CN115564114A - 一种基于图神经网络的空域碳排放短期预测方法及系统 - Google Patents
一种基于图神经网络的空域碳排放短期预测方法及系统 Download PDFInfo
- Publication number
- CN115564114A CN115564114A CN202211232236.9A CN202211232236A CN115564114A CN 115564114 A CN115564114 A CN 115564114A CN 202211232236 A CN202211232236 A CN 202211232236A CN 115564114 A CN115564114 A CN 115564114A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- airspace
- model
- gcn
- lstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 174
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 172
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 34
- 238000013135 deep learning Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图神经网络的空域碳排放短期预测方法及系统，所述方法包括：首先使用图卷积神经网络GCN来学习空域扇区的拓扑结构，提取空域碳排放数据的空间特征，然后将具有空间特征信息的空域碳排放数据输送到长短期记忆网络LSTM，学习空域碳排放数据的时间变化趋势，进而提取空域碳排放数据的时间特征，最后通过全连接层输出最终预测结果，该方法能够同时捕获空域碳排放数据的时间依赖性和空间依赖性，具有描述空域碳排放数据时空特征的能力，能够挖掘大范围空域尺度的空域碳排放规律，为节能减排方案制定、提升扇区结构优化和“绿色”动态容流调配能力提供技术依据和参考。
Description
技术领域
本发明属于空中交通管理技术领域，具体涉及一种基于图神经网络的空域碳排放短期预测方法及系统。
背景技术
空域碳排放预测是“绿色”空中交通研究中的重要技术，其目的是根据实时交通状况和历史运行数据来估算未来给定空域的碳排放分布。通过准确预测空域的碳排放信息，可以辅助管理者制定节能减排方案，提高航空运行的可持续发展性能。
目前针对空域碳排放的研究主要是估算全球航空运输的碳排放量，针对特定空域范围大小的碳排放量预测鲜有报道。空域内航班的碳排放数据和空域交通数据一样，都具有时间和空间特征，构建具备时间和空间依赖性特征提取的空域碳排放预测方法，准确感知空域交通排放态势具有重要意义。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种基于图神经网络的空域碳排放短期预测方法及系统，首先使用图卷积神经网络GCN学习空域扇区网络的拓扑结构，提取空域扇区内碳排放数据的空间特征，然后将具有空间特征信息的碳排放数据输送到长短期记忆网络LSTM，学习空域碳排放数据的时间动态趋势，进而提取空域碳排放数据的时间特征，最后通过全连接层输出最终的预测结果，该方法能够准确感知空域碳排放态势。
为实现所述目的，本发明提供一种基于图神经网络的空域碳排放短期预测方法及系统，具体步骤如下：
第一方面，本发明提供一种基于图神经网络的空域碳排放短期预测方法，包括：
获取碳排放预测的目标空域内航路航线结构，构建扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A；
获取各扇区对应的碳排放数据并进行预处理，构建扇区碳排放时间序列；
构建图卷积神经网络GCN和长短期记忆网络LSTM耦合的深度学习 GCN-LSTM空域碳排放模型；
基于空域各扇区间的邻接矩阵A和扇区碳排放时间序列，对深度学习 GCN-LSTM空域碳排放模型进行训练、测试，得到训练好的深度学习 GCN-LSTM空域碳排放模型；
获取待预时间段前的历史空域碳排放数据，利用训练好的深度学习 GCN-LSTM空域碳排放模型进行空域碳排放短期预测。
在一些实施例中，构建空域扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A，包括：
使用无向无权图
描述空域内扇区网络拓扑结构，其中图的节点集合
代表扇区集合，N代表节点的数量；
表示图的连边集合；邻接矩阵
代表扇区之间的航班移交关系，所述邻接矩阵为0-1矩阵，1代表扇区之间具有航班移交关系，0代表扇区之间不具有航班移交关系，
表示集合。
在一些实施例中，构建扇区碳排放时间序列，包括：
收集一段时间内碳排放预测的目标空域对应的航班运行碳排放数据；统计不同扇区单元不同时间段的碳排放数据，构建空域碳排放矩阵；
然后对空域碳排放矩阵进行预处理、归一化处理，最后将归一化的空域碳排放矩阵按照一定的比例划分为训练集和测试集。
在一些实施例中，所述深度学习GCN-LSTM空域碳排放模型包含图卷积神经网络GCN模型、长短期记忆网络LSTM模型以及1个全连接层；GCN模型由二层GCN Cell组成，其中第二层GCN Cell与第一层LSTM Cell连接，用于传递空间特征信息；LSTM模型由M层LSTMCell组成并按照顺序依次连接，用于学习时间特征信息；第M层LSTM Cell与1个全连接层连接，用于输出学习的时序特征；
当GCN模型包含二层GCN Cell时，表达为：
f(X,A)＝σ(AReLU(AXW0)W1)
其中X为扇区碳排放时间序列，A为邻接矩阵；A＝D-1/2AD-1/2表示预处理步骤，
是具有自连接结构的邻接矩阵，，I表示单位矩阵，D表示度矩阵，
代表从输入层到隐含层的权重矩阵，
表示从隐含层到输出层的权重矩阵，σ(·)和ReLU(·)表示激活函数；P表示扇区碳排放时间序列的长度；H表示隐含单元数量；T表示预测时间长度；i表示空域网络的节点； j表示网络节点属性；
将通过GCN Cell学习的带有扇区网络空间特征信息的空域碳排放时间序列输入到LSTM Cell，通过多个LSTM Cell之间的信息传递，学习得到空域碳排放时间特征，具体计算如下：
首先由遗忘门ft通过查看第t-1时刻的空域碳排放量输出值ht-1与第t时刻的空域碳排放量输入值f(Xt,A)来决定单元格状态Ci，即：
遗忘门：
ft＝σ(Wf·f(Xt,A)+Ufht-1+bf)
其次由输入门lt决定单元内部更新的数值与单元格状态，即：
输入门：
lt＝σ(Wl·f(Xt,A)+Ulht-1+bl)
单元格状态：
最后由输出门决定当前第t时刻排放量的输出情况，即：
输出门：
ot＝σ(Wo·f(Xt,A)+Uoht-1+bo)
最终输出：
其中：ft、lt、
Ct、ot、f(Xt,A)和ht分别表示遗忘门、输入门、前一刻单元格状态、当前单元格状态、输出门、t时刻的输入和输出；Wf、Wl、Wc和Wo分别表示遗忘门、输入门、单元格状态和输出门与输入向量f(Xt,A)连接的矩阵权重； bf、bl、bC和bo分别表示遗忘门、输入门、单元格状态和输出门的偏置项；Uf、 Ul、Uc、Uo分别表示遗忘门、输入门、单元格状态和输出门与先前的短期状态ht-1连接的权重矩阵；tanh(·)表示双曲正切激活函数。
在一些实施例中，所述深度学习GCN-LSTM空域碳排放模型的训练方法包括：
将步骤1中的空域各扇区间的邻接矩阵A和步骤2得到的扇区碳排放时间序列训练集输入到GCN模型中，学习和挖掘空域碳排放数据的时间特征和空间特征，采用Adm优化器优化神经网络；为避免模型过拟合，采用L2正则化处理方法；损失函数设置为平均绝对误差MAE；使用网格寻优法寻找模型最优超参数，得到训练好的深度学习GCN-LSTM空域碳排放模型；
其中，GCN模型通过频谱卷积来提取空域扇区单元之间的空间特征，第二层GCNCell输出具有空间特征的碳排放矩阵至第一层LSTM Cell，然后第一至第M层LSTM Cell通过迭代处理具有空间特征的碳排放矩阵，提取空域碳排放数据的时间特征；第M层LSTMCell输出具有时间特征和空间特征的碳排放矩阵，然后通过1个全连接层转化得到最终的空域碳排放预测结果。
在一些实施例中，所述深度学习GCN-LSTM空域碳排放模型的测试方法包括：
将测试集数据输入训练好的GCN-LSTM预测模型，使用四种常用的评估指标评估模型的预测性能，包括：均方根误差RMSE、平均绝对误差MAE、准确度ACC、确定系数R2。
在一些实施例中，使用训练和测试评估好的深度学习GCN-LSTM空域碳排放模型预测短期内的空域碳排放量，其中短期时间尺度为15min-60min。
第二方面，本发明提供了一种基于图神经网络的空域碳排放短期预测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
第三方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。
第四方面，本发明提供了一种基于图神经网络的空域碳排放短期预测系统，包括：
空域扇区网络构建模块：依据空域扇区之间的航班移交关系，使用无向无权图
描述空域内扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A；
扇区碳排放时间序列构建模块：包含空域碳排放矩阵构建单元和数据预处理单元；
模型参数设定模块：包括预测时间长度、学习率大小、迭代次数、LSTM Cell 层数、隐藏层神经单元个数，确定数据的训练集、测试集比例；
模型训练模块：根据设定的模型训练参数，利用空域碳排放矩阵训练集对模型进行训练，计算模型的平均绝对误差，对模型的超参数做适当调整，得到训练好的空域碳排放预测模型；
空域碳排放预测模块：获取待预时间段前的历史空域碳排放数据，并将其输入到训练好的GCN-LSTM模型后获取所要预测时间段内的空域碳排放预测结果。
与现有技术相比，本发明所达到的有益效果是：
针对空域碳排放短期预测问题，该方法能够同时捕获空域碳排放数据的时间依赖性和空间依赖性，具有描述空域碳排放数据时空特征的能力，能够挖掘大范围空域尺度的空域碳排放规律，为节能减排方案制定、提升扇区结构优化和“绿色”动态容流调配能力提供技术依据和参考。
附图说明
为更清晰地说明本发明技术流程以及相应实施方法，下面将对一些关键附图作简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本专业领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的空域碳排放预测方法流程图；
图2是本发明实施例所提供的空域结构示意图；
图3是采用本发明实施例所述预测方法在15min预测时间尺度上的预测结果；
图4是采用本发明实施例所述预测方法在30min预测时间尺度上的预测结果；
图5是本发明实施例提供的空域碳排放短期预测系统的结构图。
具体实施方式
下面将结合本发明中的附图，对本发明实施方式进行清楚、完整的描述，显然，所述的实施例只是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创新劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明是提供一种基于图神经网络的空域碳排放短期预测方法及系统，下面结合附图与具体实施方式对本发明作进一步详细说明：
实施例1
一种基于图神经网络的空域碳排放短期预测方法，包括：
获取碳排放预测的目标空域内航路航线结构，构建扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A；
获取各扇区对应的碳排放数据并进行预处理，构建扇区碳排放时间序列；
构建图卷积神经网络GCN和长短期记忆网络LSTM耦合的深度学习 GCN-LSTM空域碳排放模型；
基于空域各扇区间的邻接矩阵A和扇区碳排放时间序列，对深度学习 GCN-LSTM空域碳排放模型进行训练、测试，得到训练好的深度学习 GCN-LSTM空域碳排放模型；
获取待预时间段前的历史空域碳排放数据，利用训练好的深度学习 GCN-LSTM空域碳排放模型进行空域碳排放短期预测。
如图1所示，本发明实施例提供一种基于图神经网络的空域碳排放短期预测方法，具体包括如下步骤：
步骤1、选取碳排放预测的目标空域，并依据空域内航路航线结构构建扇区网络拓扑结构；
步骤2、获取各扇区对应的碳排放数据并进行预处理，构建扇区碳排放时间序列；
步骤3、构建图卷积神经网络GCN和长短期记忆网络LSTM耦合的深度学习GCN-LSTM空域碳排放模型；
步骤4、训练深度学习GCN-LSTM空域碳排放模型；
步骤5、测试深度学习GCN-LSTM空域碳排放模型；
步骤6、利用步骤4和步骤5中训练和测试评估好的GCN-LSTM模型进行空域碳排放短期预测。
所述步骤1包括：
使用无向无权图
描述空域内扇区网络拓扑结构，其中图的节点集合
代表扇区集合，N代表节点的数量；
表示图的连边集合；邻接矩阵
代表扇区之间的航班移交关系，该邻接矩阵为0-1矩阵，1代表扇区之间具有航班移交关系，0代表扇区之间不具有航班移交关系。
所述步骤2包括：
本发明实施例选取2019.05.01-2019.05.31共计31天内广州区域管制 ZGGGAR01-ZGGGAR06共计六个空域扇区为实施样例进行说明(空域结构如图 2所示)，空域内运行的ADS-B航班轨迹数据样例如表1所示。收集一个月内该空域对应的航班运行碳排放数据；以15min为时间窗口，统计不同扇区单元不同时间段的碳排放数据，构建空域碳排放矩阵；然后对空域碳排放矩阵进行预处理、归一化处理，最后将归一化的空域碳排放矩阵按照9：1的比例划分为训练集和测试集。
其中，归一化处理使用MinMaxScaler(.)函数，公式如下：
其中，
为归一化后的标准值；xmax为实验数据的最大值；xmin为实验数据的最小值。
表1 ADS-B数据样例格式
| 呼号 | 起飞机场 | 着陆机场 | 高度 | 速度 | … | 经度 | 纬度 | 监测时间 |
| 3U8280 | RCMQ | ZJSY | 9784.08 | 779.69 | … | 115.7891 | 22.941 | 2019/5/1 11:40 |
| 3U8280 | RCMQ | ZJSY | 9784.08 | 779.23 | … | 115.7658 | 22.9387 | 2019/5/1 11:40 |
| 3U8280 | RCMQ | ZJSY | 9784.08 | 778.3 | … | 115.7457 | 22.9367 | 2019/5/1 11:40 |
| … | … | … | … | … | … | … | … | … |
| 3U8280 | RCMQ | ZJSY | 9784.08 | 777.84 | … | 115.6937 | 22.9315 | 2019/5/1 11:40 |
| 3U8280 | RCMQ | ZJSY | 9784.08 | 777.84 | … | 115.6666 | 22.9288 | 2019/5/1 11:40 |
| 3U8280 | RCMQ | ZJSY | 9784.08 | 777.84 | … | 115.6556 | 22.9276 | 2019/5/1 11:41 |
所述步骤3包括：
该GCN-LSTM预测模型包含图卷积神经网络GCN模型、长短期记忆网络 LSTM模型以及1个全连接层。GCN模型由二层GCN Cell组成，其中第二层 GCN Cell与第一层LSTM Cell连接，用于传递空间特征信息；LSTM模型由M 层LSTM Cell组成并按照顺序依次连接，用于学习时间特征信息；第M层LSTM Cell与1个全连接层连接，用于输出学习的时序特征。
其中，GCN Cell用于捕获空域扇区网络的拓扑结构，以获取空中交通流的空间特征，LSTM Cell用于捕获空中交通流的时间特征；当GCN模型包含二层GCN Cell时，具体表达为：
f(X,A)＝σ(AReLU(AXW0)W1)
其中A＝D-1/2AD-1/2表示预处理步骤，
是具有自连接结构的邻接矩阵， D表示度矩阵，
代表从输入层到隐含层的权重矩阵，
表示从隐含层到输出层的权重矩阵，σ(·)和ReLU(·)表示激活函数。
将通过GCN Cell学习的带有扇区网络空间特征信息的空域碳排放时间序列输入到LSTM Cell，通过多个LSTM Cell之间的信息传递，学习得到空域碳排放时间特征，具体计算如下：
所述步骤4包括：
将步骤1中的邻接矩阵和步骤2划分的训练集输入到GCN模型中，学习和挖掘空域碳排放数据的时间特征和空间特征，采用Adm优化器优化神经网络；为避免模型过拟合，采用L2正则化处理方法；损失函数设置为平均绝对误差 (MAE)；使用网格寻优法寻找模型最优超参数，得到训练好的GCN-LSTM预测模型；
平均绝对误差(MAE)计算公式如下：
其中，yi与yi分别为第i个预测值与真实值，m为预测的样本数量。
GCN-LSTM预测模型的训练参数主要包含：预测时间长度、学习率大小、迭代次数、LSTM Cell层数、隐藏层神经单元个数。实验中学习率设置范围为 [0.1,0.01,0.001]，迭代训练次数为5000次，批量大小设置范围为[32,64,128,256]，隐藏单元设置范围为[32,64,100,128,256]，并保存训练模型。
模型经过训练，最终设置时空图卷积网络为2层，激活函数选择relu(.)，网络训练选用Adam优化算法，学习率设置在0.01，迭代训练次数为5000次，批量大小设置在256，隐藏单元为32，并保存训练模型；
其中，GCN模型通过频谱卷积来提取空域扇区单元之间的空间特征，第二层GCNCell输出具有空间特征的碳排放矩阵至第一层LSTM Cell，然后第一至第M层LSTM Cell通过迭代处理具有空间特征的碳排放矩阵，提取空域碳排放数据的时间特征；第M层LSTMCell输出具有时间特征和空间特征的碳排放矩阵，然后通过1个全连接层转化得到最终的空域碳排放预测结果。
所述步骤5包括：
将测试集数据输入步骤4中训练好的GCN-LSTM预测模型，使用四种常用的评估指标评估模型的预测性能，包括：均方根误差(RMSE)、平均绝对误差 (MAE)、准确度(ACC)、确定系数(R2)。
所述步骤6包括：
使用步骤4和步骤5中训练和测试评估好的GCN-LSTM模型预测短期内的空域碳排放量，其中短期时间尺度为15min-60min。
为了更直观的体现本发明提供预测方法的预测性能，本发明实施例在15min 和30min两个预测时间尺度上选用包含图卷积网络(GCN)、长短期记忆模型 (LSTM)、极限梯度提升算法(XGBoost)、随机森林模型(RF)、人工神经网络模型(ANN)、支持向量机模型(SVR)在内的6种机器学习预测模型进行对比分析，为方便计算，此处用标准化数据进行描述，具体如表2所示。
表2不同预测模型的预测性能对比结果
通过表2可知：本发明的预测模型相较其他机器学习模型预测性能最好，具体表现为RMSE和MAE最小，且ACC和R2最大，说明本发明预测精度高；与仅考虑空间特征的GCN和仅考虑时间特征的LSTM对比精度更高，说明本发明具备空域碳排放时空预测能力；
如图3和图4所示，分别为GCN-LSTM模型在15min和30min两个预测时间尺度上的预测结果。
综上，本发明提供的空域交通流量预测方法：能够改进现有技术中的不足，针对复杂的空域交通流量预测问题，该方法能够同时捕获空中交通流量的空间依赖性和时间依赖性，具有描述空中交通流时空特征的能力，而且注意力机制可以捕获空中交通流的全局时间动态趋势，能够挖掘大范围空域尺度的空中交通流运行规律，为流量管理方案制定、提升扇区结构优化和动态容流调配能力提供技术依据和参考。
实施例2
第二方面，本实施例提供了一种基于图神经网络的空域碳排放短期预测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。
实施例3
第三方面，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述方法的步骤。
实施例4
如图5所示，是本发明实施例提供的一种基于图神经网络的空域碳排放短期预测系统，可以用于实现实施例一所述的方法步骤，该系统包括：
空域扇区网络构建模块：依据空域扇区之间的航班移交关系，使用无向无权图
描述空域内扇区网络拓扑结构。
扇区碳排放时间序列构建模块：包含空域碳排放矩阵构建单元和数据预处理单元。
模型参数设定模块：包括预测时间长度、学习率大小、迭代次数、LSTM Cell 层数、隐藏层神经单元个数，确定数据的训练集、测试集比例。
模型训练模块：根据设定的模型训练参数，利用空域碳排放矩阵训练集对模型进行训练，计算模型的平均绝对误差，对模型的超参数做适当调整，得到训练好的空域碳排放预测模型。
空域碳排放预测模块：获取待预时间段前的历史空域碳排放数据，并将其输入到训练好的GCN-LSTM模型后获取所要预测时间段内的空域碳排放预测结果。
本领域内的技术人员应明白，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于图神经网络的空域碳排放短期预测方法，其特征在于，包括：
步骤1、获取碳排放预测的目标空域内航路航线结构，构建扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A；
步骤2、获取各扇区对应的碳排放数据并进行预处理，构建扇区碳排放时间序列；
步骤3、构建图卷积神经网络GCN和长短期记忆网络LSTM耦合的深度学习GCN-LSTM空域碳排放模型；
步骤4、基于步骤1得到的空域各扇区间的邻接矩阵A和步骤2得到的扇区碳排放时间序列，对深度学习GCN-LSTM空域碳排放模型进行训练、测试，得到训练好的深度学习GCN-LSTM空域碳排放模型；
步骤5、获取待预时间段前的历史空域碳排放数据，利用训练好的深度学习GCN-LSTM空域碳排放模型进行空域碳排放短期预测。
2.根据权利要求1所述的一种基于图神经网络的空域碳排放短期预测方法，其特征在于，构建空域扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A，包括：
使用无向无权图
描述空域内扇区网络拓扑结构，其中图的节点集合
代表扇区集合，N代表节点的数量；ε表示图的连边集合；邻接矩阵
代表扇区之间的航班移交关系，所述邻接矩阵为0-1矩阵，1代表扇区之间具有航班移交关系，0代表扇区之间不具有航班移交关系，
表示集合。
3.根据权利要求1所述的一种基于图神经网络的空域碳排放短期预测方法，其特征在于，构建扇区碳排放时间序列，包括：
收集一段时间内碳排放预测的目标空域对应的航班运行碳排放数据；统计不同扇区单元不同时间段的碳排放数据，构建空域碳排放矩阵；
然后对空域碳排放矩阵进行预处理、归一化处理，最后将归一化的空域碳排放矩阵按照一定的比例划分为训练集和测试集。
4.根据权利要求1所述的一种基于图神经网络的空域碳排放短期预测方法，其特征在于，所述深度学习GCN-LSTM空域碳排放模型包含图卷积神经网络GCN模型、长短期记忆网络LSTM模型以及1个全连接层；GCN模型由二层GCN Cell组成，其中第二层GCN Cell与第一层LSTM Cell连接，用于传递空间特征信息；LSTM模型由M层LSTM Cell组成并按照顺序依次连接，用于学习时间特征信息；第M层LSTM Cell与1个全连接层连接，用于输出学习的时序特征；
当GCN模型包含二层GCN Cell时，表达为：
f(X,A)＝σ(AReLU(AXW0)W1)
其中X为扇区碳排放时间序列，A为邻接矩阵；A＝D-1/2AD-1/2表示预处理步骤，
是具有自连接结构的邻接矩阵，，I表示单位矩阵，D表示度矩阵，Dii＝∑jAij,
代表从输入层到隐含层的权重矩阵，
表示从隐含层到输出层的权重矩阵，σ(·)和ReLU(·)表示激活函数；P表示扇区碳排放时间序列的长度；H表示隐含单元数量；T表示预测时间长度；i表示空域网络的节点；j表示网络节点属性；
将通过GCN Cell学习的带有扇区网络空间特征信息的空域碳排放时间序列输入到LSTM Cell，通过多个LSTM Cell之间的信息传递，学习得到空域碳排放时间特征，具体计算如下：
首先由遗忘门ft通过查看第t-1时刻的空域碳排放量输出值ht-1与第t时刻的空域碳排放量输入值f(Xt,A)来决定单元格状态Ci，即：
遗忘门：
ft＝σ(Wf·f(Xt,A)+Ufht-1+bf)
其次由输入门lt决定单元内部更新的数值与单元格状态，即：
输入门：
lt＝σ(Wl·f(Xt,A)+Ulht-1+bl)
单元格状态：
最后由输出门决定当前第t时刻排放量的输出情况，即：
输出门：
ot＝σ(Wo·f(Xt,A)+Uoht-1+bo)
最终输出：
其中：ft、lt、
Ct、ot、f(Xt,A)和ht分别表示遗忘门、输入门、前一刻单元格状态、当前单元格状态、输出门、t时刻的输入和输出；Wf、Wl、Wc和Wo分别表示遗忘门、输入门、单元格状态和输出门与输入向量f(Xt,A)连接的矩阵权重；bf、bl、bC和bo分别表示遗忘门、输入门、单元格状态和输出门的偏置项；Uf、Ul、Uc、Uo分别表示遗忘门、输入门、单元格状态和输出门与先前的短期状态ht-1连接的权重矩阵；tanh(·)表示双曲正切激活函数。
5.根据权利要求1所述的一种基于图神经网络的空域碳排放短期预测方法，其特征在于，所述深度学习GCN-LSTM空域碳排放模型的训练方法包括：
将空域各扇区间的邻接矩阵A和扇区碳排放时间序列训练集输入到GCN模型中，学习和挖掘空域碳排放数据的时间特征和空间特征，采用Adm优化器优化神经网络；为避免模型过拟合，采用L2正则化处理方法；损失函数设置为平均绝对误差MAE；使用网格寻优法寻找模型最优超参数，得到训练好的深度学习GCN-LSTM空域碳排放模型；
其中，GCN模型通过频谱卷积来提取空域扇区单元之间的空间特征，第二层GCN Cell输出具有空间特征的碳排放矩阵至第一层LSTM Cell，然后第一至第M层LSTM Cell通过迭代处理具有空间特征的碳排放矩阵，提取空域碳排放数据的时间特征；第M层LSTM Cell输出具有时间特征和空间特征的碳排放矩阵，然后通过1个全连接层转化得到最终的空域碳排放预测结果。
6.根据权利要求1所述的一种基于图神经网络的空域碳排放短期预测方法，其特征在于，所述深度学习GCN-LSTM空域碳排放模型的测试方法包括：
将测试集数据输入训练好的GCN-LSTM预测模型，使用四种常用的评估指标评估模型的预测性能，包括：均方根误差RMSE、平均绝对误差MAE、准确度ACC、确定系数R2。
7.根据权利要求1所述的一种基于图神经网络的空域碳排放短期预测方法，其特征在于，使用训练和测试评估好的深度学习GCN-LSTM空域碳排放模型预测短期内的空域碳排放量，其中短期时间尺度为15min-60min。
8.一种基于图神经网络的空域碳排放短期预测装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
10.一种基于图神经网络的空域碳排放短期预测系统，其特征在于，包括：
空域扇区网络构建模块：依据空域扇区之间的航班移交关系，使用无向无权图
描述空域内扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A；
扇区碳排放时间序列构建模块：包含空域碳排放矩阵构建单元和数据预处理单元；
模型参数设定模块：包括预测时间长度、学习率大小、迭代次数、LSTM Cell层数、隐藏层神经单元个数，确定数据的训练集、测试集比例；
模型训练模块：根据设定的模型训练参数，利用空域碳排放矩阵训练集对模型进行训练，计算模型的平均绝对误差，对模型的超参数做适当调整，得到训练好的空域碳排放预测模型；
空域碳排放预测模块：获取待预时间段前的历史空域碳排放数据，并将其输入到训练好的GCN-LSTM模型后获取所要预测时间段内的空域碳排放预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211232236.9A CN115564114B (zh) | 2022-10-10 | 2022-10-10 | 一种基于图神经网络的空域碳排放短期预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211232236.9A CN115564114B (zh) | 2022-10-10 | 2022-10-10 | 一种基于图神经网络的空域碳排放短期预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115564114A true CN115564114A (zh) | 2023-01-03 |
| CN115564114B CN115564114B (zh) | 2023-06-20 |
Family
ID=84744329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211232236.9A Active CN115564114B (zh) | 2022-10-10 | 2022-10-10 | 一种基于图神经网络的空域碳排放短期预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115564114B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596095A (zh) * | 2023-07-17 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
| CN116611576A (zh) * | 2023-06-06 | 2023-08-18 | 中国科学院空天信息创新研究院 | 碳排量预测方法及装置 |
| CN116910569A (zh) * | 2023-09-13 | 2023-10-20 | 中电车联信安科技有限公司 | 一种车辆碳排放大数据监测方法、系统、装置及存储介质 |
| CN116934117A (zh) * | 2023-07-20 | 2023-10-24 | 杭州超腾能源技术股份有限公司 | 一种碳排放峰值预测方法及系统 |
| CN117556224A (zh) * | 2024-01-12 | 2024-02-13 | 国网四川省电力公司电力科学研究院 | 一种电网设施抗震风险评估系统、方法及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
| CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
| CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
| CN114118537A (zh) * | 2021-11-09 | 2022-03-01 | 南京航空航天大学 | 一种空域航班碳排放量组合预测方法 |
-
2022
- 2022-10-10 CN CN202211232236.9A patent/CN115564114B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
| CN112350876A (zh) * | 2021-01-11 | 2021-02-09 | 南京信息工程大学 | 一种基于图神经网络的网络流量预测方法 |
| CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
| CN114118537A (zh) * | 2021-11-09 | 2022-03-01 | 南京航空航天大学 | 一种空域航班碳排放量组合预测方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116611576A (zh) * | 2023-06-06 | 2023-08-18 | 中国科学院空天信息创新研究院 | 碳排量预测方法及装置 |
| CN116611576B (zh) * | 2023-06-06 | 2023-10-03 | 中国科学院空天信息创新研究院 | 碳排量预测方法及装置 |
| CN116596095A (zh) * | 2023-07-17 | 2023-08-15 | 华能山东发电有限公司众泰电厂 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
| CN116596095B (zh) * | 2023-07-17 | 2023-11-07 | 华能山东泰丰新能源有限公司 | 基于机器学习的碳排放量预测模型的训练方法及装置 |
| CN116934117A (zh) * | 2023-07-20 | 2023-10-24 | 杭州超腾能源技术股份有限公司 | 一种碳排放峰值预测方法及系统 |
| CN116910569A (zh) * | 2023-09-13 | 2023-10-20 | 中电车联信安科技有限公司 | 一种车辆碳排放大数据监测方法、系统、装置及存储介质 |
| CN116910569B (zh) * | 2023-09-13 | 2023-12-19 | 中电车联信安科技有限公司 | 一种车辆碳排放大数据监测方法、系统、装置及存储介质 |
| CN117556224A (zh) * | 2024-01-12 | 2024-02-13 | 国网四川省电力公司电力科学研究院 | 一种电网设施抗震风险评估系统、方法及存储介质 |
| CN117556224B (zh) * | 2024-01-12 | 2024-03-22 | 国网四川省电力公司电力科学研究院 | 一种电网设施抗震风险评估系统、方法及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115564114B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115564114B (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN114220271B (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN110895878B (zh) | 一种基于ge-gan的交通状态虚拟检测器的生成方法 | |
| Wu et al. | A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology | |
| CN109583635B (zh) | 一种面向运行可靠性的短期负荷预测建模方法 | |
| CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
| CN111738520A (zh) | 一种融合孤立森林与长短期记忆网络的系统负载预测方法 | |
| CN114528949A (zh) | 一种基于参数优化的电能计量异常数据的识别与补偿方法 | |
| CN113657814B (zh) | 一种航空网络风险预测方法及风险等级评估方法 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN116204779B (zh) | 一种判断储能盐穴运行状态的方法、系统及可读存储介质 | |
| CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN111882114A (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
| CN115907079B (zh) | 一种基于注意力时空图卷积网络的空域交通流量预测方法 | |
| CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
| CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
| CN113076686A (zh) | 一种基于社会长短期记忆网络的航空器轨迹预测方法 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN108668254B (zh) | 基于改进BP神经网络的WiFi信号特征的区域定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |