CN117077771A - 一种因果关联驱动的航空交通网络波及效应预测方法 - Google Patents
一种因果关联驱动的航空交通网络波及效应预测方法 Download PDFInfo
- Publication number
- CN117077771A CN117077771A CN202311337340.9A CN202311337340A CN117077771A CN 117077771 A CN117077771 A CN 117077771A CN 202311337340 A CN202311337340 A CN 202311337340A CN 117077771 A CN117077771 A CN 117077771A
- Authority
- CN
- China
- Prior art keywords
- causal
- time
- delay
- hidden layer
- 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.)
- Granted
Links
- 230000001364 causal effect Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000000694 effects Effects 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 112
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于民航延误预测技术领域,具体公开了一种因果关联驱动的航空交通网络波及效应预测方法,包括:根据历史航班数据,构造延误状态图向量;提取多时间尺度延误向量,基于格兰杰检验判定因果关系,并生成历史因果矩阵;基于历史因果矩阵加权延误状态图向量,并自适应生成未来因果矩阵;设计动态图神经网络模型,基于因果矩阵提取每时间片隐藏层图向量,通过迭代训练最终实现未来时间片延误预测;具有如下优点:通过格兰杰因果检验与动态图神经网络最终实现所有机场延误预测;利用机场延误数据之间的因果关联,并基于动态图神经网络模型对历史延误数据进行先验学习,为航空交通网络波及效应提供了一种有效的预测手段。
Description
技术领域
本发明属于民航延误预测技术领域,具体而言,涉及一种因果关联驱动的航空交通网络波及效应预测方法。
背景技术
国内外研究学者对于机场延误预测问题进行过系统的研究。早期研究人员主要关注单机场延误预测问题,2012年,Windhorst等人利用数学仿真软件建模机场运行;郑相涵等人基于ARIMA模型,对历史数据进行拟合分析,实现机场航班延误预测;2016年,Elaraby等人基于数据驱动方法,利用深度学习模型有效提升了延误预测精度而后。由于航空交通网络是受多元主题、多维资源共同影响的复杂巨网络,网络内部各机场间存在相关性,因此从网络的角度出发对延误预测问题提供了新的思路。2018年,Du等人证明了中国航空交通网络中延误间存在的因果关系,并进行了网络建模和宏观网络拓扑实证研究,对网络内部机场间存在的空间依赖性进行定性分析;为实现对航空交通网络内部动态延误的定量预测,近年来图神经网络在各研究领域中被广泛应用,2021年,Zeng等人设计动态图神经网络模型,基于相对距离与飞行流量建立邻接矩阵表征机场相关性,用于预测机场未来时间片延误。图神经网络能够学习由所有机场延误状态建立的图结构,并充分考虑机场间的相互作用,对延误预测精度有较大的提升。
尽管目前针对航空交通网络波及效应预测的研究已取得了一定进展,但仍存在不足。主流使用的统计理论、机器学习、深度学习等传统模型,仅对单一机场数据进行学习,忽视了机场间存在的相互作用;在基于图神经网络的相关方法中,仅通过流量或距离对机场间相关性进行建模,缺少对延误传播变化规律的描述。
发明内容
本发明旨在提供一种因果关联驱动的航空交通网络波及效应预测方法,以解决或改善上述技术问题中的至少之一。
有鉴于此,本发明的第一方面在于提供一种因果关联驱动的航空交通网络波及效应预测方法,具体技术方案如下:
S1,将航空网络的历史航班延误数据采用时间片切分,获得各时间片的每个机场的延误状态,得到各时间片的航空网络延误状态向量,并构建航空网络图结构延误状态向量序列;
S2,提取每个机场在不同时间尺度下的航空网络图结构延误状态序列,并根据机场之间延误状态的影响关系,构建各时间尺度下航空网络的历史因果图;
S3,划定包含当前时间片的多个连续时间片,令,表示初始时间片,预设第0个时间片的总隐藏层状态向量;
S4,对第个时间片的航空网络延误状态向量、第/>个时间片的总隐藏层状态向量与历史因果图采用图卷积神经网络处理,以获得各时间尺度下的历史隐藏层状态向量;
S5,设计可训练嵌入向量,结合各时间尺度下的历史隐藏层状态向量,获得各时间尺度下的未来因果图矩阵;
S6,基于各时间尺度下的未来因果图矩阵,对第个时间片的航空网络延误状态向量分别进行单图因果卷积,设计各时间尺度下的可训练自适应参数,并对单图因果卷积的结果进行动态加权,以获得第/>个时间片的总隐藏层状态向量;
S7,令,返回S4,直至第/>个时间片为当前时间片,将当前时间片的总隐藏层状态向量转换为单维度特征矩阵,并作为对下一时间片的机场延误状态的预测结果输出。
进一步地,所述不同时间尺度包括:年时间尺度、月时间尺度、周时间尺度和天时间尺度,以及所述时间片的长度为一小时。
进一步地,所述S2具体包括:
S201,获取每个机场的延误状态,并在不同时间尺度下构建航空网络图结构延误状态序列;
S202,利用差分去趋势化法对每个机场在不同时间尺度下的航空网络图结构延误状态序列消除趋势化影响;
S203,判定各机场之间是否具有延误状态的影响关系,若是则赋值为1,若否则赋值为0,以构建各时间尺度下航空网络的历史因果图。
进一步地,所述各时间尺度下航空网络的历史因果图分别为、/>、和/>。
进一步地,所述S3具体包括:
以当前时间片为基准,向历史时刻划定预设数量且连续的多个时间片,其中最早的时间片为初始时间片,所述预设数量为20片至23片。
进一步地,所述各时间尺度下的历史隐藏层状态向量为:、/>、/>和。
进一步地,所述S5具体包括:
S501,设计可训练嵌入向量和/>,对各时间尺度下的隐藏层状态向量分别进行特征增强,以分别获得各时间尺度下的加权向量:/>、/>、/>、/>、/>、/>、/>、/>。
S502,基于各时间尺度下的加权向量,计算各时间尺度下的未来因果图矩阵:、/>、/>、/>。
进一步地,所述S6具体包括:
S601,基于各时间尺度下的未来因果图矩阵对第个时间片的航空网络延误状态向量分别进行单图因果卷积,以获得各时间尺度下的隐藏层状态向量:/>、/>、、/>。
S602,设计可训练自适应参数、/>、/>和/>,并对各时间尺度下的隐藏层状态向量进行动态加权,以实现因果多图卷积,得到第/>个时间片的总隐藏层状态向量/>:
。
进一步地,所述S7中将当前时间片的总隐藏层状态向量转换为单维度特征矩阵,采用下述公式计算:
;
其中,为全连接层、/>为单维度特征矩阵、/>当前时间片的隐藏层状态向量、/>为激活函数。
本发明与现有技术相比所具有的有益效果如下:
针对航空交通网络延误波及传播情景,对不同机场历史延误时间序列之间进行回归分析,判断一个机场的历史延误是否会对另一个机场此时的延误产生显著性影响,从而判断两机场延误是否存在时空因果关系,以综合权衡机场间的潜在时空关联,弥补了对机场间延误传播关系刻画的缺失,解决了航空交通网络波及效应的预测问题;
关注民航延误预测问题,针对机场间延误传播机理难刻画的问题,从各机场历史延误间是否存在因果关系,判断延误是否在机场间发生传播,从而刻画延误传播过程,描述航空交通网络中机场关联,从机场间延误的因果关系出发,开展了因果关联驱动的航空交通网络波及效应预测方法研究,对于延误传播机理分析、波及效应量化及航班延误预测具有重要的现实意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图可以更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。
图1为本发明一种因果关联驱动的航空交通网络波及效应预测方法的步骤流程图。
图2为本发明的航空网络单时间片延误状态向量构建示意图。
图3为本发明的年尺度和月尺度的因果关系示意图。
图4为本发明的周尺度和天尺度的因果关系示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面描述本发明一些实施例的一种因果关联驱动的航空交通网络波及效应预测方法。
符号说明:
:机场序号;
:机场总数;
:时间片序号;
:第/>个时间片机场/>的延误状态;
:第/>个时间片航空网络延误状态向量;
、/>、/>、/>:各时间尺度下机场/>的航空网络图结构延误状态序列;
、/>、/>和/>:各时间尺度下航空网络的历史因果图;
、/>、/>和/>:各时间尺度下的历史隐藏层状态向量;
、/>、/>、/>、/>、/>、/>、/>:各时间尺度下加权向量;
、/>、/>、/>:各时间尺度自适应参数;
、/>、/>、/>:各时间尺度下的隐藏层状态向量;
:第/>个时间片的总隐藏层状态向量;
:当前时间片的总隐藏层状态向量;
:单维度特征矩阵;
本发明第一方面的实施例提出了一种因果关联驱动的航空交通网络波及效应预测方法。在本发明的一些实施例中,如图1所示,提供了一种因果关联驱动的航空交通网络波及效应预测方法,该预测方法包括:
S1,将航空网络的历史航班延误数据采用时间片切分,获得各时间片的每个机场的延误状态,得到各时间片的航空网络延误状态向量,如图2所示,并构建航空网络图结构延误状态向量序列;
S2,提取每个机场在不同时间尺度下的航空网络图结构延误状态序列,并根据机场之间延误状态的影响关系,构建各时间尺度下航空网络的历史因果图;
S3,划定包含当前时间片的多个连续时间片,令k=1,表示初始时间片,预设第0个时间片的总隐藏层状态向量;
S4,对第k个时间片的航空网络延误状态向量、第k-1个时间片的总隐藏层状态向量与历史因果图采用图卷积神经网络处理,以获得各时间尺度下的历史隐藏层状态向量;
S5,设计可训练嵌入向量,结合各时间尺度下的历史隐藏层状态向量,获得各时间尺度下的未来因果图矩阵;
S6,基于各时间尺度下的未来因果图矩阵,对第k个时间片的航空网络延误状态向量分别进行单图因果卷积,设计各时间尺度下的可训练自适应参数,并对单图因果卷积的结果进行动态加权,以获得第k个时间片的总隐藏层状态向量;
S7,令k=k+1,返回S4,直至第k个时间片为当前时间片,将当前时间片的总隐藏层状态向量转换为单维度特征矩阵,并作为对下一时间片的机场延误状态的预测结果输出。
本发明提供的一种因果关联驱动的航空交通网络波及效应预测方法,针对航空交通网络延误波及传播情景,对不同机场历史航空网络图结构延误时间序列之间进行回归分析,判断一个机场的历史延误是否会对另一个机场此时的延误产生显著性影响,从而判断两机场延误是否存在时空因果关系,以综合权衡机场间的潜在时空关联,弥补了对机场间延误传播关系刻画的缺失,解决了航空交通网络波及效应的预测问题;
关注民航延误预测问题,针对机场间延误传播机理难刻画的问题,从各机场历史延误间是否存在因果关系,判断延误是否在机场间发生传播,从而刻画延误传播过程,描述航空交通网络中机场关联,从机场间延误的因果关系出发,开展了因果关联驱动的航空交通网络波及效应预测方法研究,对于延误传播机理分析、波及效应量化及航班延误预测具有重要的现实意义。
提取单一机场历史延误数据,通过深度学习模型学习先验知识,拟合神经网络参数提取时间依赖关系,进行未来数据的预测。
提取多机场历史延误数据,通过机场间往来流量大小、机场距离设计为图结构连边权重(即各机场间空间影响关系),利用图神经网络模型学习多机场历史延误的时空依赖关系,进行未来数据的预测。
上述任一实施例中,所述不同时间尺度包括:年时间尺度、月时间尺度、周时间尺度和天时间尺度,以及所述时间片的长度为一个小时。
在该实施例中,机场延误存在周期性,但在不同时间尺度下延误的因果关系不同,获得的机场延误传播关系也不同,如图3和图4所示;因此,应综合考虑多时间尺度因果关系,从而刻画延误传播机理,时间片长度采用常规的一个小时一片。
上述任一实施例中,S2具体包括:
S201,获取每个机场的延误状态,并在不同时间尺度下构建航空网络图结构延误状态序列;
S202,利用差分去趋势化法对每个机场在不同时间尺度下的航空网络图结构延误状态序列消除趋势化影响;
S203,判定各机场之间是否具有延误状态的影响关系,若是则赋值为1,若否则赋值为0,以构建各时间尺度下航空网络的历史因果图。
在该实施例中,图神经网络需要的输入图结构信息是由n个机场之间的关系组成的n×n矩阵;由于时间序列的周期性会影响因果性的判定,因此在进行格兰杰检验前,需要首先通过去趋势化方法,去除周期性的影响。
上述任一实施例中,各时间尺度下的航空网络的历史因果图分别为。
上述任一实施例中,S3中多个连续时间片的数量为20至23片。
上述任一实施例中,S4中图卷积神经网络隐藏层状态向量计算公式为:
;
式中,为激活函数,/>,/>为历史因果图,/>为单位矩阵,/>为/>的入度矩阵,/>为可训练权重、/>为第k-1个时间片的历史隐藏层状态向量,/>为第k个时间片的历史隐藏层状态向量,/>为机场节点数目。
分别代入各时间尺度下航空网络的历史因果图进行图卷积,以获得各时间尺度下的历史隐藏层状态向量为:。
在该实施例中,通过提取多个时间片历史时刻信息,能够学习长期、短期的周期时空依赖性,提升对未来时间片延误预测的准确性。
上述任一实施例中,S5具体包括:
S501,设计可训练嵌入向量和/>,对各时间尺度下的历史隐藏层状态向量分别进行特征增强,以分别获得各时间尺度下的加权向量:
;
;
;
;
其中,,/>为隐藏层输出维度,/>为激活函数。
S502,基于各时间尺度下的加权向量,计算各时间尺度下的未来因果图矩阵:。
;
;
;
。
式中,为激活函数,T为矩阵转置符号。
在该实施例中,在通过多时间尺度下历史因果图获得多时间尺度下历史隐藏层状态向量后,通过计算节点相似性的方法,推断节点关联,即节点间存在连边的可能性,从而推断未来节点间的因果性,获取多时间尺度下的未来因果图矩阵。
上述任一实施例中,设定第个时间片航空网络延误状态向量为/>,以及S6具体包括:
S601,基于各时间尺度下的未来因果图矩阵对第k个时间片的航空网络延误状态向量分别进行单图因果卷积,以获得各时间尺度下的隐藏层状态向量:。
计算采用下式:
;
式中,为第k个时间片的隐藏层状态、/>为激活函数、/>为因果单图卷积、/>为第k-1个时间片的隐藏层状态、/>为向量拼接;
S602,设计可训练自适应参数,并对各时间尺度下的隐藏层状态向量进行动态加权,以实现因果多图卷积,得到第k个时间片的总隐藏层状态向量/>:
。
式中,为第/>个时间片的总隐藏层状态向量、且/>,、/>、/>和/>为各时间尺度下的隐藏层状态向量。
在该实施例中,基于多尺度因果矩阵对延误向量进行卷积,由于机场时空属性异质,因此不同机场受到不同时间尺度因果关系的影响各异,为自适应获取不同因果影响关系权重,设计自适应参数,对因果多图卷积动态加权。
上述任一实施例中,所述S7中将当前时间片的总隐藏层状态向量转换为单维度特征矩阵,采用下述公式计算:
;
其中,为全连接层、/>为单维度特征矩阵、/>当前时间片的隐藏层状态向量、/>为激活函数。
在该实施例中,在模型运算过程中,每个时间片的隐藏层向量皆使用高维向量矩阵,以更好地表征延误,当到最终时间片时,通过全连接层将延误高维向量转化为单维,从而获取延误的实际预测数值,达到预测效果。
在该实施例中,通过提取多个时间片历史时刻信息,能够学习长期、短期的周期时空依赖性,提升对未来时间片延误预测的准确性。
实施例1
以中国机场网络为例,进一步详述本发明的技术方案。
步骤一,根据中国机场网络所有机场的航班历史数据,以一小时为间隔,将每天的数据切分为24个时间片,将各时间片下的机场平均延误数据作为延误状态。在单时间片下,每个节点代表不同机场,节点特征为机场延误状态,获得单时间片下的航空网络延误状态向量。依此方法得到各个时间片下的航空网络延误状态向量,并构造航空网络图结构延误状态向量序列。为提高模型训练效率,对延误状态向量进行归一化,将原始数据集归一化为均值为0、方差1的数据集。
步骤二,提取各机场不同时间尺度下的航空网络图结构延误状态序列,分别对应当前时间片历史一年、一月、一周、一天延误状态,利用差分去趋势化法避免周期性对因果性的误判,计算公式为:
;
其中,为最终处理后的延误状态序列,/>为未处理的延误状态序列。
即在等时间步长的基础上,计算前一观察点和当前观察点之差构造出新的序列,去除了趋势化影响,获得去趋势化后的各时间尺度下的航空网络图结构延误状态序列。
对于每对机场的多时间尺度下的航空网络图结构延误状态序列,进行格兰杰检验,检验方法如下。以机场1、2的航空网络图结构延误状态序列为输入,以2个时间片为滞后时间,选择滞后阶数为2。通过检验判定机场1在2个时间片之前的延误状态是否对机场2当前时间片的延误状态存在显著性影响,当/>时,判定机场1对机场2存在因果关系,则机场1节点对机场2节点有向连边权重为1,/>时,则不存在因果关系和有向权重。以此方法得到各时间尺度下航空网络的历史因果图/>。
步骤三,以第个时间片航空网络延误状态向量为/>与各时间尺度下航空网络的历史因果图/>作为输入进行图卷积,图卷积神经网络隐藏层状态向量计算公式为:
;
式中,为激活函数,/>,/>为历史因果图,/>为单位矩阵,/>为/>的入度矩阵,/>为可训练权重、/>为第k-1个时间片的历史隐藏层状态向量,/>为第k个时间片的历史隐藏层状态向量,/>为机场节点数目。
分别基于各时间尺度下航空网络的历史因果图进行图卷积,最终得到各时间尺度下的历史隐藏层状态向量:。
步骤四,设计可训练嵌入向量和/>,对各时间尺度下的历史隐藏层状态向量分别进行特征增强,以分别获得各时间尺度下的加权向量:
;
;
;
;
其中,,/>为隐藏层输出维度,/>为激活函数。
基于各时间尺度下的加权向量,计算各时间尺度下的未来因果图矩阵:。
;
;
;
。
式中,为激活函数,T为矩阵转置符号。
步骤五,基于多时间尺度下的未来因果图矩阵对分别进行单图因果卷积,获得各时间尺度下的隐藏层状态向量/>,计算公式如下:
式中,为第k个时间片的隐藏层状态、/>为激活函数、/>为因果单图卷积、/>为第k-1个时间片的隐藏层状态、/>为向量拼接。
之后,设计可训练自适应参数,对各时间尺度下的隐藏层状态向量进行动态加权实现因果多图卷积,计算公式如下:
最终得到第个时间片总隐藏层状态向量/>。
步骤六,构建以图卷积神经网络为核心的网络,其中将/>网络中的矩阵乘法运算单元替换为图卷积神经网络,使得神经网络能够同时实现特征空间与时间关联的提取。
神经网络的计算过程如下:
首先,聚合与上一时间片的隐藏层状态向量/>,进行因果多图卷积并进行非线性激活,获得更新门/>与重置门/>,计算公式如下:
其中,与/>为因果多图卷积。
其次,使用重置门重置,与/>拼接后经过激活函数进行非线性变换获得更新后的隐藏层状态向量/>,计算公式如下:
其中,为因果多图卷积。
然后,使用更新门更新隐藏层状态向量,获得第k个时间片的总隐藏层状态向量,计算公式如下:
最后,各时间片迭代生成隐藏层状态向量,获得当前时间片的总隐藏层状态向量。
步骤七,设计全连接层与激活函数,将转换为单维度特征矩阵/>作为输出,计算公式如下:
其中,其中,为全连接层、/>为激活函数。
最终将单维度特征维度作为下一时间片的机场延误状态预测值,实现对于航空交通网络波及效应的有效预测。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种因果关联驱动的航空交通网络波及效应预测方法,其特征在于,包括如下步骤:
S1,将航空网络的历史航班延误数据采用时间片切分,获得各时间片的每个机场的延误状态,得到各时间片的航空网络延误状态向量,并构建航空网络图结构延误状态向量序列;
S2,提取每个机场在不同时间尺度下的航空网络图结构延误状态序列,并根据机场之间延误状态的影响关系,构建各时间尺度下航空网络的历史因果图;
S3,划定包含当前时间片的多个连续时间片,令k=1,表示初始时间片,预设第0个时间片的总隐藏层状态向量;
S4,对第k个时间片的航空网络延误状态向量、第k-1个时间片的总隐藏层状态向量与历史因果图采用图卷积神经网络处理,以获得各时间尺度下的历史隐藏层状态向量;
S5,设计可训练嵌入向量,结合各时间尺度下的隐藏层状态向量,获得各时间尺度下的未来因果图矩阵;
S6,基于各时间尺度下的未来因果图矩阵,对第k个时间片的航空网络延误状态向量分别进行单图因果卷积,设计各时间尺度下的可训练自适应参数,并对单图因果卷积的结果进行动态加权,以获得第k个时间片的总隐藏层状态向量;
S7,令k=k+1,返回S4,直至第k个时间片为当前时间片,将当前时间片的总隐藏层状态向量转换为单维度特征矩阵,并作为对下一时间片的机场延误状态的预测结果输出。
2.根据权利要求1所述的一种因果关联驱动的航空交通网络波及效应预测方法,其特征在于,所述不同时间尺度包括:年时间尺度、月时间尺度、周时间尺度和天时间尺度,以及所述时间片的长度为一小时。
3.根据权利要求1所述的一种因果关联驱动的航空交通网络波及效应预测方法,其特征在于,所述S2具体包括:
S201,获取每个机场的延误状态,并在不同时间尺度下构建航空网络图结构延误状态序列;
S202,利用差分去趋势化法对每个机场在不同时间尺度下的航空网络图结构延误状态序列消除趋势化影响;
S203,判定各机场之间是否具有延误状态的影响关系,若是则赋值为1,若否则赋值为0,以构建各时间尺度下航空网络的历史因果图。
4.根据权利要求1所述的一种因果关联驱动的航空交通网络波及效应预测方法,其特征在于,所述各时间尺度下航空网络的历史因果图分别为。
5.根据权利要求1所述的一种因果关联驱动的航空交通网络波及效应预测方法,其特征在于,所述S3具体包括:
以当前时间片为基准,向历史时刻划定预设数量且连续的多个时间片,其中最早的时间片为初始时间片,所述预设数量为20片至23片。
6.根据权利要求1所述的一种因果关联驱动的航空交通网络波及效应预测方法,其特征在于,
所述各时间尺度下的历史隐藏层状态向量为:。
7.根据权利要求6所述的一种因果关联驱动的航空交通网络波及效应预测方法,其特征在于,所述S5具体包括:
S501,设计可训练嵌入向量和/>,对各时间尺度下的隐藏层状态向量分别进行特征增强,以分别获得各时间尺度下的加权向量:
S502,基于各时间尺度下的加权向量,计算各时间尺度下的未来因果图矩阵:。
8.根据权利要求7所述的一种因果关联驱动的航空交通网络波及效应预测方法,其特征在于,所述S6具体包括:
S601,基于各时间尺度下的未来因果图矩阵对第k个时间片的航空网络延误状态向量分别进行单图因果卷积,以获得各时间尺度下的隐藏层状态向量:;
S602,设计可训练自适应参数,并对各时间尺度下的隐藏层状态向量进行动态加权,以实现因果多图卷积,得到第k个时间片的总隐藏层状态向量:
。
9.根据权利要求1所述的一种因果关联驱动的航空交通网络波及效应预测方法,其特征在于,所述S7中将当前时间片的总隐藏层状态向量转换为单维度特征矩阵,采用下述公式计算:
;
其中,为全连接层、/>为单维度特征矩阵、/>当前时间片的隐藏层状态向量、/>为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337340.9A CN117077771B (zh) | 2023-10-17 | 2023-10-17 | 一种因果关联驱动的航空交通网络波及效应预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337340.9A CN117077771B (zh) | 2023-10-17 | 2023-10-17 | 一种因果关联驱动的航空交通网络波及效应预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077771A true CN117077771A (zh) | 2023-11-17 |
CN117077771B CN117077771B (zh) | 2024-03-29 |
Family
ID=88713794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311337340.9A Active CN117077771B (zh) | 2023-10-17 | 2023-10-17 | 一种因果关联驱动的航空交通网络波及效应预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077771B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117336187A (zh) * | 2023-11-30 | 2024-01-02 | 北京航空航天大学 | 一种基于连边间关联的无人机通信网络推断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210064917A1 (en) * | 2019-08-27 | 2021-03-04 | Nanjing University Of Aeronautics And Astronautics | Method for measuring airport flight waveform similarity by spectral clustering based on trend distance |
CN116862061A (zh) * | 2023-07-08 | 2023-10-10 | 四川大学 | 一种基于时空图卷积神经网络的多机场航班延误预测方法 |
-
2023
- 2023-10-17 CN CN202311337340.9A patent/CN117077771B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210064917A1 (en) * | 2019-08-27 | 2021-03-04 | Nanjing University Of Aeronautics And Astronautics | Method for measuring airport flight waveform similarity by spectral clustering based on trend distance |
CN116862061A (zh) * | 2023-07-08 | 2023-10-10 | 四川大学 | 一种基于时空图卷积神经网络的多机场航班延误预测方法 |
Non-Patent Citations (2)
Title |
---|
WENBO DU, ETC.: "A Spatial-Temporal Approach for Multi-Airport Traffic Flow Prediction Through Causality Graphs", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS ( EARLY ACCESS )》, pages 1 - 13 * |
杜文博等: "基于"时间-特征"协同注意力的机场快轨客流预测", 《北京航空航天大学学报》, pages 1605 - 1612 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117336187A (zh) * | 2023-11-30 | 2024-01-02 | 北京航空航天大学 | 一种基于连边间关联的无人机通信网络推断方法 |
CN117336187B (zh) * | 2023-11-30 | 2024-04-12 | 北京航空航天大学 | 一种基于连边间关联的无人机通信网络推断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117077771B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tencaliec et al. | Flexible semiparametric generalized Pareto modeling of the entire range of rainfall amount | |
CN117077771B (zh) | 一种因果关联驱动的航空交通网络波及效应预测方法 | |
Perelman et al. | An adaptive heuristic cross-entropy algorithm for optimal design of water distribution systems | |
CN114048331A (zh) | 一种基于改进型kgat模型的知识图谱推荐方法及系统 | |
JP6775469B2 (ja) | Odトラヒック予測装置、方法、及びプログラム | |
CN112910710B (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
CN114120652A (zh) | 一种基于动态图神经网络的交通流量预测方法 | |
CN110114784A (zh) | 递归神经网络 | |
US11416760B2 (en) | Machine learning based user interface controller | |
CN113780662B (zh) | 一种流量预测方法、装置、设备和介质 | |
CN113190688A (zh) | 基于逻辑推理和图卷积的复杂网络链接预测方法及系统 | |
CN112650933B (zh) | 一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法 | |
Nannan et al. | Adaptive online time series prediction based on a novel dynamic fuzzy cognitive map | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
Shen et al. | Enhancing stochastic kriging for queueing simulation with stylized models | |
Edington et al. | A time-evolving digital twin tool for engineering dynamics applications | |
CN114692347A (zh) | 基于神经网络架构搜索技术的温度场代理模型构建方法 | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
Pu et al. | Dynamic adaptive spatio–temporal graph network for COVID‐19 forecasting | |
CN113609763A (zh) | 基于不确定性的卫星组件布局温度场预测方法 | |
CN108694232A (zh) | 一种基于信任关系特征学习的社会化推荐方法 | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN116415482A (zh) | 基于图神经网络MeshGraphNets的机翼流场分析方法 | |
CN116257691A (zh) | 基于潜在图结构挖掘和用户长短期兴趣融合的推荐方法 | |
CN114153996B (zh) | 多图注意力协同的地学知识图谱更新方法和装置 |
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 |