CN116205120A - 一种基于深度学习组合模型的航班运行网络延误预测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习组合模型的航班运行网络延误预测方法，属于航空航天技术领域，包括获取航班运行网络以及航班延误历史数据，构建特征矩阵和邻接矩阵，构建图卷积网络层捕获图的空间特征与拓扑结构关系，利用门控循环单元对长时信息和短时信息的表征能力来提取航班延误的时间特性，构建GCN‑GRU组合预测模型，解决了能够反映出由于航班延误波及造成的延误波动情况，并且可以精准地反映出航班运行网络中各节点航班延误水平的动态变化的技术问题，本发明相较于传统的预测模型拥有更高的航班延误预测精度，预测结果可为航空公司从航班延误的角度调整航线提供参考。

Description

一种基于深度学习组合模型的航班运行网络延误预测方法

技术领域

本发明属于航空航天技术领域，尤其涉及一种基于深度学习组合模型的航班运行网络延误预测方法。

背景技术

随着航空运输业的迅猛发展，旅客出行需求日益增加、机场容量供给不足以及自然灾害等不确定因素导致航班延误日益严重，不仅会影响旅客的出行，还会增加航空公司运营成本。因此，对航班延误进行精确预测具有重要的现实意义，既可以为航空公司的航班运行决策提供依据，减少航班延误带来的损失，也可以为旅客出行提供决策依据，保障旅客的体验度。

目前国内外针对航班延误预测的研究方法大体可分为三类：

(1)基于统计推断的预测方法，该方法包括构建基于航班串的贝叶斯网络模型、运用加权马尔科夫链模型对航班延误率进行预测；(2)基于仿真建模的预测方法，该方法包括基于SIS流行病模型所建立的航班延误传播模型，基于有色时间Petri网构建的航班延误波及分析模型等；(3)基于机器学习的预测方法，该方法包括支持向量机、BP神经网络预测模型、基于注意力机制的Graph2Seq结构等。

通常，在航班实际运行过程中，一方面由于受到气象、交通流量控制、航空公司和机场等多种因素的影响，航班延误具有很强的非线性与动态变化特性。另一方面，航班串中的延误波动效应存在于同一航司的航班运行网络中，同一航班运行网络中的不同航线存在相互作用的影响关系，其网络所包含的复杂特征对于航班延误的传播产生不可忽视的关键影响。

综上，现有三类方法中，基于统计推断的算法计算简单且可以清晰地反映航班延误波及现象，但难以处理越来越复杂的数据结构；基于仿真建模的研究虽能够直观表示出航班延误传播各部分与整体之间的相互关系及相互影响，但预测精准程度普遍不高；基于机器学习的预测方法，以航班运行大数据为基础，考虑航班运行的动态变化与非线性特征，有效提升预测精度，但现有方法局限于链式预测特征，无法有效捕捉同一航班运行网络中的内部空间特征，对于航班运行网络的整体延误水平预测性能存在一定的局限性。

发明内容

本发明的目的是提供一种基于深度学习组合模型的航班运行网络延误预测方法，解决了能够反映出由于航班延误波及造成的延误波动情况，并且可以精准地反映出航班运行网络中各节点航班延误水平的动态变化的技术问题。

为实现上述目的，本发明采用如下技术方案：

一种基于深度学习组合模型的航班运行网络延误预测方法，包括如下步骤：

步骤1：数据采集服务器通过互联网获取目标航空公司的航班运行网络以及航班延误历史数据，并发送给模型构建服务器；

步骤2：在模型构建服务器中，利用航班延误历史数据构建特征矩阵；

同时，确定航班运行网络中各条航线间的空间影响关系，构建邻接矩阵；

根据特征矩阵和邻接矩阵构建图卷积网络层捕获图的空间特征与拓扑结构关系；

步骤3：在模型构建服务器中构建门控循环单元层，门控循环单元层通过引入门控机制来进行遗忘与选择记忆，进一步提取时间序列特征，生成时间图卷积预测层，时间图卷积预测层用于对航班延误进行预测；

定义损失函数，计算损失；

步骤4：构建GCN-GRU组合预测模型和全连接层，基于图卷积网络层、门控循环单元层和全连接层构建组合预测模型，并发送给应用服务器进行预测；

步骤5：应用服务器在获取GCN-GRU组合预测模型后，在GCN-GRU组合预测模型中首先使用长度为n的历史时间序列数据作为输入，n取值正整数，并使用图卷积网络捕捉目标航空公司的网络的拓扑结构，以获得空间特征，其次，将获得的具有空间特征的时间序列输入到门控循环单元层中，通过单元间的信息传递获得动态变化，以获取时间特征，最后通过全连接层输出最终的预测结果。

优选的，在执行步骤2时，具体包括如下步骤：

步骤S2-1：获取目标航空公司的航班运行网络以及航班延误历史数据后，将航班运行网络标记为网络G，使用加权有向图G＝(V，E，W)来描述航空公司航班运行网络的拓扑结构，V是机场节点集合，V＝{v₁，v₂，……，v_N}，N是机场节点的数量，E代表由航线连接的机场组成的边集合，W即为加权邻接矩阵；

构建加权邻接矩阵W∈R^N×N通过以下公式反映网络G内机场间的空间关联性：

其中，Q_j为某航空公司在机场v_j的日均离港航班频次，f_ij为某航空公司从机场v_i到机场v_j的日均航班频次；

机场延误水平由机场离港航班准点率衡量，将机场网络上的各机场离港航班准点率作为节点属性特征，构建特征矩阵X∈R^N×P，P代表节点属性特征的数量，即历史时间序列的长度，X_t∈R^N×t用于表示t时段每个节点的延误水平；

步骤2-2：在构建图卷积网络层时，采用多层传播规则应用于多个网络的叠加，传播规则的形式如下公式：

其中，

表示加入节点自身特征的邻接矩阵，I_N为单位矩阵，

表示度矩阵，

H^(l)∈R^N×l表示第l层的激活值，θ^(l)表示第l层的参数，σ(·)代表激活函数。图卷积网络层通过确定中心节点与周边节点的拓扑关系，同时对机场网络的拓扑结构和节点的属性进行编码，进而捕捉空间依赖性。

优选的，所述机场节点即将每一个机场作为一个节点。

优选的，在执行步骤3时，门控循环单元通过引入门控机制来进行遗忘与选择记忆。

优选的，在执行步骤3时，对于航班运行网络中的各个时间点，对于航线网络中的各个节点，门控循环单元层中的门控循环网络对于输入的航线客运量数据进行特征挖掘，在激活函数σ(·)与权重矩阵W_u和W_r的共同作用下实现信息的更新与重置，具体变换公式组如下：

u_t＝σ(W_u*[X_t，h_t-1]+b_u)； (公式3)

r_t＝σ(W_r*[X_t，h_t-1]+b_r)； (公式4)

c_t＝relu6(W_c[X_t，(r_t*h_t-1)])]+b_c)； (公式5)

h_t＝u_t*h_t-1+(1-u_t)*c_t； (公式6)

其中，门控循环神经网络中存在多个门控循环单元，其门控循环单元中的重置门r_t与更新门u_t用于获取时间序列具有的前后特征，c_t用于存储t时刻的信息数据，X_t用于表示数据的输入状态，h_t用于表示t时刻的输出状态，σ(·)表示激活函数，relu6为存储层的激活函数，W_u与W_r分别为门控循环单元中的更新门与重置门的权重信息，W_c为存储过程的权重信息，c_t依据公式5与重置门r_t的共同作用，对前序门控循环单元输出信息进行存储，并通过公式6中的变换获得航线网络t时刻的输出数据，依次传递给后续门控循环单元。

优选的，在执行步骤5时，GCN-GRU组合预测模型的模型元胞的具体计算公式组如下：

u_t＝σ(W_u[f(X，A)，h_t-1]+b_u)； (公式7)

r_t＝σ(W_r[f(X，A)，h_t-1]+b_r)； (公式8)

其中，h_t-1表示t-1时刻的输出，图卷积网络的输出作为门控循环单元的输入，u_t和r_t分别表示在t时刻的更新门和重置门，

是t时刻储存的信息，h_t表示t时刻的输出，σ(·)表示非线性回归的激活函数，W_u、W_r和

表示权重，b_u与b_r分别表示偏移量，f(X，A)表示图卷积过程，

表示Hadamard乘积。

优选的，在执行步骤3时，在训练过程中，目标是最小化实际值与预测值之间的差距，Y_t表示实际值，

表示预测值，深度学习组合模型的损失函数如下：

其中，

用于最小化实际值与预测值之间的误差。为了防止过拟合，在损失函数中添加了L2正则项L_reg，λ为超参数。

本发明所述的一种基于深度学习组合模型的航班运行网络延误预测方法，解决了能够反映出由于航班延误波及造成的延误波动情况，并且可以精准地反映出航班运行网络中各节点航班延误水平的动态变化的技术问题，本发明相较于传统的预测模型拥有更高的航班延误预测精度，针对不同节点的预测，GCN-GRU模型能够对节点特征不同的节点，均能做出精准的航班延误预测，且节点度值越大、节点聚类系数越小的节点，预测效果越好，可作为基于图卷积神经网络解决航空公司的机场网络延误水平预测的后续研究提供节点选取的参考，针对不同类型航司的机场网络，均有较高的航班延误预测精度，且平均度越大、平均聚类系数越大、节点平均路径长度越小的机场网络，航班延误波及造成的影响在机场网络中越明显，预测效果越好，预测结果可为航空公司从航班延误的角度调整航线提供参考。

附图说明

图1为本发明的方法流程图；

图2为本发明所构建的航班运行网络图；

图3为本发明航班运行网络的拓扑结构关系；

图4为本发明运行网络中邻接矩阵W示意图；

图5为本发明的门控循环网络层结构示意图；

图6为本发明的GCN-GRU网络结构示意图。

具体实施方式

由图1-图6所示的一种基于深度学习组合模型的航班运行网络延误预测方法，包括如下步骤：

步骤1：数据采集服务器通过互联网获取目标航空公司的航班运行网络以及航班延误历史数据，并发送给模型构建服务器。

步骤2：在模型构建服务器中，利用航班延误历史数据构建特征矩阵。

同时，确定航班运行网络中各条航线间的空间影响关系，构建邻接矩阵。

根据特征矩阵和邻接矩阵构建图卷积网络层捕获图的空间特征与拓扑结构关系。

具体包括如下步骤：

步骤S2-1：获取目标航空公司的航班运行网络以及航班延误历史数据后，将航班运行网络标记为网络G，使用加权有向图G＝(V，E，W）来描述航空公司航班运行网络的拓扑结构，V是机场节点集合，V＝{v₁，v₂，......，v_N}，N是机场节点的数量，E代表由航线连接的机场组成的边集合，W即为加权邻接矩阵；

构建加权邻接矩阵W∈R^N×N通过以下公式反映网络G内机场间的空间关联性：

其中，Q_j为某航空公司在机场v_j的日均离港航班频次，d_ij为某航空公司从机场v_i到机场v_j的日均航班频次，其中w为加权邻接矩阵W的元素；

机场延误水平由机场离港航班准点率衡量，将机场网络上的各机场离港航班准点率作为节点属性特征，构建特征矩阵X∈R^N×P，P代表节点属性特征的数量，即历史时间序列的长度，X_t∈R^N×t用于表示t时段每个节点的延误水平；

步骤2-2：在构建图卷积网络层时，采用多层传播规则应用于多个网络的叠加，传播规则的形式如下公式：

其中，

表示加入节点自身特征的邻接矩阵，I_N为单位矩阵，

表示度矩阵，

表示第l层的激活值，θ^(l)表示第l层的参数，σ(·)代表激活函数。图卷积网络层通过确定中心节点与周边节点的拓扑关系，同时对机场网络的拓扑结构和节点的属性进行编码，进而捕捉空间依赖性。

所述机场节点即将每一个机场作为一个节点。

步骤3：在模型构建服务器中构建门控循环单元层，门控循环单元层通过引入门控机制来进行遗忘与选择记忆，进一步提取时间序列特征，生成时间图卷积预测层，时间图卷积预测层用于对航班延误进行预测；

定义损失函数，计算损失；

门控循环单元通过引入门控机制来进行遗忘与选择记忆；

对于航班运行网络中的各个时间点，对于航线网络中的各个节点，门控循环单元层中的门控循环网络对于输入的航线客运量数据进行特征挖掘，在激活函数σ(·)与权重矩阵W_u和W_r的共同作用下实现信息的更新与重置，具体变换公式组如下：

u_t＝σ（W_u*[X_t，h_t-1]+b_u)； (公式3)

r_t＝σ(W_r*[X_t，h_t-1]+b_r)； (公式4)

c_t＝relu6(W_c[X_t，(r_t*h_t-1)]+b_c)； (公式5)

h_t＝u_t*h_t-1+(1-u_t)*c_t； (公式6)

其中，门控循环神经网络中存在多个门控循环单元，其门控循环单元中的重置门r_t与更新门u_t用于获取时间序列具有的前后特征，c_t用于存储t时刻的信息数据，X_t用于表示数据的输入状态，h_t用于表示t时刻的输出状态，σ(·)表示激活函数，relu6为存储层的激活函数，W_u与W_r分别为门控循环单元中的更新门与重置门的权重信息，W_c为存储过程的权重信息，c_t依据公式5与重置门r_t的共同作用，对前序门控循环单元输出信息进行存储，并通过公式6中的变换获得航线网络t时刻的输出数据，依次传递给后续门控循环单元。

在训练过程中，目标是最小化实际值与预测值之间的差距，Y_t表示实际值，

表示预测值，深度学习组合模型的损失函数如下：

其中，

用于最小化实际值与预测值之间的误差。为了防止过拟合，在损失函数中添加了L2正则项L_reg，λ为超参数。

步骤4：构建GCN-GRU组合预测模型和全连接层，基于图卷积网络层、门控循环单元层和全连接层构建组合预测模型，并发送给应用服务器进行预测；

步骤5：应用服务器在获取GCN-GRU组合预测模型后，在GCN-GRU组合预测模型中首先使用长度为n的历史时间序列数据作为输入，n取值正整数，并使用图卷积网络捕捉目标航空公司的网络的拓扑结构，以获得空间特征，其次，将获得的具有空间特征的时间序列输入到门控循环单元层中，通过单元间的信息传递获得动态变化，以获取时间特征，最后通过全连接层输出最终的预测结果。

GCN-GRU组合预测模型的模型元胞的具体计算公式组如下：

u_t＝σ(W_u[f(X，A)，h_t-1]+b_u)； (公式7)

r_t＝σ(W_r[f(X，A)，h_t-1]+b_r)； (公式8)

其中，h_t-1表示t-1时刻的输出，图卷积网络的输出作为门控循环单元的输入，u_t和r_t分别表示在t时刻的更新门和重置门，

是t时刻储存的信息，h_t表示t时刻的输出，σ(·)表示非线性回归的激活函数，W_u、W_r和

表示权重，b_u与b_r分别表示偏移量，f(X，A)表示图卷积过程，

表示Hadamard乘积。

在本实施例中对多种方法延误预测水平对比：选取历史平均法(History AverageMethod,HA)、整合移动平均自回归模型(Autoregressive Integrated Moving Average,ARIMA)、支持向量机(Support Vector Regression,SVR)与门控循环单元(GatedRecurrent Unit,GRU)作为预测基准模型，与本发明所构建的GCN-GRU组合预测模型进行预测性能的比对，并构建评价指标包括平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Squared Error,RMSE)、均方对数误差(Mean Squared Log Error,MSLE)和精确度(Accuracy，Acc)，其结果如下表1所示：

表1

由表1数据可见，本发明相较于传统技术在平均绝对误差、均方根误差、均方对数误差和精确度方面均具有明显优势。

在本实施例中对不同类型机场节点的延误水平进行仿真，在基于所构建组合的GCN-GRU组合预测模型进行延误仿真中，选取三座节点特征具有代表性的机场，进行不同类型机场节点的延误仿真，仿真结果下表2、表3和表4所示。

表2

表3

表4

由表2、表3和表4数据可见，本发明能够对节点特征不同的节点，均能做出精准的航班延误预测，且节点度值越大、节点聚类系数越小的节点，预测效果越好。

本实施例中还对不同类型航司的延误水平进行了分析：基于GCN-GRU组合预测模型，本实施例对比三家不同类型的航空公司，分别是一家全服务航司(简称：DL航空)，一家低成本航司(简称：WN航空)，以及一家支线航司(简称：OO航空)，以平均路径长度、平均度、平均聚类系数与总航班量作为其网络特征评估指标，延误预测节点分别选取各航司日均离港航班量前30的机场，其预测仿真结果如下表5所示：

表5

由表5数据可见，GCN-GRU模型针对不同类型航司的机场网络，均有较高的航班延误预测精度，且平均度越大、平均聚类系数越大、节点平均路径长度越小的机场网络，航班延误波及造成的影响在机场网络中越明显，预测效果越好。

本发明所述的一种基于深度学习组合模型的航班运行网络延误预测方法，解决了能够反映出由于航班延误波及造成的延误波动情况，并且可以精准地反映出航班运行网络中各节点航班延误水平的动态变化的技术问题，本发明相较于传统的预测模型拥有更高的航班延误预测精度，针对不同节点的预测，GCN-GRU模型能够对节点特征不同的节点，均能做出精准的航班延误预测，且节点度值越大、节点聚类系数越小的节点，预测效果越好，可作为基于图卷积神经网络解决航空公司的机场网络延误水平预测的后续研究提供节点选取的参考，针对不同类型航司的机场网络，均有较高的航班延误预测精度，且平均度越大、平均聚类系数越大、节点平均路径长度越小的机场网络，航班延误波及造成的影响在机场网络中越明显，预测效果越好，预测结果可为航空公司从航班延误的角度调整航班串提供参考。

Claims (8)

1.一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：包括如下步骤：

步骤1：数据采集服务器通过互联网获取目标航空公司的航班运行网络以及航班延误历史数据，并发送给模型构建服务器；

步骤2：在模型构建服务器中，利用航班延误历史数据构建特征矩阵；

同时，确定航班运行网络中各条航线间的空间影响关系，构建邻接矩阵；

根据特征矩阵和邻接矩阵构建图卷积网络层捕获图的空间特征与拓扑结构关系；

步骤3：在模型构建服务器中构建门控循环单元层，门控循环单元层通过引入门控机制来进行遗忘与选择记忆，进一步提取时间序列特征，生成时间图卷积预测层，时间图卷积预测层用于对航班延误进行预测；

定义损失函数，计算损失；

步骤4：构建GCN-GRU组合预测模型和全连接层，基于图卷积网络层、门控循环单元层和全连接层构建组合预测模型，并发送给应用服务器进行预测；

步骤5：应用服务器在获取GCN-GRU组合预测模型后，在GCN-GRU组合预测模型中首先使用长度为n的历史时间序列数据作为输入，n取值正整数，并使用图卷积网络捕捉目标航空公司的网络的拓扑结构，以获得空间特征，其次，将获得的具有空间特征的时间序列输入到门控循环单元层中，通过单元间的信息传递获得动态变化，以获取时间特征，最后通过全连接层输出最终的预测结果。

2.如权利要求1所述的一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：在执行步骤2时，具体包括如下步骤：

步骤S2-1：获取目标航空公司的航班运行网络以及航班延误历史数据后，将航班运行网络标记为网络G，使用加权有向图G＝(V,E,W)来描述航空公司航班运行网络的拓扑结构，V是机场节点集合，V＝{v₁,v₂,......,v_N}，N是机场节点的数量，E代表由航线连接的机场组成的边集合，W即为加权邻接矩阵；

构建加权邻接矩阵W∈R^N×N，通过以下公式反映网络G内机场间的空间关联性：

其中，Q_j为某航空公司在机场v_j的日均离港航班频次，f_ij为某航空公司从机场v_i到机场v_j的日均航班频次。

3.机场延误水平由机场离港航班准点率衡量，将机场网络上的各机场离港航班准点率作为节点属性特征，构建特征矩阵X∈R^N×P，P代表节点属性特征的数量，即历史时间序列的长度，X_t∈R^N×t用于表示t时段每个节点的延误水平；

步骤2-2：在构建图卷积网络层时，采用多层传播规则应用于多个网络的叠加，传播规则的形式如下公式：

其中，

表示加入节点自身特征的邻接矩阵，I_N为单位矩阵，

表示度矩阵，

H^(l)∈R^N×l表示第l层的激活值，θ^(l)表示第l层的参数，σ(·)代表激活函数；图卷积网络层通过确定中心节点与周边节点的拓扑关系，同时对机场网络的拓扑结构和节点的属性进行编码，进而捕捉空间依赖性。

4.如权利要求2所述的一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：所述机场节点即将每一个机场作为一个节点。

5.如权利要求2所述的一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：在执行步骤3时，门控循环单元通过引入门控机制来进行遗忘与选择记忆。

6.如权利要求2所述的一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：在执行步骤3时，对于航班运行网络中的各个时间点，对于航线网络中的各个节点，门控循环单元层中的门控循环网络对于输入的航线客运量数据进行特征挖掘，在激活函数σ(·)与权重矩阵W_u和W_r的共同作用下实现信息的更新与重置，具体变换公式组如下：

u_t＝σ(W_u*[X_t,h_t-1]+b_u)； (公式3)

r_t＝σ(W_r*[X_t,h_t-1]+b_r)； (公式4)

c_t＝relu6(W_c[X_t,(r_t*h_t-1)]+b_c)； (公式5)

h_t＝u_t*h_t-1+(1-u_t)*c_t； (公式6)

其中，门控循环神经网络中存在多个门控循环单元，其门控循环单元中的重置门r_t与更新门u_t用于获取时间序列具有的前后特征，c_t用于存储t时刻的信息数据，X_t用于表示数据的输入状态，h_t用于表示t时刻的输出状态，σ(·)表示激活函数，relu6为存储层的激活函数，W_u与W_r分别为门控循环单元中的更新门与重置门的权重信息，

为存储过程的权重信息，c_t依据公式5与重置门r_t的共同作用，对前序门控循环单元输出信息进行存储，并通过公式6中的变换获得航线网络t时刻的输出数据，依次传递给后续门控循环单元。

7.如权利要求6所述的一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：在执行步骤5时，GCN-GRU组合预测模型的模型元胞的具体计算公式组如下：

u_t＝σ(W_u[f(X,A),h_t-1]+b_u)； (公式7)

r_t＝σ(W_r[f(X,A),h_t-1]+b_r)； (公式8)

其中，h_t-1表示t-1时刻的输出，图卷积网络的输出作为门控循环单元的输入，u_t和r_t分别表示在t时刻的更新门和重置门，

是t时刻储存的信息，h_t表示t时刻的输出，σ(·)表示非线性回归的激活函数，W_u、W_r和

表示权重，b_u与b_r分别表示偏移量，f(X,A)表示图卷积过程，

表示Hadamard乘积。

8.如权利要求1所述的一种基于深度学习组合模型的航班运行网络延误预测方法，其特征在于：在执行步骤3时，在训练过程中，目标是最小化实际值与预测值之间的差距，Y_t表示实际值，

表示预测值，深度学习组合模型的损失函数如下：

其中，

用于最小化实际值与预测值之间的误差；为了防止过拟合，在损失函数中添加了L2正则项L_reg，λ为超参数。

Images