CN115907079A - 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 - Google Patents

Abstract

本发明公开了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，包括：步骤(1):获取空中交通流量数据并进行预处理；步骤(2):空域扇区网络建模；步骤(3):构建空中交通流量时间序列；步骤(4):构建注意力时空图卷积网络；步骤(5):训练注意力时空图卷积网络；步骤(6):测试注意力时空图卷积网络；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。

Description

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

技术领域

本发明属于空中交通管理技术领域，具体涉及一种基于注意力时空图卷积网络的空域交通流量预测方法。

背景技术

近年来，全球经济水平的快速增长极大地促进了民航运输业的发展。尽管空中交通系统已经可靠地运行了很多年，但是随着航空运输需求的不断增长，空中交通需求和容量之间的矛盾越来越突出。空中交通流量预测是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流量分布。通过准确预测空域的空中交通流量信息，可以辅助利益相关者提前感知空域拥堵状态，帮助空中交通管制员在飞行控制过程中采取更有效的措施，从而确保运行安全，缓解空中交通拥堵，减少尾气排放并提高运营效率。

目前针对空中交通流预测的研究已有多种方法，主要包括统计学方法、基于数学模型的方法和基于机器学习的方法。统计方法只考虑历史发展规律，没有考虑具体外部因素的影响，导致预测结果与实际情况存在显着差异。基于数学模型的空中交通预测模型可以在一定程度上反映空中交通的特点，但建模需要做出假设以保证模型的可行性，忽略一些影响因素，很难对空中交通状况进行反思。基于机器学习的大数据分析方法能够充分挖掘空中交通的特点，合理反映输入输出数据之间的非线性关系，但是大都未考虑空中交通流的时空相关性特征。因此，亟待构建具备时间和空间依赖性特征提取的空中交通流量预测方法，准确感知空域空中交通流量状态。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于注意力时空图卷积网络的空域交通流量预测方法，结合图卷积神经网络GCN、门控神经单元GRU和时间注意力机制TA-Block，能够同时捕获空域扇区网络的空间拓扑结构和交通流量的全局时间动态趋势，能够准确感知空域空中交通流量状态。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，提供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，包括：

步骤(1):获取空域结构数据和空中交通流量数据；

步骤(2):基于所述空域结构数据和空中交通流量数据，构建空域扇区网络拓扑结构G，获得空域各扇区间的邻接矩阵A；

步骤(3):基于空域扇区网络拓扑结构G和所述空中交通流量数据，提取得到各个扇区的空中交通流量时间序列X；

步骤(4):将空域各扇区间的邻接矩阵A和扇区的空中交通流量时间序列X输入预训练好的注意力时空图卷积网络模型，根据所述注意力时空图卷积网络模型的输出，得到空域内扇区对应的空中交通流量预测结果；

其中所述注意力时空图卷积网络模型包括图卷积神经网络GCN模块和带有时间注意力机制TA-Block的门控循环单元GRU模块，其中GCN模块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；GRU模块用于捕获空中交通流时间特征；GRU模块捕获空中交通流时间特征的过程中，时间注意力机制TA-Block用于提取空中交通流的全局时间动态趋势。

在一些实施例中，获取空中交通流量数据，包括：

收集一段时间内交通流量预测的目标空域对应的空中交通流量数据；以设定时间长度大小的时间段为时间窗口，统计每个时间窗口内这个空域内各扇区单元的空中交通流量。

在一些实施例中，构建空域扇区网络拓扑结构G，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扇区网络拓扑结构G：

其中无向无权图的节点集合

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。

在一些实施例中，基于空域扇区网络拓扑结构G和所述空中交通流量数据，提取得到各个扇区的空中交通流量时间序列X，包括：

基于空域扇区网络拓扑结构G，将所述空中交通流量数据按扇区划分后再按时间排序，得到各个扇区的空中交通流量时间序列X。

在一些实施例中，各个扇区的空中交通流量时间序列X，包括：

将每个扇区的交通流量时间序列描述为扇区网络节点的属性特征，用

表示，其中N代表节点的数量，P表示扇区历史交通流量时间序列的长度。

在一些实施例中，所述注意力时空图卷积网络模型的构建方法，包括：

所述图卷积神经网络GCN模块包含两层时，表达为：

f(X,A)＝σ(AReLU(AXW₀)W₁)

其中X为空中交通流量时间序列，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，D_ii＝∑_jA_ij,

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表示扇区历史交通流量时间序列的长度；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；

将所述图卷积神经网络GCN模块的输出结果输入到门控循环单元GRU模块，所述门控循环单元GRU模块包括多个门控循环单元GRU，通过多个门控循环单元GRU之间的信息传递，学习得到空中交通流的时间动态变化特征，以及对应的n个包含空中交通流时空特征的隐含状态，具体计算如下：

u_t＝σ(W_u*[f(X_t,A),h_t-1]+b_u)

r_t＝σ(W_r*[f(X_t,A),h_t-1]+b_r)

c_t＝tanh(W_c*[f(X_t,A),(r_t*h_t-1)]+b_c)

h_t＝u_t*h_t-1+(1-u_t)*c_t

其中，u_t和r_t分别表示在t时刻的更新门和重置门；c_t表示在t时刻保存的记忆内容；h_t表示在t时刻门控循环单元GRU模块的输出状态；f(X_t,A)表示在t时刻图卷积神经网络GCN模块的输出结果；W_u、W_r、W_c和b_u、b_r、b_c均为可学习参数，分别表示训练过程的权重和偏差；

门控循环单元GRU模块在空中交通流时间特征捕获过程，采用了时间注意力机制TA-Block，对于具有d维大小的k个特征向量

上下文向量h以加权平均和的方式计算为：

其中，h_m表示不同时刻的隐含状态；α_m表示权重大小，h_m需要评估其对h的影响；通过训练全连接神经网络FNN计算每个h_m对应的影响分值，具体计算为:

s_m＝tanh(w^Th_m+b_m)

其中，s_m表示h_m和输出层h之间的相关系数，W、b_m为可学习参数，分别表示不同层级间的权重和偏差；w^T表示W的转置矩阵；

然后使用softmax函数计算每个特征的权重α_m，计算过程为：

基于上下文向量h，经过全连接层得到模型的最终输出，即可得到空域内各扇区对应的空中交通流量预测结果。

在一些实施例中，所述注意力时空图卷积网络模型的训练方法包括：

首先使用min-max标准化公式处理采集的空中交通流量历史数据集；

按照合适的比例将历史数据集划分为训练集和测试集；

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，并保存下来得到训练模型。

在一些实施例中，所述注意力时空图卷积网络模型的测试方法包括：

模型的测试环节，使用四种常用的评估指标，包括：均方根误差RMSE、平均绝对误差MAE、准确度ACC、确定系数R²；RMSE和MAE用于衡量预测误差：值越小，预测效果越好；ACC用于检测预测精度：值越大，预测效果越好；R²计算相关系数，衡量预测结果表示实际数据的能力：值越大，预测效果越好。

第二方面，本发明提供了一种基于注意力时空图卷积网络的空域交通流量预测装置，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。

与现有技术相比，本发明所达到的有益效果是：

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。

附图说明

图1是本发明实施例提供的空域交通流量预测方法流程图；

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获取的空域流量预测结果与测试结果的对比图。

具体实施方式

下面结合附图和实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

实施例1

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，包括：

获取空域结构数据和空中交通流量数据；

基于所述空域结构数据和空中交通流量数据，构建空域扇区网络拓扑结构G，获得空域各扇区间的邻接矩阵A；

基于空域扇区网络拓扑结构G和所述空中交通流量数据，提取得到各个扇区的空中交通流量时间序列X；

将空域各扇区间的邻接矩阵A和扇区的空中交通流量时间序列X输入预训练好的注意力时空图卷积网络模型，根据所述注意力时空图卷积网络模型的输出，得到空域内扇区对应的空中交通流量预测结果；

其中所述注意力时空图卷积网络模型包括图卷积神经网络GCN模块和带有时间注意力机制TA-Block的门控循环单元GRU模块，其中GCN模块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；GRU模块用于捕获空中交通流时间特征；GRU模块捕获空中交通流时间特征的过程中，时间注意力机制TA-Block用于提取空中交通流的全局时间动态趋势。

在一些实施例中，获取空中交通流量数据，包括：

收集一段时间内交通流量预测的目标空域对应的空中交通流量数据；以设定时间长度大小的时间段为时间窗口，统计每个时间窗口内这个空域内各扇区单元的空中交通流量。

在一些实施例中，构建空域扇区网络拓扑结构G，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扇区网络拓扑结构G：

其中无向无权图的节点集合

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。

在一些实施例中，基于空域扇区网络拓扑结构G和所述空中交通流量数据，提取得到各个扇区的空中交通流量时间序列X，包括：

基于空域扇区网络拓扑结构G，将所述空中交通流量数据按扇区划分后再按时间排序，得到各个扇区的空中交通流量时间序列X。

在一些实施例中，各个扇区的空中交通流量时间序列X，包括：

将每个扇区的交通流量时间序列描述为扇区网络节点的属性特征，用

表示，其中N代表节点的数量，P表示扇区历史交通流量时间序列的长度。

在一些实施例中，所述注意力时空图卷积网络模型的构建方法，包括：

所述图卷积神经网络GCN模块包含两层时，表达为：

f(X,A)＝σ(AReLU(AXW₀)W₁)

其中X为空中交通流量时间序列，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，D_ii＝∑_jA_ij,

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表示扇区历史交通流量时间序列的长度；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；

将所述图卷积神经网络GCN模块的输出结果输入到门控循环单元GRU模块，所述门控循环单元GRU模块包括多个门控循环单元GRU，通过多个门控循环单元GRU之间的信息传递，学习得到空中交通流的时间动态变化特征，以及对应的n个包含空中交通流时空特征的隐含状态，具体计算如下：

u_t＝σ(W_u*[f(X_t,A),h_t-1]+b_u)

r_t＝σ(W_r*[f(X_t,A),h_t-1]+b_r)

c_t＝tanh(W_c*[f(X_t,A),(r_t*h_t-1)]+b_c)

h_t＝u_t*h_t-1+(1-u_t)*c_t

其中，u_t和r_t分别表示在t时刻的更新门和重置门；c_t表示在t时刻保存的记忆内容；h_t表示在t时刻门控循环单元GRU模块的输出状态；f(X_t,A)表示在t时刻图卷积神经网络GCN模块的输出结果；W_u、W_r、W_c和b_u、b_r、b_c均为可学习参数，分别表示训练过程的权重和偏差；

门控循环单元GRU模块在空中交通流时间特征捕获过程，采用了时间注意力机制TA-Block，对于具有d维大小的k个特征向量

上下文向量h以加权平均和的方式计算为：

其中，h_m表示不同时刻的隐含状态；α_m表示权重大小，h_m需要评估其对h的影响；通过训练全连接神经网络FNN计算每个h_m对应的影响分值，具体计算为:

s_m＝tanh(w^Th_m+b_m)

其中，s_m表示h_m和输出层h之间的相关系数，W、b_m为可学习参数，分别表示不同层级间的权重和偏差；w^T表示W的转置矩阵；

然后使用softmax函数计算每个特征的权重α_m，计算过程为：

基于上下文向量h，经过全连接层得到模型的最终输出，即可得到空域内各扇区对应的空中交通流量预测结果。

在一些实施例中，如图1所示，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，包括：

步骤(1):获取空域结构数据和空中交通流量数据并进行预处理；

步骤(2):基于所述空域结构数据和空中交通流量数据，构建空域扇区网络拓扑结构G，获得空域各扇区间的邻接矩阵A；

步骤(3):基于空域扇区网络拓扑结构G和所述空中交通流量数据，提取得到各个扇区的空中交通流量时间序列X；

步骤(4):基于步骤(2)获得的空域各扇区间的邻接矩阵A和步骤(3)获得的扇区的空中交通流量时间序列X，构建注意力时空图卷积网络模型；

将空域扇区网络拓扑结构G和扇区的空中交通流量时间序列X作为注意力时空图卷积网络模型的输入；其中所述注意力时空图卷积网络模型包括图卷积神经网络GCN模块和带有时间注意力机制TA-Block的门控循环单元GRU模块，其中GCN模块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；GRU模块用于捕获空中交通流时间特征；GRU模块捕获空中交通流时间特征的过程中，时间注意力机制TA-Block用于提取空中交通流的全局时间动态趋势；

步骤(5):训练注意力时空图卷积网络模型；

步骤(6):测试注意力时空图卷积网络模型；

模型训练完成后，将测试集数据输入步骤(5)中保存下来的注意力时空图卷积网络模型，即可得到模型的测试结果，用于预测未来一段时间的空域交通流量。

所述步骤(1)包括：

收集一个月内某空域对应的空中交通流量数据；以15min为时间窗口，统计每个时间窗口内该空域内各扇区单元的空中交通流量；将所有历史空中交通流量数据按照9：1的比例划分为训练集和测试集。

所述步骤(2)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，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(3)包括：

将每个扇区的交通流量时间序列描述为扇区网络节点的属性特征，用

表示，其中P表示扇区历史交通流量时间序的长度。

所述步骤(4)包括：

将步骤(2)中的空域各扇区间的邻接矩阵A和步骤(3)中的扇区历史n个交通流量时间序列X输入图卷积网络模型；时空图卷积网络模型由图卷积神经网络GCN和门控循环单元GRU构成，其中GCN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，GRU用于捕获空中交通流的时间特征；当时空图卷积网络包含两层时，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，D_ii＝∑_jA_ij,

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表示扇区历史交通流量时间序列的长度；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学习得到的带有扇区网络空间特征信息的空中交通流时间序列输入到GRU，通过多个GRU之间的信息传递，学习得到空中交通流的时间动态变化特征，以及对应的n个包含空中交通流时空特征的隐含状态，具体计算如下：

u_t＝σ(W_u*[f(X_t,A),h_t-1]+b_u)

r_t＝σ(W_r*[f(X_t,A),h_t-1]+b_r)

c_t＝tanh(W_c*[f(X_t,A),(r_t*h_t-1)]+b_c)

h_t＝u_t*h_t-1+(1-u_t)*c_t

其中，u_t和r_t分别表示在t时刻的更新门和重置门；c_t表示在t时刻保存的记忆内容；h_t表示在t时刻门控循环单元GRU模块的输出状态；f(X_t,A)表示在t时刻图卷积神经网络GCN模块的输出结果；W_u、W_r、W_c和b_u、b_r、b_c均为可学习参数，分别表示训练过程的权重和偏差；

在空中交通流时间特征捕获过程采用了时间注意力机制TA-Block，采用了时间注意力机制TA-Block，对于具有d维大小的k个特征向量

上下文向量h以加权平均和的方式计算为：

其中，h_m表示不同时刻的隐含状态；α_m表示权重大小，h_m需要评估其对h的影响；通过训练全连接神经网络FNN计算每个h_m对应的影响分值，具体计算为:

s_m＝tanh(w^Th_m+b_m)

其中，s_m表示h_m和输出层h之间的相关系数，W、b_m为可学习参数，分别表示不同层级间的权重和偏差；w^T表示W的转置矩阵；

然后使用softmax函数计算每个特征的权重α_m，计算过程为：

基于上下文向量h，经过全连接层得到模型的最终输出，即可得到空域内各扇区对应的空中交通流量预测结果。

所述步骤(5)包括：

对注意力时空图卷积网络进行训练；首先使用min-max标准化公式处理采集的空中交通流量历史数据集；按照合适的比例将历史数据集划分为训练集和测试集；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，并保存下来得到训练模型。

所述步骤(6)包括：

模型的测试环节，我们使用四种常用的评估指标，包括：均方根误差RMSE、平均绝对误差MAE、准确度ACC、确定系数R²。具体来说，RMSE和MAE用于衡量预测误差：值越小，预测效果越好。ACC用于检测预测精度：值越大，预测效果越好。R²计算相关系数，衡量预测结果表示实际数据的能力：值越大，预测效果越好。

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。

为进一步验证本发明实施例提供的空域交通流量预测方法的有效性，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。

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

ZH9963

ZGGG

ZSWZ

5903.42

863.03

…

114.6423

23.9556

2019/5/1 10:05

ZH9963

ZGGG

ZSWZ

5082.54

863.03

…

114.6671

23.9791

2019/5/1 10:05

ZH9963

ZGGG

ZSWZ

5082.54

863.03

…

114.6772

23.9886

2019/5/1 10:05

…

…

…

…

…

…

…

…

…

ZH9963

ZGGG

ZSWZ

6198.77

863.03

…

114.7169

24.0261

2019/5/1 10:06

ZH9963

ZGGG

ZSWZ

6756.88

863.03

…

114.7215

24.0305

2019/5/1 10:06

ZH9963

ZGGG

ZSWZ

7170.42

865.41

…

114.7472

24.0548

2019/5/1 10:06

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；如图3所示，是采用本发明实施例所述预测方法获取的空域流量预测结果与测试结果的对比图，根据图3可知：预测模型在空域交通流量预测性能上表现优异。

为了验证本发明实施例提供的预测方法的预测精度，可以均方根误差RMSE、平均绝对误差MAE、准确度ACC、确定系数R²等指标量化预测精度，

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预测时间尺度上选用包含循环神经单元(GRU)、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7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GRU对比精度更高，说明本发明具备空中交通流时空预测能力；

图3中：(a)为2019.05.01-2019.05.31的ZGGGAR05扇区空中交通流量可视化结果，(b)为2019.05.30一天的空中交通流量可视化结果。

实施例2

第二方面，本实施例提供了一种基于注意力时空图卷积网络的空域交通流量预测装置，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。

本领域内的技术人员应明白，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)

1.一种基于注意力时空图卷积网络的空域交通流量预测方法，其特征在于，包括：

获取空域结构数据和空中交通流量数据；

基于所述空域结构数据和空中交通流量数据，构建空域扇区网络拓扑结构G，获得空域各扇区间的邻接矩阵A；

基于空域扇区网络拓扑结构G和所述空中交通流量数据，提取得到各个扇区的空中交通流量时间序列X；

将空域各扇区间的邻接矩阵A和扇区的空中交通流量时间序列X输入预训练好的注意力时空图卷积网络模型，根据所述注意力时空图卷积网络模型的输出，得到空域内扇区对应的空中交通流量预测结果；

其中所述注意力时空图卷积网络模型包括图卷积神经网络GCN模块和带有时间注意力机制TA-Block的门控循环单元GRU模块，其中GCN模块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；GRU模块用于捕获空中交通流时间特征；GRU模块捕获空中交通流时间特征的过程中，时间注意力机制TA-Block用于提取空中交通流的全局时间动态趋势。

2.根据权利要求1所述的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，其特征在于，获取空中交通流量数据，包括：

收集一段时间内交通流量预测的目标空域对应的空中交通流量数据；以设定时间长度大小的时间段为时间窗口，统计每个时间窗口内这个空域内各扇区单元的空中交通流量。

3.根据权利要求1所述的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，其特征在于，构建空域扇区网络拓扑结构G，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扇区网络拓扑结构G：

其中无向无权图的节点集合

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。

4.根据权利要求1所述的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，其特征在于，基于空域扇区网络拓扑结构G和所述空中交通流量数据，提取得到各个扇区的空中交通流量时间序列X，包括：

基于空域扇区网络拓扑结构G，将所述空中交通流量数据按扇区划分后再按时间排序，得到各个扇区的空中交通流量时间序列X。

5.根据权利要求1所述的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，其特征在于，各个扇区的空中交通流量时间序列X，包括：

将每个扇区的交通流量时间序列描述为扇区网络节点的属性特征，用

表示，其中N代表节点的数量，P表示扇区历史交通流量时间序列的长度，

表示集合。

6.根据权利要求1所述的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，其特征在于，所述注意力时空图卷积网络模型的构建方法，包括：

所述图卷积神经网络GCN模块包含两层时，表达为：

f(X,A)＝σ(AReLU(AXW₀)W₁)

其中X为空中交通流量时间序列，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，D_ii＝∑_jA_ij,

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表示扇区历史交通流量时间序列的长度；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；

将所述图卷积神经网络GCN模块的输出结果输入到门控循环单元GRU模块，所述门控循环单元GRU模块包括多个门控循环单元GRU，通过多个门控循环单元GRU之间的信息传递，学习得到空中交通流的时间动态变化特征，以及对应的n个包含空中交通流时空特征的隐含状态，具体计算如下：

u_t＝σ(W_u*[f(X_t,A),h_t-1]+b_u)

r_t＝σ(W_r*[f(X_t,A),h_t-1]+b_r)

c_t＝tanh(W_c*[f(X_t,A),(r_t*h_t-1)]+b_c)

h_t＝u_t*h_t-1+(1-u_t)*c_t

其中，u_t和r_t分别表示在t时刻的更新门和重置门；c_t表示在t时刻保存的记忆内容；h_t表示在t时刻门控循环单元GRU模块的输出状态；f(X_t,A)表示在t时刻图卷积神经网络GCN模块的输出结果；W_u、W_r、W_c和b_u、b_r、b_c均为可学习参数，分别表示训练过程的权重和偏差；

门控循环单元GRU模块在空中交通流时间特征捕获过程，采用了时间注意力机制TA-Block，对于具有d维大小的k个特征向量

上下文向量h以加权平均和的方式计算为：

其中，h_m表示不同时刻的隐含状态；α_m表示权重大小，h_m需要评估其对h的影响；通过训练全连接神经网络FNN计算每个h_m对应的影响分值，具体计算为:

s_m＝tanh(w^Th_m+b_m)

其中，s_m表示h_m和输出层h之间的相关系数，W、b_m为可学习参数，分别表示不同层级间的权重和偏差；w^T表示W的转置矩阵；

然后使用softmax函数计算每个特征的权重α_m，计算过程为：

基于上下文向量h，经过全连接层得到模型的最终输出，即可得到空域内各扇区对应的空中交通流量预测结果。

7.根据权利要求1所述的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，其特征在于，所述注意力时空图卷积网络模型的训练方法包括：

首先使用min-max标准化公式处理采集的空中交通流量历史数据集；

按照合适的比例将历史数据集划分为训练集和测试集；

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，并保存下来得到训练模型。

8.根据权利要求1所述的一种基于注意力时空图卷积网络的空域短时交通流量预测方法，其特征在于，所述注意力时空图卷积网络模型的测试方法包括：：

模型的测试环节，使用四种常用的评估指标，包括：均方根误差RMSE、平均绝对误差MAE、准确度ACC、确定系数R²；RMSE和MAE用于衡量预测误差：值越小，预测效果越好；ACC用于检测预测精度：值越大，预测效果越好；R²计算相关系数，衡量预测结果表示实际数据的能力：值越大，预测效果越好。

9.一种基于注意力时空图卷积网络的空域交通流量预测装置，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8任一项所述方法的步骤。

10.一种存储介质，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8任一项所述方法的步骤。

Images