CN112862171A - 一种基于时空神经网络的航班到达时间预测方法 - Google Patents

Abstract

本发明公开了一种基于时空神经网络的航班到达时间预测方法，属于民航技术领域。该方法首先对某时间段内的历史航班，采集历史航迹作为样本，处理后得到历史航迹集；将历史航迹集聚成簇，每个簇代表一种航迹模式，并选取每个航迹模式的代表航迹。然后给定目标航班，对其已在终端区内飞行过的航迹重采样，得到目标航班的已有航迹，并通过航迹模式计算目标航班的预测航迹。构建到达时间预测模型，并采用交叉验证的方法对到达时间预测模型进行训练。最后将目标航班的预测航迹输入到训练好的到达时间预测模型，输出目标航班的预计到达时间。本发明对航班到达时间影响因素的考虑更加全面，并引入了时空注意力机制，使预测结果的准确性大大提高。

Description

一种基于时空神经网络的航班到达时间预测方法

技术领域

本发明属于民航技术领域，尤其涉及一种基于时空神经网络的航班到达时间预测方法。

背景技术

预计到达时间是机场协同决策(A-CDM)的关键组成部分，在空中交通流量管理、跑道和停车位分配、地面支持设备优化等方面发挥着重要作用。

航班的到达时间受飞行航线、对流天气和终端区拥挤程度等多种不确定因素的影响。尽管终端空域内存在标准进场航路，但由于飞机密度高，空域结构复杂，飞行航线经常被管制员修改。在强对流天气下，终端区的容量以及运行效率显著下降，影响航班按时到达。除此之外，到机场的距离和时间等因素都会对航班到达时间产生影响。

连续的航迹点包含很多复杂的空间移动行为，例如直行、转弯、加速和空中保持等，捕获这些信息对提高预测准确率是十分重要的。此外，这些空间移动行为是高度动态随时间变化的。提取嵌入在航迹中的时空特征可以提高预测准确率，而现有的方法并没有利用这些时空特征。

发明内容

为了解决现有技术对于航班到达时间预测准确率低的问题，本发明提出了一种基于时空神经网络的航班到达时间预测方法，充分利用嵌入在航迹中的时空移动行为、对流天气及终端区拥挤程度等信息，实现了航班到达时间的精准预测。

所述基于时空神经网络的航班到达时间预测方法，包括以下步骤：

步骤一，对某时间段内的历史航班，采集历史航迹作为样本，并进行清洗、过滤和重采样后，得到历史航迹集；

历史航迹集由若干条航迹组成，每条航迹都由若干航迹点组成，其中第l条航迹Tr_l由n_l个航迹点组成，

每个航迹点都包含经度、纬度、高度、水平地面速度和时间戳，即P_i＝{lon_i,lat_i,alt_i,v_i,t_i}；

步骤二，利用DBSCAN算法将历史航迹集聚成簇，每个簇代表一种航迹模式，并选取每个航迹模式的代表航迹。

具体为：

首先，DBSCAN通过筛选航迹数据集中每条航迹的eps邻域来搜索簇，如果对象航迹p的eps邻域中包含的航迹个数大于等于min_samples个，则创建一个以p为核心对象的簇，否则，标记对象航迹p为边界或者噪声。

然后，迭代地对各核心对象直接密度可达的所有对象航迹聚类，当没有新的对象航迹添加到任何簇时，过程结束。

每个簇代表一种航迹模式，针对每个航迹模式，分别计算簇中每条航迹与其他航迹之间的距离，并计算平均距离，每条航迹分别对应一个平均距离，选择平均距离最小的一条航迹作为每个航迹模式的代表航迹；

步骤三，给定目标航班，对其已在终端区内飞行过的航迹重采样，得到目标航班的已有航迹Tr_tar＝{P₁,P₂,…,P_i,…,P_{n_tar}}，并通过航迹模式计算目标航班的预测航迹

；

首先，通过计算已有航迹Tr_tar与每个航迹模式的代表航迹之间的距离，选择距离值最小的航迹模式即为Tr_tar所属模式。

然后，评估Tr_tar与所属航迹模式对应的簇中每条历史航迹之间的相似性；

航迹Tr_tar与第m条航迹之间的相似性，计算公式为：

最后，找到与航迹Tr_tar最相似的五条历史航迹，将每条航迹中在航迹点P_{n_tar}之后的点序列重采样，形成为长度为L的序列。

计算五条航迹中对应序列点各属性的均值，即得到目标航班从当前位置到降落的预测航迹

步骤四：构建由气象模块、附加因素模块、时空特征提取模块和预测模块组成的到达时间预测模型；

具体过程为：

步骤401：构造基于空间注意力机制的气象模块，用于提取气象特征向量。

首先，根据雷达回波云图I构建相同维度的航迹张量T；

雷达回波云图I的原始分辨率为R_W×R_H，构建维度为R_W×R_H的航迹张量T，其每个元素对应的经纬度范围与雷达回波云图每个元素对应的经纬度范围相同。

然后，将雷达回波云图I作为卷积神经网络CNN的输入I⁰，依次经过K个conv+max层，得到K层后输出向量I^K；

每个conv+max层包含一个卷积层和一个最大池化层。

第k层的计算公式表示为：

I^k＝max_pooling(f(I^k-1*W^k+b^k))

其中，k∈K，*表示卷积运算，f(·)为ReLU函数，且f(x)＝max(0,x)；max_pooling在卷积运算后用来降低向量维度，I^k-1表示第k-1层的输入，W^k表示第k层的权重矩阵，b^k表示第k层的偏置。

同理，将航迹张量T输入K个conv+max层得到输出向量T^K。

接着，将输出向量I^K与T^K相结合得到航迹附近的雷达回波特征向量F；

公式为：

其中，

为Hadamard积。其中，根据航迹张量，将每个航迹模式的历史航迹经过张量单元对应的区域，对应航迹张量单元的值标为1，否则标为0。

最后，将向量F依次输入一个flatten层和三个全连接层，得到气象特征向量V^w；

步骤402：构造附加因素模块，用于增强预测性能。

附加因素包括航班距参考点的距离以及离散变量，离散变量包括终端区拥挤程度、小时、日期和航迹所属类别；参考点为跑道中心点。

首先，使用embedding将每一个离散变量转化为连续向量。

具体为：维度为D₁的离散变量与参数矩阵

相乘得到空间

然后，将连续向量与航班距参考点的距离合并，得到附加因素层的输出向量V^ext；

步骤403：构造时空特征提取模块，基于非线性函数与Bi-LSTM提取嵌入在航迹中的时空特征；

首先，利用非线性函数从每个历史航迹中分别提取空间信息，得到代表航迹空间特征的序列V^spa；

针对当前历史航迹的第i个航迹点的特征映射向量V_i ^spa，计算公式为：

V_i ^spa＝tanh(W^s·[lat_i；lon_i；alt_i；v_i])

其中，[·；·]表示连接向量；W^s为可学习参数；tanh为激活函数，输出范围为[-1,1]，均值为0。

然后，连接气象特征向量V^w与附加因素层的输出向量V^ext得到向量V^f，将航迹空间特征的序列V^spa,向量V^f和隐藏状态h_i-1为LSTM的输入，使用LSTM捕获嵌入在航迹中的时间特征。

具体公式为：

F_i＝σ(W^F·[h_i-1；V_i ^spa；V^f]+b^F)

I_i＝σ(W^I·[h_i-1；V_i ^spa；V^f]+b^I)

C_i＝tanh(W^C·[h_i-1；V_i ^spa；V^f]+b^C)

O_i＝σ(W^o·[h_i-1；V_i ^spa；V^f]+b^o)

其中，h_i为第i个航迹点的隐藏状态，C_i表示第i个航迹点的单元状态，I_i为第i个航迹点的输入门、F_i为第i个航迹点的遗忘门、O_i为第i个航迹点的输出门，W^F是遗忘门的权重矩阵，b^F是遗忘门的偏置项，W^I是输入门的权重矩阵，b^I是输入门的偏置项，W^C是单元状态的权重矩阵，b^C是单元状态的偏置项，W^o是输出门的权重矩阵，b^o是输出门的偏置项。σ为sigmoid函数，

为Hadamard算子，C_i-1为第i-1个航迹点的记忆单元。

最后，将前向LSTM与后向LSTM组合成Bi-LSTM，从历史航迹捕获时间特征，输出隐藏状态序列{h_i}；

步骤404：构造基于时间注意力机制以及残差全连接层的预测模块；

首先，引入时间注意力机制，为每一个输入分配一个权重，输出输入的加权和向量c；

具体公式为：

其中，β_i表示权重。

然后，将输出向量c传递给残差全连接层得到最终输出；

步骤五，利用历史航迹的预测航班到达时间和真实航迹到达时间，采用交叉验证的方法对到达时间预测模型进行训练；

选取平均绝对百分比误差MAPE作为模型性能评价指标，具体公式为：

其中，

为第j条预测航迹到达时间，y_j为第j条真实航迹到达时间，J为所有历史航迹的总数量。

步骤六，将目标航班的预测航迹

输入到训练好的到达时间预测模型，输出目标航班的预计到达时间。

本发明的有益效果在于：

1.本发明一种基于时空神经网络的航班到达时间预测方法，将A nonlinearfunction和Bi-LSTM相结合提取航迹序列中的时空特征，并利用时间注意力机制自适应地学习Bi-LSTM输出隐藏状态序列的权重。

2.本发明一种基于时空神经网络的航班到达时间预测方法，设计了一种空间注意力机制从雷达回波云图中提取与预测任务最相关的对流天气特征。

3.本发明一种基于时空神经网络的航班到达时间预测方法，进一步考虑了终端区拥堵程度、到机场的距离、小时、日期等附加因素对航班到达时间的影响。

附图说明

图1是本发明一种基于时空神经网络的航班到达时间预测方法的原理图；

图2是本发明一种基于时空神经网络的航班到达时间预测方法流程图；

图3是本发明所述航班到达时间预测方法中的到达时间预测模型示意图；

图4是本发明所述航班到达时间预测方法的空间注意力机制示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

本发明构建了一种基于时空神经网络的航班到达时间预测方法，提高了航班到达时间的预测准确率，有利于空中交通流量管理、跑道和停车位分配、地面支持设备优化。如图1所示，本发明的方法主要包括三个部分，航迹模式识别部分基于DBSCAN算法(Density-Based Spatial Clustering of Applications with Noise，有代表性的基于密度的聚类算法)将历史航迹聚成几个簇；给定目标航班，航迹预测部分预测目标航班从当前位置到落地的航迹；考虑到连续的历史航迹包含丰富的信息，到达时间预测部分将nonlinearfunction和Bi-LSTM相结合来提取航迹序列中的时空特征，提出空间注意力机制从雷达回波云图中提取出与预测任务最相关的对流天气特征，并考虑了终端区拥堵程度、到机场的距离、小时和日期等附加因素对航班到达时间的影响。

基于时空神经网络的航班到达时间预测方法，如图2所示，包括以下步骤：

步骤一，对某时间段内的历史航班，采集历史航迹作为样本，并进行清洗、过滤和重采样后，得到历史航迹集；

历史航迹集由若干条航迹组成，每条航迹都由若干航迹点组成，其中第l条航迹Tr_l由n_l个航迹点组成，

每个航迹点都包含经度、纬度、高度、水平地面速度和时间戳，即P_i＝{lon_i,lat_i,alt_i,v_i,t_i}；

步骤二，利用DBSCAN算法将历史航迹集聚成簇，每个簇代表一种航迹模式，并选取每个航迹模式的代表航迹。

在终端区的日常交通情况下，飞机遵循标准的进/出程序和常规的ATC指令，这使航迹可以聚成簇。DBSCAN算法将历史航迹在空间维度上聚成了几个簇和噪声。每个簇中的航迹具有相似的模式。噪声代表在特殊情况下出现的异常航迹，会对模型训练造成干扰，因此将噪声从数据集中删除。

具体为：

DBSCAN通过筛选航迹数据集中每条航迹的eps邻域来搜索簇，如果对象航迹p的eps邻域中包含的航迹个数大于等于min_samples个，则创建一个以p为核心对象的簇，否则标记对象航迹p为边界或者噪声。然后，算法迭代地聚类从这些核心对象直接密度可达的所有对象航迹，这个过程中可能涉及一些密度可达簇的合并，当没有新的对象航迹添加到任何簇时，过程结束。

每个簇代表一种航迹模式，针对每个航迹模式，分别计算每条航迹与其他航迹之间的距离，并计算平均距离，每条航迹分别对应一个平均距离，选择平均距离最小的一条航迹作为每个航迹模式的代表航迹；

步骤三，给定目标航班，对其已在终端区内飞行过的航迹重采样，得到目标航班的已有航迹Tr_tar＝{P₁,P₂,…,P_i,…,P_{n_tar}}，并通过航迹模式计算目标航班的预测航迹

首先，通过计算已有航迹Tr_tar与每个航迹模式的代表航迹之间的距离，选择距离值最小的航迹模式即为Tr_tar所属模式。

然后，评估Tr_tar与所属航迹模式中每条历史航迹之间的相似性；

航迹Tr_tar与第m条航迹之间的相似性，计算公式为：

最后，找到与航迹Tr_tar最相似的五条历史航迹，将每条航迹中在航迹点P_{n_tar}之后的点序列重采样，形成为长度为L的序列。

计算五条航迹中对应序列点各属性的均值，即得到目标航班从当前位置到降落的预测航迹

步骤四：构建由气象模块、附加因素模块、时空特征提取模块和预测模块组成的到达时间预测模型，

如图3所示，具体过程为：

步骤401：构造基于空间注意力机制的气象模块，用于提取气象特征向量。、

如图4所示，具体为：

首先，根据雷达回波云图I构建相同维度的航迹张量T；

雷达回波云图I的原始分辨率为R_W×R_H，构建维度为R_W×R_H的航迹张量T，其每个元素对应的经纬度范围与雷达回波云图每个元素对应的经纬度范围相同。

然后，将雷达回波云图I作为卷积神经网络CNN的输入I⁰，依次经过K个conv+max层，得到K层后输出向量I^K；

每个conv+max层包含一个卷积层和一个最大池化层。

第k层的计算公式表示为：

I^k＝max_pooling(f(I^k-1*W^k+b^k))

其中，k∈K，*表示卷积运算，f(·)为ReLU函数，且f(x)＝max(0,x)；max_pooling在卷积运算后用来降低向量维度，I^k-1表示第k-1层的输入，W^k表示第k层的权重矩阵，b^k表示第k层的偏置。

同理，将航迹张量T输入K个conv+max层得到输出向量T^K。

接着，将输出向量I^K与T^K相结合得到航迹附近的雷达回波特征向量F；

公式为：

其中，

为Hadamard积。其中，根据航迹张量，将每个航迹模式的历史航迹经过张量单元对应的区域，对应航迹张量单元的值标为1，否则标为0。

最后，将向量F依次输入一个flatten层和三个全连接层，得到气象特征向量V^w；

步骤402：构造附加因素模块，集成终端区拥挤程度等附加因素用于增强预测性能。

附加因素包括航班距参考点的距离以及离散变量，离散变量包括终端区拥挤程度、小时、日期和航迹所属类别；参考点为跑道中心点。

国际民航组织(ICAO)规定在无风条件下，不同机型进场航班尾流间隔距离最小为3英里，最大为6英里。国内间隔标准以公里为单位，且数值是ICAO标准的两倍。因此国内不同机型进场航班尾流间隔最小是6公里，最大是12公里。以同时刻距所研究航班20公里范围内的航班数目表示拥挤程度。

首先，使用Embedding将每一个离散变量转化为连续向量。

具体为：维度为D₁的离散变量与参数矩阵

相乘得到空间

然后，将连续向量与航班距参考点的距离合并，得到附加因素层的输出向量V^ext；

步骤403：构造时空特征提取模块，基于非线性函数与Bi-LSTM提取嵌入在航迹中的时空特征；

首先，利用非线性函数从每个历史航迹中分别提取空间信息，得到代表航迹空间特征的序列V^spa；

针对当前历史航迹的第i个航迹点的特征映射向量V_i ^spa，计算公式为：

V_i ^spa＝tanh(W^s·[lat_i；lon_i；alt_i；v_i])

其中，[·；·]表示连接向量；W^s为可学习参数；tanh为激活函数，输出范围为[-1,1]，均值为0。第i个航迹点的特征被映射为向量V_i ^spa∈R¹⁶，最后得到代表航迹空间特征的序列V^spa∈R^16×T。

然后，连接气象特征向量V^w与附加因素层的输出向量V^ext得到向量V^f，将航迹空间特征的序列V^spa,向量V^f和隐藏状态h_i-1为LSTM的输入，使用LSTM捕获嵌入在航迹中的时间特征。

具体公式为：

F_i＝σ(W^F·[h_i-1；V_i ^spa；V^f]+b^F)

I_i＝σ(W^I·[h_i-1；V_i ^spa；V^f]+b^I)

C_i＝tanh(W^C·[h_i-1；V_i ^spa；V^f]+b^C)

O_i＝σ(W^o·[h_i-1；V_i ^spa；V^f]+b^o)

其中，h_i为第i个航迹点的隐藏状态，C_i表示第i个航迹点的单元状态，I_i为第i个航迹点的输入门、F_i为第i个航迹点的遗忘门、O_i为第i个航迹点的输出门，W^F是遗忘门的权重矩阵，b^F是遗忘门的偏置项，W^I是输入门的权重矩阵，b^I是输入门的偏置项，W^C是单元状态的权重矩阵，b^C是单元状态的偏置项，W^o是输出门的权重矩阵，b^o是输出门的偏置项。σ为sigmoid函数，

为Hadamard算子，C_i-1为第i-1个航迹点的记忆单元。

递归神经网络RNN主要用于处理时间序列，但是由于反向传播，RNN存在梯度消失和梯度爆炸的问题。LSTM是RNN的一种改进，其结构设计可以很好的解决梯度消失的问题，并在很多领域得到广泛应用。

最后，将前向LSTM与后向LSTM组合成Bi-LSTM，从历史航迹捕获时间特征，输出隐藏状态序列{h_i}；

步骤404：结合时空特征、气象特征以及附加因素，构造基于时间注意力机制以及残差全连接层输出航班的预测模块；

航班在行驶过程中可能会转弯或者加速，不同的局部航迹对到达时间的影响程度不同，进而本发明在航班到达时间预测模型中引入了时间注意力机制。

首先，引入时间注意力机制，为每一个输入分配一个权重，输出输入的加权和向量c；

具体公式为：

其中，β_i表示权重。

然后，将输出向量c传递给残差全连接层得到最终输出；残差全连接层由全连接层与残差连接组成。残差连接引入了残差项，可以解决网络退化问题。

步骤五，利用历史航迹的预测航班到达时间和真实航迹的到达时间，采用交叉验证的方法对到达时间预测模型进行训练；

选取平均绝对百分比误差MAPE作为模型性能评价指标，具体公式为：

其中，

为第j条预测航迹到达时间，y_j为第j条真实航迹到达时间，J为所有历史航迹的总数量。

步骤六，将目标航班的预测航迹

输入到训练好的到达时间预测模型，输出目标航班的预计到达时间。

需要说明的是，在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于时空神经网络的航班到达时间预测方法，其特征在于，包括以下步骤：

步骤一，对某时间段内的历史航班，采集历史航迹作为样本，并进行清洗、过滤和重采样后，得到历史航迹集；

历史航迹集由若干条航迹组成，每条航迹都由若干航迹点组成，其中第l条航迹Tr_l由n_l个航迹点组成，

每个航迹点都包含经度、纬度、高度、水平地面速度和时间戳，即P_i＝{lon_i,lat_i,alt_i,v_i,t_i}；

步骤二，利用DBSCAN算法将历史航迹集聚成簇，每个簇代表一种航迹模式，并选取每个航迹模式的代表航迹；

针对每个航迹模式，分别计算簇内每条航迹与其他航迹之间的距离，并计算平均距离，每条航迹分别对应一个平均距离，选择平均距离最小的一条航迹作为每个航迹模式的代表航迹；

步骤三，给定目标航班，对其已在终端区内飞行过的航迹重采样，得到目标航班的已有航迹Tr_tar＝{P₁,P₂,…,P_i,…,P_{n_tar}}，并通过航迹模式计算目标航班的预测航迹

步骤四：构建由气象模块、附加因素模块、时空特征提取模块和预测模块组成的到达时间预测模型；

具体过程为：

步骤401：构造基于空间注意力机制的气象模块，用于提取气象特征向量；

首先，根据雷达回波云图I构建相同维度的航迹张量T；

然后，将雷达回波云图I作为卷积神经网络CNN的输入I⁰，依次经过K个conv+max层，得到K层后输出向量I^K；

计算公式表示为：

I^k＝max_pooling(f(I^k-1*W^k+b^k))

其中，k∈K，*表示卷积运算，f(·)为ReLU函数，且f(x)＝max(0,x)；max_pooling在卷积运算后用来降低向量维度，I^k-1表示第k-1层的输入，W^k表示第k层的权重矩阵，b^k表示第k层的偏置；

同理，将航迹张量T输入K个conv+max层得到输出向量T^K；

接着，将输出向量I^K与T^K相结合得到航迹附近的雷达回波特征向量F；

公式为：

其中，

为Hadamard积；其中，根据航迹张量，将每个航迹模式的历史航迹经过张量单元对应的区域，对应航迹张量单元的值标为1，否则标为0；

最后，将向量F依次输入一个flatten层和三个全连接层，得到气象特征向量V^w；

步骤402：构造附加因素模块，用于增强预测性能；

附加因素包括航班距参考点的距离以及离散变量；

首先，使用embedding将每一个离散变量转化为连续向量；

具体为：维度为D₁的离散变量与参数矩阵

相乘得到空间

然后，将连续向量与航班距参考点的距离合并，得到附加因素层的输出向量V^ext；

步骤403：构造时空特征提取模块，基于非线性函数与Bi-LSTM提取嵌入在航迹中的时空特征；

首先，利用非线性函数从每个历史航迹中分别提取空间信息，得到代表航迹空间特征的序列V^spa；

针对当前历史航迹的第i个航迹点的特征映射向量V_i ^spa，计算公式为：

V_i ^spa＝tanh(W^s·[lat_i；lon_i；alt_i；v_i])

其中，[·；·]表示连接向量；W^s为可学习参数；tanh为激活函数，输出范围为[-1,1]，均值为0；

然后，连接气象特征向量V^w与附加因素层的输出向量V^ext得到向量V^f，将航迹空间特征的序列V^spa,向量V^f和隐藏状态h_i-1为LSTM的输入，使用LSTM捕获嵌入在航迹中的时间特征；

具体公式为：

F_i＝σ(W^F·[h_i-1；V_i ^spa；V^f]+b^F)

I_i＝σ(W^I·[h_i-1；V_i ^spa；V^f]+b^I)

C_i＝tanh(W^C·[h_i-1；V_i ^spa；V^f]+b^C)

O_i＝σ(W^o·[h_i-1；V_i ^spa；V^f]+b^o)

其中，h_i为第i个航迹点的隐藏状态，C_i表示第i个航迹点的单元状态，I_i为第i个航迹点的输入门、F_i为第i个航迹点的遗忘门、O_i为第i个航迹点的输出门，W^F是遗忘门的权重矩阵，b^F是遗忘门的偏置项，W^I是输入门的权重矩阵，b^I是输入门的偏置项，W^C是单元状态的权重矩阵，b^C是单元状态的偏置项，W^o是输出门的权重矩阵，b^o是输出门的偏置项；σ为sigmoid函数，

为Hadamard算子，C_i-1为第i-1个航迹点的记忆单元；

最后，将前向LSTM与后向LSTM组合成Bi-LSTM，从历史航迹捕获时间特征，输出隐藏状态序列{h_i}；

步骤404：构造基于时间注意力机制以及残差全连接层的预测模块；

首先，引入时间注意力机制，为每一个输入分配一个权重，输出输入的加权和向量c；

具体公式为：

其中，β_i表示权重；

然后，将输出向量c传递给残差全连接层得到最终输出；

步骤五，利用历史航迹的预测航班到达时间和真实到达时间，采用交叉验证的方法对到达时间预测模型进行训练；

步骤六，将目标航班的预测航迹

输入到训练好的到达时间预测模型，输出目标航班的预计到达时间。

2.如权利要求1所述的一种基于时空神经网络的航班到达时间预测方法，其特征在于，所述步骤二具体为：

DBSCAN通过筛选航迹数据集中每条航迹的eps邻域来搜索簇，如果对象航迹p的eps邻域中包含的航迹个数大于等于min_samples个，则创建一个以p为核心对象的簇，否则标记对象航迹p为边界或者噪声；然后，算法迭代地聚类从这些核心对象直接密度可达的所有对象航迹，这个过程中可能涉及一些密度可达簇的合并，当没有新的对象航迹添加到任何簇时，过程结束。

3.如权利要求1所述的一种基于时空神经网络的航班到达时间预测方法，其特征在于，所述步骤三具体为：

首先，通过计算已有航迹Tr_tar与每个航迹模式的代表航迹之间的距离，选择距离值最小的航迹模式即为Tr_tar所属模式；

然后，评估Tr_tar与所属航迹模式中每条历史航迹之间的相似性；

航迹Tr_tar与第m条航迹之间的相似性，计算公式为：

最后，找到与航迹Tr_tar最相似的五条历史航迹，将每条航迹中在航迹点P_{n_tar}之后的点序列重采样，形成为长度为L的序列；

计算五条航迹中对应序列点各属性的均值，即得到目标航班从当前位置到降落的预测航迹

4.如权利要求1所述的一种基于时空神经网络的航班到达时间预测方法，其特征在于，所述步骤401中，雷达回波云图I的原始分辨率为R_W×R_H，构建维度为R_W×R_H的航迹张量T，其每个元素对应的经纬度范围与雷达回波云图每个元素对应的经纬度范围相同。

5.如权利要求1所述的一种基于时空神经网络的航班到达时间预测方法，其特征在于，步骤401中所述的conv+max层包含一个卷积层和一个最大池化层。

6.如权利要求1所述的一种基于时空神经网络的航班到达时间预测方法，其特征在于，所述步骤402中离散变量包括终端区拥挤程度、小时、日期和航迹所属类别；所述的参考点为跑道中心点。

7.如权利要求1所述的一种基于时空神经网络的航班到达时间预测方法，其特征在于，所述步骤五中选取平均绝对百分比误差MAPE作为模型性能评价指标，具体公式为：

其中，

为第j条预测航迹到达时间，y_j为第j条真实航迹到达时间，J为所有历史航迹的总数量。

Images