CN115796391A - 一种基于多源时变特征融合的机场容量预测方法 - Google Patents

一种基于多源时变特征融合的机场容量预测方法 Download PDF

Info

Publication number
CN115796391A
CN115796391A CN202310046475.3A CN202310046475A CN115796391A CN 115796391 A CN115796391 A CN 115796391A CN 202310046475 A CN202310046475 A CN 202310046475A CN 115796391 A CN115796391 A CN 115796391A
Authority
CN
China
Prior art keywords
airport
channel
capacity
features
representing
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.)
Pending
Application number
CN202310046475.3A
Other languages
English (en)
Inventor
曹先彬
杜文博
陈莘文
佟路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202310046475.3A priority Critical patent/CN115796391A/zh
Publication of CN115796391A publication Critical patent/CN115796391A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多源时变特征融合的机场容量预测方法，包括：通过空间注意力机制和区域注意力机制实现机场上空雷达回波图信息的矩阵表示，提取矩阵特征；对机场气象报文进行解码，统计机场运行数据、容量历史数据，结合提取出的雷达回波图特征构建特征向量；根据特征向量的特点设计多通道预测模型框架；设计通道内的特征时序依赖性提取模块；设计通道间的信息传递模块；通过模型输出输入的循环滚动得到未来给定时间内的机场容量预测值。该方法针对机场容量相关特征多源异构的特点，建立了多通道预测模型，解决了不同源特征对容量的影响不同、特征间存在相互耦合的问题，有效提升了预测准确度，为空中交通管理提供了有效的数据基础。

Description

一种基于多源时变特征融合的机场容量预测方法
技术领域
本发明属于机场容量预测技术领域，具体涉及一种基于多源时变特征融合的机场容量预测方法。
背景技术
民航业的快速发展显著提升了航空运输在综合交通中的地位。然而，持续增长的航班数量加剧了空中交通流量和系统容量间的矛盾，导致了近些年大规模航班延误事件频繁发生。相关研究表明，若不加以干预，未来航班延误情况会进一步恶化，到2030年航班平均延误时长将会翻倍。由于持续增长的严重经济损失和恶劣社会影响，“容量-流量”不匹配问题已成为阻碍民航业安全稳定发展的桎梏。
解决“容量-流量”不匹配问题的主要手段就是预测机场容量并据此临时调整航班运行计划。然而，这种方法的有效性很大程度上取决于容量预测的准确性，过高的估计容量会导致航班面临空中等待或改变航线等临时调整，促使延误恶化；而过低的估计容量会导致机场资源的浪费以及航班计划难以按时完成。因此，对机场容量预测的研究是重要而又具有挑战性的。
国内外研究学者对于机场容量预测问题进行过系统的研究，可以分为两类：聚类方法和回归方法。
聚类方法首先对历史条件进行聚类并生成容量场景的条件概率分布，然后通过将当前特征情况匹配到适当的聚类来获得新的预测。机场的历史容量是聚类的重要因素之一。Liu等人对机场的历史容量进行了聚类，并通过决策树的方法来预测未来容量（P.B.Liu, M. Hansen, and A. Mukherjee, “Scenario-based air traffic flowmanagement:From theory to practice,” Transportation Research Part B:Methodological, vol.42, no. 7–8, pp. 685–702, Aug. 2008.）。Buxi等人在上述研究的基础上引入了天气要素，通过主成分分析法从大量天气数据中提取出有用的特征，并将其与历史容量结合进行聚类（G.Buxi and M. Hansen, “Generating day-of-operation probabilisticcapacityscenarios from weather forecasts,” Transportation Research Part C:EmergingTechnologies, vol. 33, pp. 153–166, Aug. 2013.）。Larsen等人重点关注容量和需求严重不平衡时的容量预测问题，对容量数据在时序上进行了更精细的划分（D.Larsen and M. Robinson, “A non-parametric discrete choice model forairportacceptance rate prediction,” presented at the AIAA Aviation 2019Forum, Dallas,Texas, Jun. 2019.）。
通常情况下，回归方法在容量预测问题中更受关注。这类方法通过采用回归模型拟合机场特征和容量间的复杂关系，从而实现机场容量的预测。与聚类方法相比，回归方法的预测结果更为精确，而对应的代价是模型更高的复杂度和难以解释的参数。Wang等人提出采用线性回归和二次响应面回归来进行机场容量预测，并采用芝加哥奥黑尔国际机场的实际数据进行了实验，得到了比聚类方法更精准的结果（Y.Wang, “Prediction ofweather impacted airport capacity using RUC-2 forecast,”in 2012 IEEE/AIAA31st Digital Avionics Systems Conference (DASC), Oct. 2012,pp. 3C3-1-3C3-12.）。Cox 和Kochenderfer提出了一种基于贝叶斯回归的预测模型，并对各特征的重要性进行了分析（J.Cox and M. J. Kochenderfer, “Probabilistic airport acceptancerate prediction,”presented at the AIAA Modeling and Simulation TechnologiesConference, SanDiego, California, USA, Jan. 2016.）。近些年，容量预测模型所使用的特征越来越全面。Tien等人考虑到了机场跑道情况和来源于ShortRange EnsembleForecast (SREF)中更全面的天气特征，并将其运用于预测模型。他们运用了美国35个主要机场的数据进行了验证，发现新引入的特征能有效地提升模型的预测准确率（S.-L.(Alex)Tien, C. Taylor, E. Vargo, and C. Wanke, “Using ensemble weatherforecasts forpredicting airport arrival capacity,” Journal of AirTransportation, vol. 26,no. 3, pp. 123–132, Jul. 2018.）。Murca和Hansman等人在特征中引入了终端区的航迹数据，并采用高斯回归模型进行容量预测，发现在相同数据集上优于Tien等人提出的方法（M.C. R. Murça, R. J. Hansman, L. Li, and P. Ren, “Flight trajectorydataanalytics for characterization of air traffic flows: A comparativeanalysis ofterminal area operations between New York, Hong Kong and SaoPaulo,”Transportation Research Part C: Emerging Technologies, vol. 97, pp.324–347,Dec. 2018.）。后续，他们进一步改进了方法，将复杂的航迹数据先进行聚类，然后再和原始特征结合，并采用分位数回归模型预测，得到了更准确的预测结果（M.C. R. Murça and R. J. Hansman, “Identification, characterization, andprediction oftraffic flow patterns in multi-airport systems,” IEEETransactions onIntelligent Transportation Systems, vol. 20, no. 5, pp.1683–1696, 2019.）。
尽管目前针对机场容量预测的研究已取得了一定进展，但仍存在不足。现有方法都是通过统计性或机器学习模型拟合特征和容量间的关系来预测容量，但忽视了所使用的特征来源不同，因此物理含义不同、对容量的影响方式不同、分布差异性大，这会使得预测模型在训练时出现梯度偏移问题，预测结果出现下降。另外，特征之间还存在相互干扰，例如能见度等气象特征不仅能直接影响机场容量，还能通过影响跑道特征间接影响机场容量，这一问题也未被考虑过。在特征和容量时序依赖性的提取方面，现有方法基于的LSTM（Longshort-term memory）模块效果也相对有限，有较大的改进空间。
发明内容
为了解决上述问题，本发明提供了一种基于多源时变特征融合的机场容量预测方法，通过多通道融合的时序预测模型，解决了多源特征训练及特征间相互耦合的问题，并采用多头注意力机制改善时序依赖性的提取效果，大幅提升了机场容量预测的准确率。在该方法当中，首先通过空间注意力机制和区域注意力机制实现机场上空雷达回波图信息的矩阵表示，并采用卷积神经网络提取矩阵特征；其次，对机场气象报文进行解码，结合机场运行数据、容量历史数据、提取出的雷达回波图特征构建特征向量；接着，根据特征向量的特点设计多通道预测模型框架；然后，设计通道内的特征时序依赖性提取模块，提取特征和容量的动态变化规律；下一步，设计通道间的信息传递模块，模拟真实情况中存在的特征间相互耦合；最后，通过模型输出输入的循环滚动得到未来给定时间的机场容量预测值。本发明具体采用如下技术方案：
一种基于多源时变特征融合的机场容量预测方法，包括以下步骤：
S1，通过空间注意力机制和区域注意力机制实现机场上空雷达回波图信息的矩阵表示，提取矩阵特征得到特征增强后的雷达回波图特征
Figure SMS_1
；
S2，对机场气象报文进行解码得到气象报文特征
Figure SMS_2
，统计机场的实际起飞航班数量和降落航班数量得到机场运行特征
Figure SMS_3
，记录历史时刻的机场容量值得到容量历史特征
Figure SMS_4
；
S3，构建包含气象、运行、历史三个通道的多通道预测模型
Figure SMS_5
，三个通道输入分别为
Figure SMS_6
，
Figure SMS_7
，
Figure SMS_8
，输出分别记为
Figure SMS_9
，其中
Figure SMS_10
表示全连接层；
S4，气象通道和历史通道内分别通过两个时序依赖性提取模块
Figure SMS_11
提取特征的时序依赖性，得到气象通道的最终输出
Figure SMS_12
、历史通道的最终输出
Figure SMS_13
；
S5，通过编码-解码将气象通道的信息传递到运行通道，通过两个时序依赖性提取模块
Figure SMS_14
提取特征的时序依赖性，得到运行通道的最终输出
Figure SMS_15
，其中
Figure SMS_16
为
Figure SMS_17
通过一个多头注意力模块并归一化后的结果；
S6，使用历史样本训练多通道预测模型，将t时刻三个通道的最终输出作为t+1时刻的多通道预测模型的输入，通过输出、输入的循环滚动得到未来给定时间内的机场容量预测值。
进一步，所述步骤S1具体为：
把t时刻的雷达回波图记为
Figure SMS_18
，则雷达回波图特征
Figure SMS_19
的矩阵表示如下：
Figure SMS_20
其中
Figure SMS_21
表示矩阵元素对位相乘，
Figure SMS_22
表示空间注意力计算，
Figure SMS_23
表示区域注意力计算，计算方式如下：
Figure SMS_24
其中
Figure SMS_27
表示sigmoid函数，
Figure SMS_30
表示一个卷积核为7×7的卷积操作，
Figure SMS_32
表示将矩阵重组，使得雷达回波图
Figure SMS_26
变为元素数量相同的矩阵
Figure SMS_31
，
Figure SMS_33
表示全连接层，
Figure SMS_34
表示将矩阵维度复原为
Figure SMS_25
，
Figure SMS_28
和
Figure SMS_29
分别表示平均池化层和最大池化层；
将雷达回波图特征
Figure SMS_35
与雷达回波图
Figure SMS_36
的矩阵相乘得到特征增强后的雷达回波图
Figure SMS_37
：
Figure SMS_38
采用预训练完成的卷积神经网络对
Figure SMS_39
进行特征提取得到特征增强后的雷达回波图特征的矩阵表示：
Figure SMS_40
其中
Figure SMS_41
表示卷积神经网络，
Figure SMS_42
表示特征增强后的雷达回波图特征。
进一步，所述气象报文特征
Figure SMS_43
包含风速、云层厚度、云层高度、能见度。
进一步，所述时序依赖性提取模块
Figure SMS_44
的操作方式具体为：
首先对输入的特征进行位置编码，记录输入特征的时间先后顺序：
Figure SMS_45
其中
Figure SMS_46
表示特征的位置编码，pos表示特征的位置序号，i表示维度，
Figure SMS_47
表示输入特征的总长度；
然后将位置编码得到的向量分别输入h个不同的注意力模块，计算如下：
Figure SMS_48
其中，
Figure SMS_49
表示多头注意力模块，Q,K,V表示查询向量、键向量和值向量，
Figure SMS_50
和
Figure SMS_51
是参数矩阵，
Figure SMS_52
表示向量拼接操作，
Figure SMS_53
表示第i个注意力模块，
Figure SMS_54
表示注意力矩阵计算；
最后将
Figure SMS_55
进行归一化，记为
Figure SMS_56
，再通过一个前向传播的全连接层，得到一个时序依赖性提取模块的最终输出：
Figure SMS_57
其中
Figure SMS_58
表示前向传播的全连接层，
Figure SMS_59
表示归一化，
Figure SMS_60
为参数矩阵，
Figure SMS_61
表示取最大值。
进一步，所述步骤S4，气象通道和历史通道中两个时序依赖性提取模块的Q,K,V均为输入特征。
进一步，所述步骤S5，运行通道的第一个时序依赖性提取模块中Q,K,V均为机场运行特征
Figure SMS_62
，第二个时序依赖性提取模块的K,V为气象通道的第一个时序依赖性提取模块的输出：
Figure SMS_63
。
进一步，所述步骤S6还包括：使用历史样本训练多通道预测模型拟合特征向量
Figure SMS_64
和机场容量值间的映射关系，其中特征向量
Figure SMS_65
由雷达回波图特征
Figure SMS_66
、气象报文特征
Figure SMS_67
、机场运行特征
Figure SMS_68
、容量历史特征
Figure SMS_69
共同构建。
本发明相对于现有技术的有益效果：
本发明针对机场容量预测问题，设计了一种能从多源异构特征中高效提取信息的深度学习模型。该方法通过多通道并行训练克服了多源异构数据带来的梯度偏移问题，并通过通道间的信息传递模拟了特征间的耦合作用，然后采用多头注意力模块叠加的方式更准确地捕捉到了特征的时序依赖性，大幅提升了机场容量预测的准确度。
本发明重点关注机场容量和航班流量不匹配的问题，从影响机场容量变化的多源特征的特点出发，开展了机场容量预测的深度学习方法研究。该方法对于提升机场容量预测的准确率，为高效的航班调控方案奠定数据基础具有重要的现实意义。
附图说明
图1：雷达回波图信息提取示意图；
图2：多通道预测模型流程图；
图3：时序依赖性提取模块示意图；
图4：通道间信息传递模块示意图；
图5：本发明机场容量预测结果与现有方法对比图；图中，(a)、(b)、(c)分别是采用平均均方误差、平均绝对误差、平均绝对百分比误差计算获得的结果。
其中，图中各符号说明如下：
Figure SMS_70
：矩阵点乘；
Figure SMS_71
：特征增强后的雷达回波图特征；
Figure SMS_72
：气象特征；
Figure SMS_73
：机场运行特征；
Figure SMS_74
：机场当前容量；
Figure SMS_75
：三个通道的输出；
RELU：一种激活函数；
Q、K、V：查询向量(query),键向量(key)和值向量(value)；
LR，BR，LSTM，SVM，RF，Transformer：已有的机场容量预测模型。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施实例中的附图，对本发明实施中的技术方案进行清楚、完整的描述。
本发明提供一种基于多源时变特征融合的机场容量预测方法，考虑的问题是：对于一个机场，以其容量的各影响因素为特征，并根据历史样本拟合特征和容量间的映射关系，以通过特征预测未来的机场容量。包括以下步骤：
步骤一，针对机场上空的雷达回波图，考虑到航班起飞降落的跑道有固定的朝向，不同方向的空域的气象条件对机场容量的影响程度不同，采用空间注意力机制结合区域注意力机制的方法来获取雷达回波图的信息，如图1所示。
把t时刻的雷达回波图记为
Figure SMS_76
，计算雷达回波图特征
Figure SMS_77
的矩阵表示如下：
Figure SMS_78
其中
Figure SMS_79
表示矩阵元素对位相乘，
Figure SMS_80
表示空间注意力计算，
Figure SMS_81
表示区域注意力计算，计算方式如下：
Figure SMS_82
其中
Figure SMS_85
表示sigmoid函数，
Figure SMS_88
表示一个卷积核为7×7的卷积操作，
Figure SMS_91
表示将矩阵重组，使得原雷达回波图矩阵
Figure SMS_84
变为元素数量相同的矩阵
Figure SMS_86
，
Figure SMS_89
表示全连接层，
Figure SMS_92
表示将矩阵维度复原为
Figure SMS_83
，
Figure SMS_87
和
Figure SMS_90
分别表示平均池化层和最大池化层。
通过上述过程得到的雷达回波图特征矩阵记录了雷达回波图中每个经纬度点所蕴含的信息的重要性，通过将其与原始雷达回波图矩阵相乘可以得到特征增强后的雷达回波图
Figure SMS_93
：
Figure SMS_94
然后采用一个预训练完成的卷积神经网络，建议采用VGG16，对
Figure SMS_95
进行特征提取得到特征增强后的雷达回波图特征的矩阵表示，计算如下：
Figure SMS_96
步骤二，按照民航局给出的说明对气象报文METAR（MeteorologicalTerminalAviation Routine Weather Report）进行解码得到气象报文特征
Figure SMS_97
，具体包含风速、云层厚度、云层高度、能见度；然后对机场运行特征
Figure SMS_98
进行统计，具体包含每小时机场的实际起飞航班数量和降落航班数量；记录历史时刻的机场容量值，得到容量历史特征
Figure SMS_99
，再结合步骤一中提取到的雷达回波图特征
Figure SMS_100
共同构成特征向量
Figure SMS_101
。
步骤三，将特征向量按来源分为气象、运行、历史三类，构建多通道预测模型框架，如图2所示。
气象通道包含
Figure SMS_102
和
Figure SMS_103
，
Figure SMS_104
，运行通道包含
Figure SMS_105
，历史通道包含
Figure SMS_106
，模型的输出为
Figure SMS_107
其中
Figure SMS_108
分别是各个通道的输出，三个通道的参数相互独立，训练模型时需要给三个通道都训练一套各自的参数。
步骤四，为每个通道设计特征的时序依赖性提取模块，如图3所示。
首先对输入的特征进行位置编码（Positional Encoding），记录输入特征的时间先后顺序，如下
Figure SMS_109
其中
Figure SMS_110
表示特征的位置编码，pos表示特征的位置序号，i表示维度，
Figure SMS_111
表示输入特征的总长度。
然后将位置编码得到的向量分别输入h个不同的注意力模块，计算如下：
Figure SMS_112
其中，
Figure SMS_113
表示多头注意力模块，Q,K,V表示查询向量(query), 键向量(key)和值向量(value)，是注意力机制里的三个组成要素，在本发明的步骤四中，Q,K,V一样，均为输入特征。
Figure SMS_114
和
Figure SMS_115
是通过训练确定的参数矩阵。
Figure SMS_116
表示向量拼接操作，
Figure SMS_117
表示表示第i个注意力模块，
Figure SMS_118
表示注意力矩阵计算。
最后将
Figure SMS_119
进行归一化，然后记为
Figure SMS_120
，再通过一个前向传播的全连接层，得到一个时序依赖性提取模块的最终输出，计算如下：
Figure SMS_121
其中
Figure SMS_122
表示前向传播的全连接层，
Figure SMS_123
表示归一化，
Figure SMS_124
均为训练得到的参数矩阵，
Figure SMS_125
表示取最大值。
将步骤四的上述操作整体记为
Figure SMS_126
，即时序依赖性提取模块，在每个通道中，通过两个时序依赖性提取模块来提取时序依赖性，对气象和历史通道，通道的最后输出可以表示为：
Figure SMS_127
对于运行通道，由于气象特征和运行特征存在耦合关系，需要进行额外的设计。
步骤五，设计通道间的信息传输模块，模拟气象特征和运行特征的耦合，如图4所示。
图4中左边为气象通道的第一个时序依赖性提取模块，将其输出作为运行通道的第二个时序依赖性提取模块的V和K，利用注意力机制的编码和解码实现信息传输，具体计算如下：
Figure SMS_128
步骤六，使用历史样本训练模型拟合特征向量
Figure SMS_129
和机场容量值间的映射关系，通过将t时刻的输出容量作为t+1时刻的模型输入，并以此类推到t+2，t+3…，进行输出输入的循环滚动得到未来一段时间内的机场容量预测值，计算如下：
Figure SMS_130
和现有容量预测算法线性回归（LR），贝叶斯回归（BR），支持向量机（SVM），随机森林（RF），LSTM，Transformer对比，本发明方法效果提升8.28%，如图5所示。

Claims (7)

1.一种基于多源时变特征融合的机场容量预测方法，其特征在于，包括以下步骤：
S1，通过空间注意力机制和区域注意力机制实现机场上空雷达回波图信息的矩阵表示，提取矩阵特征得到特征增强后的雷达回波图特征
Figure QLYQS_1
；
S2，对机场气象报文进行解码得到气象报文特征
Figure QLYQS_2
，统计机场的实际起飞航班数量和降落航班数量得到机场运行特征
Figure QLYQS_3
，记录历史时刻的机场容量值得到容量历史特征
Figure QLYQS_4
；
S3，构建包含气象、运行、历史三个通道的多通道预测模型
Figure QLYQS_5
，三个通道输入分别为
Figure QLYQS_6
，
Figure QLYQS_7
，
Figure QLYQS_8
，输出分别记为
Figure QLYQS_9
，其中
Figure QLYQS_10
表示全连接层；
S4，气象通道和历史通道内分别通过两个时序依赖性提取模块
Figure QLYQS_11
提取特征的时序依赖性，得到气象通道的最终输出
Figure QLYQS_12
、历史通道的最终输出
Figure QLYQS_13
；
S5，通过编码-解码将气象通道的信息传递到运行通道，通过两个时序依赖性提取模块
Figure QLYQS_14
提取特征的时序依赖性，得到运行通道的最终输出
Figure QLYQS_15
，其中
Figure QLYQS_16
为
Figure QLYQS_17
通过一个多头注意力模块并归一化后的结果；
S6，使用历史样本训练多通道预测模型，将t时刻三个通道的最终输出作为t+1时刻的多通道预测模型的输入，通过输出、输入的循环滚动得到未来给定时间内的机场容量预测值。
2.根据权利要求1所述的基于多源时变特征融合的机场容量预测方法，其特征在于，所述步骤S1具体为：
把t时刻的雷达回波图记为
Figure QLYQS_18
，则雷达回波图特征
Figure QLYQS_19
的矩阵表示如下：
Figure QLYQS_20
其中
Figure QLYQS_21
表示矩阵元素对位相乘，
Figure QLYQS_22
表示空间注意力计算，
Figure QLYQS_23
表示区域注意力计算，计算方式如下：
Figure QLYQS_24
其中
Figure QLYQS_27
表示sigmoid函数，
Figure QLYQS_29
表示一个卷积核为7×7的卷积操作，
Figure QLYQS_33
表示将矩阵重组，使得雷达回波图
Figure QLYQS_26
变为元素数量相同的矩阵
Figure QLYQS_30
，
Figure QLYQS_32
表示全连接层，
Figure QLYQS_34
表示将矩阵维度复原为
Figure QLYQS_25
，
Figure QLYQS_28
和
Figure QLYQS_31
分别表示平均池化层和最大池化层；
将雷达回波图特征
Figure QLYQS_35
与雷达回波图
Figure QLYQS_36
的矩阵相乘得到特征增强后的雷达回波图
Figure QLYQS_37
：
Figure QLYQS_38
采用预训练完成的卷积神经网络对
Figure QLYQS_39
进行特征提取得到特征增强后的雷达回波图特征的矩阵表示：
Figure QLYQS_40
其中
Figure QLYQS_41
表示卷积神经网络，
Figure QLYQS_42
表示特征增强后的雷达回波图特征。
3.根据权利要求2所述的基于多源时变特征融合的机场容量预测方法，其特征在于，所述气象报文特征
Figure QLYQS_43
包含风速、云层厚度、云层高度、能见度。
4.根据权利要求1-3任一项所述的基于多源时变特征融合的机场容量预测方法，其特征在于，所述时序依赖性提取模块
Figure QLYQS_44
的操作方式具体为：
首先对输入的特征进行位置编码，记录输入特征的时间先后顺序：
Figure QLYQS_45
其中
Figure QLYQS_46
表示特征的位置编码，pos表示特征的位置序号，i表示维度，
Figure QLYQS_47
表示输入特征的总长度；
然后将位置编码得到的向量分别输入h个不同的注意力模块，计算如下：
Figure QLYQS_48
其中，
Figure QLYQS_49
表示多头注意力模块，Q,K,V表示查询向量、键向量和值向量，
Figure QLYQS_50
和
Figure QLYQS_51
是参数矩阵，
Figure QLYQS_52
表示向量拼接操作，
Figure QLYQS_53
表示第i个注意力模块，
Figure QLYQS_54
表示注意力矩阵计算；
最后将
Figure QLYQS_55
进行归一化，记为
Figure QLYQS_56
，再通过一个前向传播的全连接层，得到一个时序依赖性提取模块的最终输出：
Figure QLYQS_57
其中
Figure QLYQS_58
表示前向传播的全连接层，
Figure QLYQS_59
表示归一化，
Figure QLYQS_60
为参数矩阵，
Figure QLYQS_61
表示取最大值。
5.根据权利要求4所述的基于多源时变特征融合的机场容量预测方法，其特征在于，所述步骤S4，气象通道和历史通道中两个时序依赖性提取模块的Q,K,V均为输入特征。
6.根据权利要求5所述的基于多源时变特征融合的机场容量预测方法，其特征在于，所述步骤S5，运行通道的第一个时序依赖性提取模块中Q,K,V均为机场运行特征
Figure QLYQS_62
，第二个时序依赖性提取模块的K,V为气象通道的第一个时序依赖性提取模块的输出：
Figure QLYQS_63
。
7.根据权利要求6所述的基于多源时变特征融合的机场容量预测方法，其特征在于，所述步骤S6还包括：使用历史样本训练多通道预测模型拟合特征向量
Figure QLYQS_64
和机场容量值间的映射关系，其中特征向量
Figure QLYQS_65
由雷达回波图特征
Figure QLYQS_66
、气象报文特征
Figure QLYQS_67
、机场运行特征
Figure QLYQS_68
、容量历史特征
Figure QLYQS_69
共同构建。
CN202310046475.3A 2023-01-31 2023-01-31 一种基于多源时变特征融合的机场容量预测方法 Pending CN115796391A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310046475.3A CN115796391A (zh) 2023-01-31 2023-01-31 一种基于多源时变特征融合的机场容量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310046475.3A CN115796391A (zh) 2023-01-31 2023-01-31 一种基于多源时变特征融合的机场容量预测方法

Publications (1)

Publication Number Publication Date
CN115796391A true CN115796391A (zh) 2023-03-14

Family

ID=85429281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310046475.3A Pending CN115796391A (zh) 2023-01-31 2023-01-31 一种基于多源时变特征融合的机场容量预测方法

Country Status (1)

Country Link
CN (1) CN115796391A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530704A (zh) * 2013-10-16 2014-01-22 南京航空航天大学 一种终端空域空中交通动态容量预测系统及其方法
CN109409587A (zh) * 2018-10-09 2019-03-01 南京航空航天大学 一种基于天气数据挖掘的机场进离场交通流量预测方法
US20200073014A1 (en) * 2018-08-29 2020-03-05 International Business Machines Corporation Generation of weather analytical scenarios translating likely airport capacity impact from probabilistic weather forecast
CN114722551A (zh) * 2022-05-23 2022-07-08 北京航空航天大学 一种恶劣天气下空域网络容量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530704A (zh) * 2013-10-16 2014-01-22 南京航空航天大学 一种终端空域空中交通动态容量预测系统及其方法
US20200073014A1 (en) * 2018-08-29 2020-03-05 International Business Machines Corporation Generation of weather analytical scenarios translating likely airport capacity impact from probabilistic weather forecast
CN109409587A (zh) * 2018-10-09 2019-03-01 南京航空航天大学 一种基于天气数据挖掘的机场进离场交通流量预测方法
CN114722551A (zh) * 2022-05-23 2022-07-08 北京航空航天大学 一种恶劣天气下空域网络容量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
""Airport Capacity Prediction With Multisource Features: A Temporal Deep Learning Approach"" *

Similar Documents

Publication Publication Date Title
CN109887282B (zh) 一种基于层级时序图卷积网络的路网交通流预测方法
Mousavi et al. Traffic light control using deep policy‐gradient and value‐function‐based reinforcement learning
CN111210633B (zh) 一种基于深度学习的短时交通流预测方法
CN109142171B (zh) 基于特征扩张的融合神经网络的城市pm10浓度预测方法
Zeng et al. Traffic prediction of wireless cellular networks based on deep transfer learning and cross-domain data
CN113222328B (zh) 基于路段污染相似性的空气质量监测设备布点选址方法
CN107169598A (zh) 一种基于深度学习的天气预测方法及系统
CN113591380B (zh) 基于图高斯过程的交通流预测方法、介质及设备
Shao et al. Branchy-GNN: A device-edge co-inference framework for efficient point cloud processing
CN112910711B (zh) 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质
CN110164129B (zh) 基于gernn的单交叉口多车道交通流量预测方法
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
CN113420868A (zh) 一种基于深度强化学习的旅行商问题求解方法及求解系统
Xu et al. Short‐term traffic flow prediction based on whale optimization algorithm optimized BiLSTM_Attention
Tian et al. Spatio-temporal position prediction model for mobile users based on LSTM
CN104299114B (zh) 一种基于数据库的地产信息分析系统
Wang et al. A novel time efficient machine learning-based traffic flow prediction method for large scale road network
Huang et al. Aircraft trajectory prediction based on bayesian optimised temporal convolutional network–bidirectional gated recurrent unit hybrid neural network
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
CN113947238A (zh) 一种基于多站点时空关联的城市污染物浓度预测方法
CN113240219A (zh) 一种土地利用模拟及预测方法
CN116227738B (zh) 一种电网客服话务量区间预测方法及系统
CN117392846A (zh) 一种时空自适应图学习融合动态图卷积的交通流预测方法
CN109685242B (zh) 基于Adaboost算法的光伏超短期组合预测方法
Sun et al. Spatio-temporal cellular network traffic prediction using multi-task deep learning for AI-enabled 6G

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230314