【技術實現步驟摘要】
本專利技術涉及航空運輸和智能交通領域，具體是一種基于深度時空圖卷積神經網絡的航空器滑行時間預測方法。
技術介紹
1、隨著全球航空運輸需求的不斷增長，機場的地面運營復雜度和航空器滑行管理的挑戰日益增加。航空器在機場地面滑行過程中，滑行時間的精準預測是保障機場運行效率、減少延誤、優化資源配置和提升乘客體驗的關鍵因素。
2、傳統的航空器滑行時間預測方法通常基于規則模型或統計方法，這些方法在面對復雜的機場網絡結構和動態變化的運行環境時存在諸多局限性。傳統方法難以有效捕捉機場滑行道網絡中的空間依賴關系和不同滑行路徑之間的相互影響；滑行時間中的時間動態變化特征，例如航空器排隊、滑行速度受天氣或交通流量影響的波動，往往也難以通過簡單的統計模型準確描述。因此，現有技術在滑行時間預測的準確性和魯棒性方面，尤其是針對大規模復雜機場運行的場景，仍存在較大的改進空間。
3、隨著人工智能和數據科學的發展，特別是圖卷積神經網絡(graph?convolutionalnetworks,gcn)在處理復雜網絡結構數據中的廣泛應用，結合時間序列建模的時空圖神經網絡(spatio-temporal?graph?neural?network,st-gcn)在時空依賴性強的領域展現出了良好的應用前景。這類模型能夠有效地結合空間圖結構和時間序列數據進行聯合建模，為復雜動態系統(如機場滑行網絡)中的時間預測提供了一種全新的思路和方法。
4、然而，如何利用深度學習技術，特別是時空圖卷積神經網絡模型，來更精確地捕捉航空器滑行中的空間和時間依
技術實現思路
1、為了解決現有技術中航空器滑行時間預測準確性不足、難以處理機場滑行道網絡復雜性和動態因素的問題，提出了一種基于深度時空圖卷積神經網絡的航空器滑行時間預測方法。
2、為實現上述目的，本專利技術采用以下技術方案：
3、一種基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，包括以下步驟：
4、步驟一，將機場鄰接矩陣、航空器運行特征和歷史滑行時間的時空數據形成的原始數據集輸入預測模型；
5、步驟二，對輸入的原始數據集進行標準化處理，避免異常值和極端值對結果的影響；
6、步驟三，構建機場運行網絡拓撲圖，并使用圖卷積神經網絡對機場滑行路徑網絡的空間依賴關系進行建模，并根據機場滑行道的網絡拓撲結構，對節點及其鄰近節點的信息進行卷積操作，以捕捉滑行路徑上節點間的空間相關性；
7、步驟四，結合門控循環單元對航空器滑行時間預測模型進行迭代與優化，通過設置損失函數計算模型的預測誤差，并利用優化算法調整模型參數，包括權重和偏置，以最小化損失函數；
8、步驟五，對預測結果進行系統性的評價，以驗證模型的準確性和可靠性，通過不同的評價指標來分析預測誤差，確保模型在實際場景中的適用性。
9、進一步的，步驟一的具體內容為：
10、機場鄰接矩陣，用于描述機場滑行道網絡中各節點之間的連接關系，鄰接矩陣中的值代表滑行路徑節點之間的相互關系；
11、航空器運行特征，所述特征包括航空器的種類、型號、航班的運行時間段；
12、歷史滑行時間，通過機場檢測系統獲取機場在不同時間段內的航空器滑行時間記錄，為模型提供滑行時間的歷史特征。
13、進一步的，步驟二的具體步驟為：
14、(2.1)對初始數據集進行標準化處理，使用均值和標準差對數據進行標準化處理，確保所有輸入特征都在相同的數值范圍內，以降低某些特征由于量級不同而對模型造成的偏差；
15、(2.2)對異常值進行處剔除或限制異常值和極端值，以減小其對模型訓練的影響，這樣可以提升模型對輸入數據的適應性，使得模型對正常數據和異常數據的表現更為穩定。
16、進一步的，步驟三的具體步驟為：
17、(3.1)以機場的滑行道為節點，滑行道之間的直接連接作為邊，構建出機場滑行路徑的拓撲圖。拓撲圖上的節點代表滑行網絡中的各個關鍵位置，邊代表滑行道之間的直接連接。
18、(3.2)使用gcn對拓撲圖中的節點進行卷積操作。通過圖卷積操作，提取機場滑行網絡中的空間相關性信息。卷積操作通過鄰接矩陣傳遞信息，使得每個節點能夠聚合其相鄰節點的信息，學習到滑行路徑上各節點之間的空間依賴關系。
19、(3.3)在每一層圖卷積中，節點會更新其特征值，逐漸學習到更深層次的空間信息，以提升對滑行時間的預測能力。
20、進一步的，步驟四的具體步驟為：
21、(4.1)通過門控循環單元，調整模型在每一輪迭代中根據損失函數的反饋調整參數，以降低預測結果的誤差。
22、(4.2)在訓練集上進行多輪次的迭代訓練，通過逐步優化模型參數，確保模型在訓練數據上的擬合性并在驗證集上具有良好的泛化效果。
23、進一步的，步驟五的具體內容為：
24、使用不同評價指標對預測結果進行系統性分析，與驗證模型的準確性和可靠性，具體評價指標包括：均方誤差(mse)，平均絕對誤差(mae)，平均絕對百分比誤差(mape)，均方根誤差(rmse)。
25、本專利技術的創新點在于通過將圖卷積神經網絡與時間序列模型相結合，實現了對航空器滑行時間的時空特征建模。圖卷積神經網絡用于捕捉機場滑行道網絡中節點的空間依賴關系，而門控循環單元則負責時間動態變化的建模，二者結合能夠有效捕捉機場復雜網絡結構下的航空器滑行特征。另外加入了空間注意力機制，能夠識別和加權滑行路徑中對滑行時間影響較大的節點，和時間注意力機制則，可聚焦于滑行過程中的關鍵時間步，從而提高模型對關鍵滑行特征的聚焦能力，進一步優化了模型的預測精度與穩定性。
本文檔來自技高網...【技術保護點】
1.一種基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述步驟一中，輸入的原始數據具體包括：
3.根據權利要求1所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述步驟二的具體步驟為：
4.根據權利要求1所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述步驟三所采用的計算公式包括：
5.根據權利要求1所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述步驟四的具體步驟為：
6.根據權利要求5所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述門控循環單元采用的計算公式包括：
7.根據權利要求5所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述注意力機制采用的計算公式包括：
8.根據權利要求1所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述步
9.根據權利要求8所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述評價指標的具體公式如下：
...【技術特征摘要】
1.一種基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述步驟一中，輸入的原始數據具體包括：
3.根據權利要求1所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述步驟二的具體步驟為：
4.根據權利要求1所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述步驟三所采用的計算公式包括：
5.根據權利要求1所述的基于深度時空圖卷積神經網絡的航空器滑行時間預測方法，其特征在于：所述步驟四的具體步驟為：
6.根據權利...
【專利技術屬性】
技術研發人員：廉冠，張啟貴，李文勇，吳櫻梓，劉有盛，王浩然，羅煒珍，黃財華，
申請(專利權)人：桂林電子科技大學，
類型：發明
國別省市：
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。