CN116935700B - 一种基于多源特征的扇区交通态势预测方法 - Google Patents
一种基于多源特征的扇区交通态势预测方法 Download PDFInfo
- Publication number
- CN116935700B CN116935700B CN202311198949.2A CN202311198949A CN116935700B CN 116935700 B CN116935700 B CN 116935700B CN 202311198949 A CN202311198949 A CN 202311198949A CN 116935700 B CN116935700 B CN 116935700B
- Authority
- CN
- China
- Prior art keywords
- layer
- traffic situation
- aircraft
- sector
- graph
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000000547 structure data Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005096 rolling process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229920003169 water-soluble polymer Polymers 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0095—Aspects of air-traffic control not provided for in the other subgroups of this main group
-
- 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
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源特征的扇区交通态势预测方法,属于空中交通管理、空中交通环境预测技术领域,包括:获取空域扇区内的航空器历史数据;利用ADS‑B信息构建航空器飞行冲突网络模型,基于航空器飞行冲突网络模型的连边关系构建航空器的邻接矩阵;构建图结构扇区交通态势训练数据集;构建扇区交通态势等级实时预测模型;利用图结构扇区交通态势训练数据集对扇区交通态势等级实时预测模型进行训练,得到训练好的扇区交通态势等级实时预测模型;将新的航空器历史数据输入训练好的扇区交通态势等级实时预测模型进行交通态势等级的预测。能够全面有效地捕捉空中交通态势多源特征,实现对态势等级的识别和预测。
Description
技术领域
本发明涉及空中交通管理、空中交通环境预测技术领域,特别涉及一种基于多源特征的扇区交通态势预测方法。
背景技术
空中交通管理依赖于空中交通管制部门的运行状况,评估其是否超载对整个航空业的效率和安全至关重要。在真实的空管场景中,空中交通管制的基本单元是扇区,因此实时扇区交通态势预测作为决策辅助工具,是不可或缺的。随着民航领域的不断发展,空中交通态势日益复杂,在当前的空域条件下,高效且准确的交通态势预测和评估工具是至关重要的,能够有效减轻管制员负荷,提升空管部门效率。
评估并预测空域的交通态势是国际和国内空管领域的研究热点,早期的扇区交通态势预测方法属于统计学的范畴,从单一的角度出发,设计并提出了各种指标来衡量交通态势的复杂程度,如航空器总数、爬升航空器总数、航迹紊乱程度等。在提出各类指标的基础上,使用较为广泛的动态密度方法被提出,该概念挑选的了多维的航空器运行指标,对多个指标进行加权求和作为空中交通态势复杂程度等级的度量标准,该方法受到线性形式的限制,而空中交通多属性特征之间表现出高度非线性的相互联系。
随着深度学习和机器学习的发展,构建空中交通态势相关特征集和预测模型用于态势预测也逐渐发展,比如使用反向传播神经网络模型和基于自适应增强算法的态势预测模型等。但是现有方法都基于建立特征集合的前提下,需要大量先验知识,计算成本较高,且固定的特征集合无法适用于不同功能的扇区,如进近管制和区域管制就无法使用同一套指标体系进行预测。在特征选择方面上,只考虑单一层面因素,如只考虑客观的航空器飞行情况,而忽视了天气和管制员行为因素等重要特征,现有方法的预测准确性和实时性都受到了制约。
在地面交通领域中,图卷积神经网络(GCN)具有良好的效果,其同样也适用于空中交通态势的评估和预测。GCN是一种专门用于图结构数据的神经网络,适用于对空中交通态势进行建模和表示。在空中交通领域中,航空器之间的关系构成了一个复杂的网络,GCN能够有效地处理这种复杂性,并从图结构中提取有用的信息。GCN在评估空中交通态势时,能够考虑到空域中航空器之间的拓扑结构,即它们的连接关系和交互方式。这有助于更准确地评估空域的态势复杂程度和航空器的飞行状态。在使用神经网络模型时无需手动设计特征,可以避免复杂的特征工程,同时提高了模型的泛化能力。使用GCN可以实现实时的态势评估,超越传统的机器学习方法,同时结合了飞行数据、管制员指令和天气等多源信息,更全面地预测空中交通态势,在大规模空域数据上也能保持较高的计算效率。它为空中交通管理提供了一种新颖的、先进的数据驱动方法,有助于改进控制决策和优化空域运行。
发明内容
本发明的目的在于克服现有技术中所存在的特征选择过程复杂的不足,提供一种基于多源特征的扇区交通态势预测方法。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于多源特征的扇区交通态势预测方法,包括以下步骤:
S1:获取空域扇区内的航空器历史数据,所述历史数据包含ADS-B信息、管制员指令集合信息和天气信息;
S2:利用所述ADS-B(广播式自动相关监视)信息构建航空器飞行冲突网络模型,基于所述航空器飞行冲突网络模型的连边关系构建航空器的邻接矩阵;
S3:利用所述邻接矩阵、所述管制员指令集合信息、所述天气信息以及对应的扇区交通态势等级标签,构建图结构扇区交通态势训练数据集;
S4:构建扇区交通态势等级实时预测模型;
S5:利用所述图结构扇区交通态势训练数据集对所述扇区交通态势等级实时预测模型进行训练,得到训练好的扇区交通态势等级实时预测模型;
S6:将新的航空器历史数据输入所述训练好的扇区交通态势等级实时预测模型进行交通态势等级的预测。
采用上述技术方案,首次考虑了航空器的飞行信息、管制信息和天气信息,应用航空器航迹信息和扇区属性建立航空器飞行冲突网络模型,构建扇区交通态势等级实时预测模型,能够全面有效地捕捉空中交通态势多源特征,实现对态势等级的识别和预测。
作为本发明的优选方案,步骤S1中所述的ADS-B信息包括:经纬度、高度、速度、垂直速度和航向;
所述管制员指令集合信息包括:调速指令、调高指令和调整航向指令;
所述天气信息包括:风向、风速、能见度和天气现象。
作为本发明的优选方案,步骤S2中所述的构建航空器飞行冲突网络模型以航空器为节点,计算所述航空器之间的空间关系和汇聚趋势进行建边,所述空间关系的计算公式为:
其中,(x a ,y a ,z a )和(xb,yb,zb)分别为航空器a和航空器b的三维坐标,Ea,b为航空器a和航空器b之间的椭球距离,R为中国规定的标准椭球模型中的水平间隔距离,为10公里,L为垂直间隔距离,为300米,Δx为航空器之间的纵向间距、Δy为航空器之间的侧向间距、Δ z为航空器之间的垂直间距;
所述汇聚趋势的计算公式为:
其中,为航空器a和航空器b之间的相对速度,/>为相对水平位置,即不考虑航空器高度,通过航空器之间的Δx和Δy进行计算。
作为本发明的优选方案,步骤S3包括:
构建图结构数据集,数据集主要包含图结构特征,节点特征,整图标签,同时所述邻接矩阵用于构成图结构特征;
筛选指定时间片和对应扇区内的航空器飞行数据、管制员指令信息、天气信息进行评级构成图数据集的节点特征;
将指定时间片的扇区交通态势等级构成数据集的整图标签;
将所述节点特征、所述整图标签和所述邻接矩阵共同构成所述图结构扇区交通态势训练数据集。
作为本发明的优选方案,步骤S4所述的扇区交通态势等级实时预测模型的结构为:第一层为GCN层(图卷积神经网络),第二层为结构化学习模块,第三层为输出层,第四层为融合层,第五层为用于态势等级预测的多层感知机(Multilayer Perceptron, MLP)层,其中,在经过第二层的结构化学习模块后,将输出的隐藏层特征再经过新的GCN层、结构化学习模块和输出层,模型总体结构将这一过程重复3次,将3个输出层的结果进行融合,最后利用MLP层进行态势等级的预测。
作为本发明的优选方案,步骤S5包括:利用所述图卷积神经网络模块提取图结构特征并输出第l+1层的隐藏层特征矩阵为:
其中,为激活函数,/>为自连接邻接矩阵,/>为对角度矩阵,/>可训练权重矩阵,/>为第l层的隐藏层输出。
作为本发明的优选方案,所述步骤S5还包括:所述结构化学习模块对所述图卷积神经网络模块的输出进行学习,选取航空器节点进行邻接矩阵的修正,利用曼哈顿距离计算节点之间的影响力分数,剔除能够用其他航空器节点表示的弱信息节点,所述影响力分数的计算公式为:
其中,为邻居节点的邻接矩阵,/>为邻居节点的隐藏层特征矩阵,/>为的对角阵,/>为/>范数归一化,/>是单位阵,保留得分最高的一组节点。
作为本发明的优选方案,所述步骤S5还包括:基于所述影响力分数,利用稀疏注意力机制构建新的结构化学习模块,选取得分高的节点计算节点间的相关度,所述相关度计算公式为:
其中,/> 为激活函数,/>为拼接运算,/>和/>为/>的第α行和第β行,/>和/>表示子图中的节点,矩阵中每一行为飞机节点属性,因节点属性较多,因此使用:表示多列属性,/>表示可求权重向量,即注意力系数,/>为上一层未被重构的原邻接矩阵,μ表示权重参数,T表示矩阵的转置操作。
作为本发明的优选方案,所述步骤S5还包括:基于所述输出层将新的结构化学习模块进行特征汇聚,进行平均池化和最大池化的操作得到每层的图标征,所述图标征的计算公式为:
其中,为第l层的读出表征,R表示读出操作,根据隐藏层/>求出,/>为第l层的节点数量,隐藏层节点作平均池化与最大池化结果进行拼接,/>和为/>的第α行和第β行表征,矩阵中每一行为飞机节点属性,第/>行和第/>行同时表示子图中的/>节点和/>节点;
其中,为整图表征。
作为本发明的优选方案,所述步骤S5还包括:扇区交通态势等级实时预测模型的损失函数为标签预测的损失函数,将所述整图表征输入MLP层,MLP层中使用softmax激活函数,损失函数被定义为预测值和标签的交叉熵,当所述损失函数不再下降时,得到训练好的交通态势等级实时预测模型,所述损失函数的计算公式为:
其中,为图G属于第 j 类交通态势等级的预测概率,/>为真值,L为有标签的整图训练集。
与现有技术相比,本发明的有益效果在于:首次考虑了航空器的飞行信息、管制信息和天气信息,应用航空器航迹信息和扇区属性建立航空器飞行冲突网络模型,构建扇区交通态势等级实时预测模型,能够全面有效地捕捉空中交通态势多源特征,实现对态势等级的识别和预测。
附图说明
图1为本发明实施例1所述的一种基于多源特征的扇区交通态势预测方法的流程图;
图2为本发明实施例1所述的一种基于多源特征的扇区交通态势预测方法的椭球形飞行保护区模型图;
图3为本发明实施例1所述的一种基于多源特征的扇区交通态势预测方法的整体框架图;
图4为本发明实施例1所述的一种基于多源特征的扇区交通态势预测方法的结构化学习模块示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
一种基于多源特征的扇区交通态势预测方法,如图1所示,包括以下步骤:
S1:获取空域扇区内的航空器历史数据,所述历史数据包含ADS-B信息、管制员指令集合信息和天气信息;
步骤S1中所述的ADS-B信息包括:经纬度、高度、速度、垂直速度和航向;
所述管制员指令集合信息包括:调速指令、调高指令和调整航向指令;
所述天气信息包括:风向、风速、能见度和天气现象。
具体的,将获取到的ADS-B信息进行坐标转换,为了能够直接进行欧式距离计算,将WSG-84坐标系转换为空间直角坐标系。
S2:利用所述ADS-B(广播式自动相关监视)信息构建航空器飞行冲突网络模型,基于所述航空器飞行冲突网络模型的连边关系构建航空器的邻接矩阵;
具体的,飞行冲突模型的基本组成部分由节点和边组成。其中节点为指定时间片中扇区内的航空器集合,边为两架航空器是否存在冲突或即将存在冲突。当两架航空器之间的距离小于预定的最小值时,节点间将创建一条连边。连边的标准基于空间接近度和速度交互度两个因素。空间接近度计算保持航空器之间的最小安全间隔要求,而速度交互度用于估计航空器对的收敛/发散状态,并计算近似效应。
通过这种方式构建的航空器邻接矩阵更准确,确保了当前冲突情况和即将发生冲突情况都能被考虑,避免了生成重复边的问题,使航空器之间的依赖关系描述更明确。这种策略简化了空中交通态势的复杂性,同时仍然提供有关航空器接近的基本特征。根据椭球形飞行保护区规定,椭球保护区模型如图2所示,计算航空器a和航空器b之间的椭球距离,根据计算得到的椭球距离判断节点间是否存在连边关系,有3种情况,在保护区外则不建立连边,在保护区内2航空器之间存在冲突建立连边,在保护区边界附近时则考虑航空器之间的速度交互度,航空器a和航空器b之间的椭球距离公式为:
其中,(x a ,y a ,z a )和(xb,yb,zb)分别为航空器a和航空器b的三维坐标,Ea,b为航空器a和航空器b之间的椭球距离,R为中国规定的标准椭球模型中的水平间隔距离,为10公里,L为垂直间隔距离,为300米,Δx为航空器之间的纵向间距、Δy为航空器之间的侧向间距、Δ z为航空器之间的垂直间距;
所述汇聚趋势的计算公式为:
其中,为航空器a和航空器b之间的相对速度,/>为相对水平位置,即不考虑航空器高度,通过航空器之间的Δx和Δy进行计算。
利用椭球飞行保护区模型判断E a,b 的大小,从而判断航空器之间是否存在冲突关系,如果存在冲突则连边。对于在所述飞行保护区模型边界处的飞机计算Pro a,b 判断两飞机的汇聚趋势,如呈汇聚,则建立连边;如呈发散,则不建立连边。根据飞行冲突网络中航空器之间的连边情况构建所述邻接矩阵,其中N为所述飞行冲突网络中的航空器数量。
S3:利用所述邻接矩阵、所述管制员指令集合信息、所述天气信息以及对应的扇区交通态势等级标签,构建图结构扇区交通态势训练数据集;
步骤S3包括:
删除所述ADS-B信息中的重复轨迹点,并补全缺失轨迹点;
构建图结构数据集,数据集主要包含图结构特征,节点特征,整图标签,同时所述邻接矩阵用于构成图结构特征;
筛选指定时间片和对应扇区内的航空器飞行数据、管制员指令信息、天气信息进行评级构成图数据集的节点特征;
将指定时间片的扇区交通态势等级构成数据集的整图标签;
将所述节点特征、所述整图标签和所述邻接矩阵共同构成所述图结构扇区交通态势训练数据集。
具体的,训练数据集包含图结构交通态势特征集和态势等级标签集。
构建图结构交通态势特征集时,由于收集的ADS-B数据每秒更新一次,直接按秒建模空中交通场景会产生大量重复的样本数据,导致数据冗余和计算负担较高。因此,本发明采用了粗粒度处理轨迹数据的常见原则将时间片长度设置为1分钟,同一架飞机通常会接收多个指令,采用最近的管制指令作为有效的节点特征,保证特征描述的时效性。为简化指令表示,将管制指令进行意图提取分类,如下表1所示:
表1管制指令意图分类实例表
对数据中的字段采用独热编码进行向量化表示,将1分钟内的每架飞机的飞行信息取平均进行粗粒化表示,得到图结构交通态势样本如下表2所示:
表2结构交通态势数据样本实例表
构建态势等级标签集时,目前基于机器学习的空中交通态势预测方法使用两种主要标记策略:一种是基于扇区的实际开合扇情况反映扇区运行状态,该种方法可以直接从历史流控记录中获取;另一种是基于手动收集的态势复杂等级,传统上被使用3级标签(低、中、高),这种3级形式在实际控制场景中提供的信息有限,难以为管制员提供更详细的信息,也是一种过于简化和粗略的方法。由于现有的交通需求增加,扇区在大部分时间内经常有异常高的交通复杂性。然而,交通复杂性通常不会达到最大水平而超过控制员的工作负荷保证,因此这种交通复杂性状态的最优位置应该在中高之间。因此,适度增加交通态势复杂等级在实际应用中有更大的潜在价值,本发明中采用4级别的交通态势等级作为整图标签。
S4:构建扇区交通态势等级实时预测模型;
如图3所示,步骤S4所述的扇区交通态势等级实时预测模型的结构为:第一层为GCN层,第二层为结构化学习模块,第三层为输出层,第四层为融合层,第五层为用于态势等级预测的MLP层,其中,在经过第二层的结构化学习模块后,将输出的隐藏层特征再经过新的GCN层、结构化学习模块和输出层,模型总体结构将这一过程重复3次,将3个输出层的结果进行融合,最后利用MLP层进行态势等级的预测。
本发明实施例模型的搭建具体分如下5个步骤来说明:
S41:构建GCN网络,完成航空器节点特征表示学习和图拓扑结构的信息传播。
对于一个图G=(V, E),其中V表示节点集合,E表示边集合。图的拉普拉斯矩阵L是一个N×N矩阵,其中N是图中节点的数量。拉普拉斯矩阵定义为L = D - A,其中D是一个对角矩阵,对角线上的元素是每个节点的度数(即与节点相连的边的数量),A是邻接矩阵,表示节点之间的连接关系。GCN利用拉普拉斯矩阵来定义图卷积操作。
对于航空器节点,GCN将其邻居节点的特征与节点自身的特征进行加权平均,权重由拉普拉斯矩阵决定。这样,每个节点都可以得到周围节点的信息,从而形成新的特征表示。
S42:构建结构化学习模块,改进图卷积过程中的信息传递效率和提高图结构的表达能力。结构化学习模块的框架如图4所示。
结构化学习模块位于图卷积过程之间,主要包括图池化和结构学习两个步骤。图池化操作通过保留带有信息的节点子集并生成一个缩小尺寸的子图,从而降低了图的规模。然而,通过图池化可能会导致一些原本相连的节点在缩小后不再连接在一起,这样在信息传递到输出层时可能会出现困难,特别是在邻近节点之间汇聚信息时。为了解决图池化可能引起的信息传递问题,本发明构建了结构学习操作,用于细化子图的图结构。结构学习方法的好处在于能够保留关键的图结构,从而提高了信息传递过程的效率。
对于每层GCN得到的表征,利用曼哈顿距离计算节点之间的影响力分数Nis,剔除可以用其他航空器节点表示的弱信息节点,影响力分数计算公式为:
其中,为邻居节点的邻接矩阵,/>为邻居节点的隐藏层特征矩阵,/>为的对角阵,/>为/>范数归一化,/>是单位阵,保留得分最高的一组节点。
利用稀疏注意力机制构建新的子图层,选取所述得分较高的节点计算节点间的相关度:
其中, 为激活函数,/>为拼接运算,/>和/>为的第α行和第β行,/>和/>表示子图中的节点,矩阵中每一行为飞机节点属性,因节点属性较多,因此使用:表示多列属性,/>表示可求权重向量,即注意力系数,/>为上一层未被重构的原邻接矩阵,μ表示权重参数,T表示矩阵的转置操作。
为了确保具有直接连接的节点从注意力机制中获得高于平均相似性分数,本发明结构化学习模块设置中加入了一个新的层,同时构建未连接节点之间的潜在成对连接。通过将输入向量映射到概率单形,并将结果投影到概率单形的稀疏子集,sparsemax(·)函数实现了稀疏性。这是通过反复对输入向量进行排序,并在累计总和超过预定阈值时截断它来实现的。然后对向量进行归一化,得到概率分布。
在得到了经过优化的图结构后,本发明利用/>和/>来执行下一层的图卷积和图池化过程:
其中,为隐藏层特征矩阵。
S43:构建输出层,本发明中的预测模型执行了多轮图卷积和汇聚操作,每层经过GCN和池化模块的网络都会产生不同大小的多个子图,为了构建固定大小的图级表示并有效地读取子图,本发明构建了一个读取函数,该函数结合了每个子图中的均值汇聚和最大汇聚(图表征):
其中,为第l层的读出表征,R表示读出操作,根据隐藏层/>求出,/>为第l层的节点数量,隐藏层节点作平均池化与最大池化结果进行拼接,/>和为/>的第α行和第β行表征,矩阵中每一行为飞机节点属性,第/>行和第/>行同时表示子图中的/>节点和/>节点。
S44:构建融合层,将经过多层图卷积和图池化操作得到的不同层级的图表示进行融合,以综合捕捉各个层级的特征信息,整图表征为:
其中,为整图表征;
扇区交通态势等级实时预测模型的损失函数为标签预测的损失函数,将所述整图表征输入MLP层,MLP层中使用softmax激活函数, 损失函数被定义为预测值和标签的交叉熵,当所述损失函数不再下降时,得到训练好的交通态势等级实时预测模型,所述损失函数的计算公式为:
其中,为图G属于第 j 类交通态势等级的预测概率,/>为真值,L为有标签的整图训练集。
S45:构建预测层,将整图表征输入多层感知机,进行前向传播得到预测的标签。
S5:利用所述图结构扇区交通态势训练数据集对所述扇区交通态势等级实时预测模型进行训练,得到训练好的扇区交通态势等级实时预测模型;
步骤S5包括:利用所述图卷积神经网络模块提取图结构特征并输出第l+1层的隐藏层特征矩阵;
其中,为激活函数,/>为自连接邻接矩阵,/>为对角度矩阵,/>可训练权重矩阵,/>为第l层的隐藏层输出。
所述结构化学习模块对所述图卷积神经网络模块的输出进行学习,选取航空器节点进行邻接矩阵的修正,利用曼哈顿距离计算节点之间的影响力分数,剔除能够用其他航空器节点表示的弱信息节点;
基于所述影响力分数,利用稀疏注意力机制构建新的结构化学习模块,选取得分高的节点计算节点间的相关度;
基于所述输出层将新的结构化学习模块进行特征汇聚,进行平均池化和最大池化的操作得到每层的图标征;
每层的所述图标征求和得到整图表征;
将所述整图表征输入多层神经感知网络中,扇区交通态势等级实时预测模型的损失函数为标签预测的损失函数,当所述损失函数不再下降时,得到训练好的交通态势等级实时预测模型。
S6:将新的航空器历史数据输入所述训练好的扇区交通态势等级实时预测模型进行交通态势等级的预测。
本实施例的学习率和权重衰减率在初始设定为0.001。在构建多层感知机时,全连接层的神经元数量分别设置为256、128和64训练20轮,训练时采用早停机制(EarlyStopping)进行了1000个周期的训练,该准则规定如果经过一百次训练迭代后损失函数不再下降则停止训练。
经过对不同神经元数量为16、32、64、128、256和512的批次大小的测试,本发明实施例的数据包大小batch_size设置为16。
利用步骤S3获得的训练数据集对预测模型进行训练,得到参数优化后的预测模型,将实时获取的扇区数据的航迹信息和天气信息等输入预测模型,完成实时的扇区交通态势等级预测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多源特征的扇区交通态势预测方法,其特征在于,包括以下步骤:
S1:获取空域扇区内的航空器历史数据,所述历史数据包含ADS-B信息、管制员指令集合信息和天气信息;
S2:利用所述ADS-B信息构建航空器飞行冲突网络模型,基于所述航空器飞行冲突网络模型的连边关系构建航空器的邻接矩阵;
步骤S2中所述的构建航空器飞行冲突网络模型以航空器为节点,计算所述航空器之间的空间关系并根据汇聚趋势进行建边;
S3:利用所述邻接矩阵、所述管制员指令集合信息、所述天气信息以及对应的扇区交通态势等级标签,构建图结构扇区交通态势训练数据集;
S4:构建扇区交通态势等级实时预测模型;
步骤S4所述的扇区交通态势等级实时预测模型的结构为:第一层为GCN层,第二层为结构化学习模块,第三层为输出层,第四层为融合层,第五层为用于态势等级预测的多层感知机层,其中,在经过第二层的结构化学习模块后,将输出的隐藏层特征再经过新的GCN层、结构化学习模块和输出层,模型总体结构将这一过程重复3次,将3个输出层的结果进行融合,最后利用多层感知机层进行态势等级的预测;
S5:利用所述图结构扇区交通态势训练数据集对所述扇区交通态势等级实时预测模型进行训练,得到训练好的扇区交通态势等级实时预测模型;
S6:将新的航空器历史数据输入所述训练好的扇区交通态势等级实时预测模型进行交通态势等级的预测。
2.根据权利要求1所述的一种基于多源特征的扇区交通态势预测方法,其特征在于,步骤S1中所述的ADS-B信息包括:经纬度、高度、速度、垂直速度和航向;
所述管制员指令集合信息包括:调速指令、调高指令和调整航向指令;
所述天气信息包括:风向、风速、能见度和天气现象。
3.根据权利要求1所述的一种基于多源特征的扇区交通态势预测方法,其特征在于,步骤S2中所述的空间关系的计算公式为:
其中,(x a ,y a ,z a )和(xb,yb,zb)分别为航空器a和航空器b的三维坐标,Ea,b为航空器a和航空器b之间的椭球距离,R为中国规定的标准椭球模型中的水平间隔距离,为10公里,L为垂直间隔距离,为300米,Δx为航空器之间的纵向间距、Δy为航空器之间的侧向间距、Δz为航空器之间的垂直间距;
所述汇聚趋势的计算公式为:
其中,为航空器a和航空器b之间的相对速度,/>为相对水平位置,即不考虑航空器高度,通过航空器之间的Δx和Δy进行计算。
4.根据权利要求1所述的一种基于多源特征的扇区交通态势预测方法,其特征在于,步骤S3包括:
构建图结构数据集,数据集主要包含图结构特征,节点特征,整图标签,同时所述邻接矩阵用于构成图结构特征;
筛选指定时间片和对应扇区内的航空器飞行数据、管制员指令信息、天气信息进行评级构成图数据集的节点特征;
将指定时间片的扇区交通态势等级构成数据集的整图标签;
将所述图结构特征,所述节点特征、所述整图标签共同构成所述图结构扇区交通态势训练数据集。
5.根据权利要求1所述的一种基于多源特征的扇区交通态势预测方法,其特征在于,步骤S5包括:利用所述GCN层提取图结构特征并输出第l+1层的隐藏层特征矩阵为:
其中,为激活函数,/>为自连接邻接矩阵,/>为对角度矩阵,/>可训练权重矩阵,/>为第l层的隐藏层输出。
6.根据权利要求5所述的一种基于多源特征的扇区交通态势预测方法,其特征在于,所述步骤S5还包括:所述结构化学习模块对所述GCN层的输出进行学习,选取航空器节点进行邻接矩阵的修正,利用曼哈顿距离计算节点之间的影响力分数,剔除能够用其他航空器节点表示的弱信息节点,所述影响力分数的计算公式为:
其中,为邻居节点的邻接矩阵,/>为邻居节点的隐藏层特征矩阵,/>为/>的对角阵,/>为/>范数归一化,/>是单位阵,保留得分最高的一组节点。
7.根据权利要求6所述的一种基于多源特征的扇区交通态势预测方法,其特征在于,所述步骤S5还包括:基于所述影响力分数,利用稀疏注意力机制构建新的子图学习模块结构化学习模块,选取得分高的节点计算节点间的相关度,所述相关度计算公式为:
其中, 为激活函数,/>为拼接运算,/>和/>为/>的第α行和第β行,/>和/>表示子图中的节点,矩阵中每一行为飞机节点属性,因节点属性较多,因此使用:表示多列属性,/>表示可求权重向量,即注意力系数,/>为上一层未被重构的原邻接矩阵,μ表示权重参数,T表示矩阵的转置操作。
8.根据权利要求7所述的一种基于多源特征的扇区交通态势预测方法,其特征在于,所述步骤S5还包括:基于所述输出层将新的结构化学习模块进行特征汇聚,进行平均池化和最大池化的操作得到每层的图表征,所述图表征的计算公式为:
其中,为第l层的读出表征,R表示读出操作,根据隐藏层/>求出,/>为第l层的节点数量,隐藏层节点作平均池化与最大池化结果进行拼接,/>和为/>的第α行和第β行表征,矩阵中每一行为飞机节点属性,第/>行和第/>行同时表示子图中的/>节点和/>节点;
每层的所述图表征求和得到整图表征:
其中,为整图表征。
9.根据权利要求8所述的一种基于多源特征的扇区交通态势预测方法,其特征在于,所述步骤S5还包括:扇区交通态势等级实时预测模型的损失函数为标签预测的损失函数,将所述整图表征输入所述多层感知机层,所述多层感知机层中使用softmax激活函数,损失函数被定义为预测值和标签的交叉熵,当所述损失函数不再下降时,得到训练好的交通态势等级实时预测模型,所述损失函数的计算公式为:
其中,为图G属于第 j 类交通态势等级的预测概率,/>为真值,L为有标签的整图训练集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198949.2A CN116935700B (zh) | 2023-09-18 | 2023-09-18 | 一种基于多源特征的扇区交通态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198949.2A CN116935700B (zh) | 2023-09-18 | 2023-09-18 | 一种基于多源特征的扇区交通态势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116935700A CN116935700A (zh) | 2023-10-24 |
CN116935700B true CN116935700B (zh) | 2023-12-05 |
Family
ID=88381147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311198949.2A Active CN116935700B (zh) | 2023-09-18 | 2023-09-18 | 一种基于多源特征的扇区交通态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935700B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2768249A1 (en) * | 2011-02-22 | 2012-08-22 | General Electric Company | Methods and systems for managing air traffic |
CN110648561A (zh) * | 2019-11-04 | 2020-01-03 | 中国民航大学 | 一种基于双层多级网络模型的空中交通态势风险测度方法 |
CN111292563A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航班航迹预测方法 |
CN111292562A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航空流量预测方法 |
EP3705849A2 (en) * | 2019-03-08 | 2020-09-09 | HERE Global B.V. | Method and apparatus for visualizing risk levels associated with aerial vehicle flights |
JP2021034059A (ja) * | 2019-08-27 | 2021-03-01 | 南京航空航天大学 | トレンド距離とスペクトルクラスタリングに基づく空港フライトウェーブ形状の類似度測定方法 |
CN112489497A (zh) * | 2020-11-18 | 2021-03-12 | 南京航空航天大学 | 基于深度卷积神经网络的空域运行复杂度评估方法 |
CN112989287A (zh) * | 2021-04-27 | 2021-06-18 | 北京航空航天大学 | 一种基于流式大数据的交通态势实时计算方法 |
CN113592341A (zh) * | 2021-08-10 | 2021-11-02 | 南京航空航天大学 | 度量损失函数、扇区复杂度评估方法及系统 |
CN115328200A (zh) * | 2022-08-23 | 2022-11-11 | 苏州大学 | 基于状态估计的飞行器集群系统的一致性控制方法 |
CN115966107A (zh) * | 2022-06-24 | 2023-04-14 | 四川大学 | 一种基于图神经网络的机场交通流预测方法 |
CN116071667A (zh) * | 2023-04-07 | 2023-05-05 | 北京理工大学 | 基于历史数据的指定区域内异常飞机目标检测方法及系统 |
CN116468186A (zh) * | 2023-06-14 | 2023-07-21 | 中国民航大学 | 一种航班链延误时间预测方法、电子设备及存储介质 |
CN116543602A (zh) * | 2023-07-04 | 2023-08-04 | 中国民用航空飞行学院 | 面向航空器集群的态势复杂性识别方法及系统 |
-
2023
- 2023-09-18 CN CN202311198949.2A patent/CN116935700B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2768249A1 (en) * | 2011-02-22 | 2012-08-22 | General Electric Company | Methods and systems for managing air traffic |
EP3705849A2 (en) * | 2019-03-08 | 2020-09-09 | HERE Global B.V. | Method and apparatus for visualizing risk levels associated with aerial vehicle flights |
JP2021034059A (ja) * | 2019-08-27 | 2021-03-01 | 南京航空航天大学 | トレンド距離とスペクトルクラスタリングに基づく空港フライトウェーブ形状の類似度測定方法 |
CN110648561A (zh) * | 2019-11-04 | 2020-01-03 | 中国民航大学 | 一种基于双层多级网络模型的空中交通态势风险测度方法 |
CN111292563A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航班航迹预测方法 |
CN111292562A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航空流量预测方法 |
CN112489497A (zh) * | 2020-11-18 | 2021-03-12 | 南京航空航天大学 | 基于深度卷积神经网络的空域运行复杂度评估方法 |
CN112989287A (zh) * | 2021-04-27 | 2021-06-18 | 北京航空航天大学 | 一种基于流式大数据的交通态势实时计算方法 |
CN113592341A (zh) * | 2021-08-10 | 2021-11-02 | 南京航空航天大学 | 度量损失函数、扇区复杂度评估方法及系统 |
CN115966107A (zh) * | 2022-06-24 | 2023-04-14 | 四川大学 | 一种基于图神经网络的机场交通流预测方法 |
CN115328200A (zh) * | 2022-08-23 | 2022-11-11 | 苏州大学 | 基于状态估计的飞行器集群系统的一致性控制方法 |
CN116071667A (zh) * | 2023-04-07 | 2023-05-05 | 北京理工大学 | 基于历史数据的指定区域内异常飞机目标检测方法及系统 |
CN116468186A (zh) * | 2023-06-14 | 2023-07-21 | 中国民航大学 | 一种航班链延误时间预测方法、电子设备及存储介质 |
CN116543602A (zh) * | 2023-07-04 | 2023-08-04 | 中国民用航空飞行学院 | 面向航空器集群的态势复杂性识别方法及系统 |
Non-Patent Citations (5)
Title |
---|
《Transportation Research Part E: Logistics and Transportation Review》;Zhen Yan等;《Transportation Research Part E: Logistics and Transportation Review》;1-15 * |
Spatial–Temporal Graph Data Mining for IoT-Enabled Air Mobility Prediction;Yushan Jiang等;《IEEE Internet of Things Journal》;9232-9240 * |
基于ADS-B的低空飞行态势感知技术研究;丛笑林;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第4期);C031-170 * |
基于机器学习的空域态势动态评估;李雨露;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2期);C031-1188 * |
多终端区交通态势识别与预测方法研究;徐聪;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2期);C031-212 * |
Also Published As
Publication number | Publication date |
---|---|
CN116935700A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Critical review of data-driven decision-making in bridge operation and maintenance | |
CN113283027B (zh) | 一种基于知识图谱和图神经网络的机械故障诊断方法 | |
Xu et al. | Recognition of rust grade and rust ratio of steel structures based on ensembled convolutional neural network | |
CN113240688A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
CN110197215A (zh) | 一种自主驾驶的地面感知点云语义分割方法 | |
CN109710595B (zh) | 基于有限信息的输电走廊鸟害热点图的构建方法 | |
Ai et al. | A deep learning approach to predict the spatial and temporal distribution of flight delay in network | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
Yu et al. | A review of ship collision risk assessment, hotspot detection and path planning for maritime traffic control in restricted waters | |
CN116859985A (zh) | 一种四旋翼自动追踪功能实现方法 | |
Xue et al. | Weakly supervised point cloud segmentation via deep morphological semantic information embedding | |
CN116935700B (zh) | 一种基于多源特征的扇区交通态势预测方法 | |
Lei et al. | Prediction of PM2. 5 concentration considering temporal and spatial features: A case study of Fushun, Liaoning Province | |
CN117610734A (zh) | 基于深度学习的用户行为预测方法、系统和电子设备 | |
CN117058882A (zh) | 一种基于多特征双判别器的交通数据补偿方法 | |
Jiang et al. | Dynamic adaptive and adversarial graph convolutional network for traffic forecasting | |
Xue et al. | Traffic status evolution trend prediction based on congestion propagation effects under rainy weather | |
Zhang et al. | A novel ship trajectory clustering analysis and anomaly detection method based on AIS data | |
KR102411074B1 (ko) | 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법 | |
Di et al. | An automatic and integrated self-diagnosing system for the silting disease of drainage pipelines based on SSAE-TSNE and MS-LSTM | |
Hu et al. | Bayesian averaging-enabled transfer learning method for probabilistic wind power forecasting of newly built wind farms | |
Liu et al. | Peaks fusion assisted early-stopping strategy for overhead imagery segmentation with noisy labels | |
Troupiotis-Kapeliaris et al. | Data driven digital twins for the maritime domain | |
Chen et al. | Aviation visibility forecasting by integrating Convolutional Neural Network and long short-term memory network | |
CN118012977B (zh) | 一种基于ai与gis融合的二三维多模态数据处理方法 |
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 |