40、公式中，eij為節點i對節點j的注意力分數；a為可學習的參數；ei和ej為不同節點的不同嵌入向量；wp為權重池；為表示節點i的特征向量；為節點j的特征向量；
41、優選的，本專利技術實施例中，對所述新權重模型進行改進，包括：
42、結合所述傳播動力學增加動力學狀態轉換，包括下列公式：
43、
44、公式中，和為從當前時刻到下一時刻三種狀態的變化量；αt為t時刻延誤航班的傳播率；βt為t時刻的航班恢復率，s本文檔來自技高網...
【技術保護點】
1.一種基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，所述對劃分時間片的所述航班數據和所述帶索引的氣象報文數據進行預處理，包括：
3.根據權利要求2所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，所述對劃分時間片的所述航班數據和所述帶索引的氣象報文數據進行預處理，包括：
4.根據權利要求3所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，提取沒有編碼的各數據；并根據歷史窗口、預測窗口和滑動步長對各數據進行優化整理，包括：
5.根據權利要求1所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，所述新權重模型，包括：
6.根據權利要求5所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，所述新權重模型，包括：
7.根據權利要求6所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在
8.根據權利要求7所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，對所述新權重模型進行改進，包括：
9.根據權利要求8所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，對所述新權重模型進行改進，包括：
10.一種基于時空注意力深度學習網絡的大面積航班延誤傳播預測系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，所述對劃分時間片的所述航班數據和所述帶索引的氣象報文數據進行預處理，包括：
3.根據權利要求2所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，所述對劃分時間片的所述航班數據和所述帶索引的氣象報文數據進行預處理，包括：
4.根據權利要求3所述的基于時空注意力深度學習網絡的大面積航班延誤傳播預測方法，其特征在于，提取沒有編碼的各數據；并根據歷史窗口、預測窗口和滑動步長對各數據進行優化整理，包括：
5.根據權利要求1所述的基于時空注意力深度學習網絡的...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。