CN118036714B - 基于集成学习算法的空域流量预测方法 - Google Patents
基于集成学习算法的空域流量预测方法 Download PDFInfo
- Publication number
- CN118036714B CN118036714B CN202410437635.1A CN202410437635A CN118036714B CN 118036714 B CN118036714 B CN 118036714B CN 202410437635 A CN202410437635 A CN 202410437635A CN 118036714 B CN118036714 B CN 118036714B
- Authority
- CN
- China
- Prior art keywords
- node
- airport
- airspace
- nodes
- influence degree
- 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 31
- 239000013598 vector Substances 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000000547 structure data Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 239000013256 coordination polymer Substances 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及空域流量预测技术领域,提出基于集成学习算法的空域流量预测方法,包括步骤:收集历史空域流量数据和与之相关的空间结构数据,并进行预处理;构建GNN模型,使用GNN模型计算对空域网络中的各节点影响程度、节点间影响程度,节点为任一机场或任一航路点;GNN模型对节点影响程度、节点间影响程度以及时间序列数据进行特征转换和注意力融合,得到融合后的特征向量;将融合后的特征向量输入LSTM模型,得到预测的节点的空域流量。本发明通过集成GNN模型和LSTM模型对节点的空域流量的影响程度进行分析,以及对节点的空域流量进行预测。
Description
技术领域
本发明涉及空域流量预测技术领域,特别涉及一种基于集成学习算法的空域流量预测方法。
背景技术
目前对于空域流量预测方法的研究,多集中在使用机器学习的有关算法,主要使用的预测方法和模型有注意力时空图卷积网络(Attention Temporal GraphConvolutional Network,AT-GCN)、灰色长短期记忆网络(Grey Long Short-Term MemoryNetwork,Grey LSTM)、小波变换(Wavelet Transform)、反向传播神经网络(BackPropagation Neural Network,BPNN)、最小二乘法和分形插值法等。上述方法在空域流量预测方面具有一定的优势,但它们也存在局限,比如:
注意力时空图卷积网络:模型的复杂性导致对计算资源的需求较高,并且需要大量的数据来进行有效的训练,对于数据质量和结构要求较高,如果空域结构数据和空中交通流量数据不足或不准确,模型的性能可能会受到影响。灰色长短期记忆网络:模型的性能在很大程度上依赖于数据预处理的质量和方法,此外,灰色理论的适用范围和有效性可能因数据的特性而有所不同,这限制了模型的通用性。小波变换:虽然小波变换在特征提取和信号分析方面非常有效,但对模型的性能很大程度上依赖于适当的小波基和参数选择。反向传播神经网络:容易受到过拟合的影响,特别是在数据量不足或特征过多的情况下,此外,模型对超参数的选择非常敏感,需要通过多次实验来确定最佳的网络结构和参数。最小二乘法:主要适用于线性模型,对于复杂的非线性关系可能无法提供准确的预测,同时,最小二乘法对异常值非常敏感,可能会导致模型的预测性能下降。分形插值法:计算过程相对复杂,对数据的自相似性有较高要求,在数据不符合分形特性时,模型的有效性可能会受到限制。
因此在对于空域流量预测问题上,集成学习的算法更具有优势,传统的集成学习算法主要分为以下几类:
1.Bagging(Bootstrap Aggregating,自举汇聚法),是一种通过结合多个模型减少方差的集成技术,主要用于减少过拟合。在Bagging中,通过随机采样实现原始训练数据集生成多个不同的训练子集,随机采样通常是有回放的采样,每个子集被用来训练一个模型,最终的预测通过对所有模型的预测结果进行平均或多数投票来得到。
2.Boosting,是一种可以减少偏差和方差的集成技术。与Bagging不同的是,Boosting的核心思想是按照顺序联系一系列的弱学习器,每一个学习器都尝试修正前一个学习器的错误。每个模型根据前一个模型的表现进行加权,以此来提高整体模型的性能。
3.Stacking(堆叠泛化),是一种通过结合多个不同的模型来提高预测精度的方法。在Stacking中,不同的模型被训练以预测相同的输出,然后用一个被训练的元模型(meta-model)来综合这些预测为最终的预测结果。Stacking的关键在于这些基模型的多样性和元模型的选择。
4.Voting,是一种简单的集成方法,基于多个模型的预测结果进行投票。Voting可以是简单的多数投票(硬投票),也可以是基于概率的加权投票(软投票)。硬投票计算每个类别的票数,并选择票数最多的类别,而软投票则考虑了类别的预测概率,通常能提供更好的性能。
发明内容
本发明的目的在于基于现有的集成学习算法进行改进,提供一种基于集成学习算法的空域流量预测方法。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
基于集成学习算法的空域流量预测方法,包括以下步骤:
步骤1,收集历史空域流量数据和与之相关的空间结构数据,并进行预处理;
步骤2,构建GNN模型,使用GNN模型计算对空域网络中的各节点影响程度、节点间影响程度,节点为任一机场或任一航路点;
步骤3,GNN模型对节点影响程度、节点间影响程度以及时间序列数据进行特征转换和注意力融合,得到融合后的特征向量;
步骤4,将融合后的特征向量输入LSTM模型,得到预测的节点的空域流量。
与现有技术相比,本发明的有益效果:
(1)模型的多样性能提高预测结果准确性:本发明集成学习结合了GNN模型、LSTM模型对某机场的空域流量进行预测,这两类模型可以从不同的角度学习数据,提供互补的信息,从而增加整体的预测准确性。GNN模型负责预测机场、飞行中的飞机对于空域流量的影响,LSTM模型负责预测空域流量随时间变化的波动情况。
(2)提高处理复杂和非线性数据的能力:LSTM模型优化对时间序列数据中的长期依赖关系的捕捉,处理数据的动态变化。而GNN模型通过在图结构数据上的计算,能够捕捉节点间复杂的空间关系。动态权重融合进一步增强模型适应性,自动调整各影响因素的权重占比以及两类数据的特征融合比例,优化对于复杂数据结构和非线性关系的理解和预测。这种方法综合利用了时间序列分析和图结构分析的优势,提升了模型在处理多维度、高复杂度数据方面的性能。
(3)提高模型的鲁棒性:本发明使用的预测方法可以自动补偿单一模型可能存在的不足,提高整体模型对异常数据的处理能力和对噪声的容忍度,从而增强模型的鲁棒性。
(4)提高计算效率:LSTM模型和GNN模型在处理它们擅长的数据类型(时间序列数据和图结构数据)时更高效,减少了不必要的计算负担。通过动态调整两类数据的特征融合比例,可以减少在某些情况下对较为复杂模型的依赖,优化计算资源分配。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本发明方法流程图;
图2为本发明实施例机场作为节点时的示意图;
图3为本发明实施例机场和航路点作为节点时的示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性,或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。另外,术语“相连”、“连接”等可以是元件之间直接相连,也可以是经由其他元件的间接相连。
实施例:
本发明对传统的集成学习算法Stacking进行改进,将GNN模型和LSTM模型集成在一起,依靠历史的数据进行空域流量的预测。其中,GNN模型用于判断机场之间以及飞机之间的位置关系对空域流量的影响,分析空域流量影响程度;LSTM模型用于分析与时间高度相关的数据,预测机场的空域流量。改进的集成学习算法通过两种不同的预测模型的预测结果来提高整体预测性能,能够提高准确率和稳定性。
本发明通过下述技术方案实现,如图1所示,基于集成学习算法的空域流量预测方法,包括以下步骤:
步骤1,收集历史空域流量数据和与之相关的空间结构数据,并进行预处理。
收集历史空域流量数据和与之相关的空间结构数据,历史空域流量数据如ADS-B数据、航班数据等,与之相关的空间结构数据如周边机场和被预测机场(即空域网络中的机场)的位置信息、ADS-B数据中飞机的轨迹信息、航路点等。接着对收集的数据进行清理,处理缺失值、异常值,并对数据进行标准化或归一化处理,以便于模型学习。然后将历史空域流量数据转换为时间序列格式,以便后期进行特征融合时输入到LSTM模型(Long Short-Term Memory Network,长短期记忆网络模型)中。再将空间结构数据构建成图结构数据,图结构数据中的节点代表机场空域区域,或者代表机场与机场之间的航路点,节点之间的边代表节点之间的飞机流量流动性或连接性,以便作为GNN模型(Graph Neural Network,图神经网络模型)的输入。
步骤2,构建GNN模型,使用GNN模型计算对空域网络中的各节点影响程度、节点间影响程度,节点为任一机场或任一航路点。
GNN模型学习图结构的表示,输出空域网络中各机场之间以及飞机之间对空域流量的影响,而非具体的预测任务;LSTM模型完成空域流量具体的预测。
步骤2-1,输出各机场对其空域流量的影响:若将节点定义为机场,GNN模型根据机场i的节点度Degree、节点接近度Closeness和节点介数中心性Betweenness,判断机场i对其空域流量的影响程度Influence Degree。
节点度Degree是指与节点直接相连的边的数量,对于无向图,节点度即为与该节点相连的边数;对于有向图,节点入度是指指向该节点的边的数量,节点出度是指该节点指向其他节点的边的数量。则在无向图中节点度Degree的计算公式为:
;
其中,D(i)表示机场i的节点度;Ns(i)表示与机场i相连的边的数量。如图2所示,a、b、c、d均为机场,则机场a的节点度D(a)=3。
节点接近度Closeness衡量了某节点与其他节点之间的距离,是该节点到其他节点最短路径长度之和的倒数。机场i的节点接近度可以通过计算机场i到其他所有机场的最短路径长度之和的倒数来获得:
;
其中,C(i)表示机场i的节点接近度;j表示与机场i有连接的其他机场;d(i,j)表示机场i与机场j之间的最短路径长度。如图3所示,a、d均为机场,b、c、e、f、g可以理解为机场a与机场b之间的航路点,图3中示出了每两个节点之间的路径长度(单位自定义),则机场a到机场d之间的最短路径有abd、aefd、acbd,路径长度均为13,因此机场a与机场d之间的最短路径长度d(a,d)=13。
节点介数中心性Betweenness衡量了某节点在空域网络中充当“桥梁”或“中转站”的程度,是所有节点对之间通过该节点的最短路径数量的比例。机场i的节点介数中心性可以通过计算经过机场i的所有最短路径数量之和来获得:
;
其中,B(i)表示机场i的节点介数中心性;s表示机场s,t表示机场t;表示机场s到机场t的最短路径数量;/>表示机场s到机场t的最短路径中经过机场i的路径数量。
最终机场i对其空域流量的影响程度Influence Degree为:
;
其中,ID(i)表示机场i对其空域流量的影响程度,也叫节点影响程度;、/>为权重因子;maxD表示所有机场的节点度中的最大值;maxC表示所有机场的节点接近度中的最大值;maxB表示所有机场的节点介数中心性中的最大值。
通过步骤2-1,在GNN模型中构建所有机场对自身空域流量的影响程度,假设一共有10个机场,则可分别计算出10个节点影响程度ID(i),i=1,2,...,10。
步骤2-2,输出各飞机之间对空域流量的影响:在分析飞机对空域流量的影响时,将节点定义为机场,或者定义为机场与机场之间飞行航路上的航路点。比如飞机从机场a到机场d可以有多条飞行航路,那么可以定义机场a到机场d的某一飞行航路上具有多个航路点,如图3所示,定义a、d为机场,b、c、e、f、g为航路点,那么节点e为节点a与节点d之间的航路点,节点e与节点d之间还具有航路点f。同时航路点i到航路点j之间也可以存在多条飞行航路,任一飞行航路上也可以具有航路点,故在分析飞机之间对空域流量的影响时机场、航路点都可以是节点。GNN模型根据飞机的共同路径数量Common Paths、最短路径长度Shortest Path和聚类系数Clustering Coefficient,判断飞机对机场i的空域流量的影响程度Influence Common Paths。
共同路径数量Common Paths是指两个节点之间共享的路径数量。假设节点i到节点j之间存在多条路径,可以通过遍历所有可能的路径,并统计路径中经过的节点数来计算共同路径数量,计算公式为:
;
其中,CP(i,j)表示节点i与节点j之间的共同路径数量;表示从节点i到节点k的路径数量;/>表示从节点k到节点j的路径数量;/>表示从节点i到节点j的路径数量;表示从节点i经过节点k到节点j的路径数量。如图3所示,假设节点i为图3中的a,节点j为图3中的d,节点k为图3中的b,则/>,/>,/>,/>。
最短路径长度Shortest Path是指两个节点之间的最短路径所经过的最少的边数量,计算公式为:
;
其中,SP(i,j)表示节点i到节点j之间的最短路径最少的边的数量;ad(i,j)表示节点i到节点j之间的最短路径边的数量。如图3所示,节点a到节点d之间的最短路径为abd、aefd、acbd,路径长度均为13,则有D(a)=3,D(a)表示与节点a相连的边的数量,与步骤2-1中计算方式相同,D(d)=4,D(d)表示与节点d相连的边的数量,由于路径abd的路径边的数量为2,aefd的路径边的数量为3,acbd的路径边的数量为3,则有ad(a,d)=(2,3,3),SP(i,j)=min(2,3,3)=2。
聚类系数Clustering Coefficient衡量了节点i的邻居节点之间的连接程度,是一个节点的邻居节点之间实际存在的连接数与所有可能存在的连接数之比。对于无向图中的节点i,聚类系数的计算公式为:
;
其中,CC(i)表示节点i的邻居节点之间的聚类系数;N(i)表示节点i的邻居节点之间相连接的边的数量;D(i)表示节点i的节点度;D(i-1)表示邻居节点i-1的节点度。如图3所示,节点a的邻居节点包括c、b、e,其中只有c与b之间有连接,因此N(a)=1;假设节点i为图3中的a,节点i-1为图3中的d,则D(a)=3,D(d)=4,CCa=(2×1)/(3×4)。
飞机对机场i的空域流量的影响程度Influence Common Paths为:
;
其中,IP(i,j)表示飞机从节点i到节点j时对机场i的空域流量的影响程度,也叫节点间影响程度;、/>为权重因子;maxCP表示所有节点对之间的最大共同路径数量;maxCC表示所有节点的邻居节点之间的聚类系数。
通过步骤2-2,在GNN模型中构建所有节点相互之间对空域流量的影响程度,可以理解为飞机对空域流量的影响程度,假设共有20个节点,则可分别计算出19个节点对第1个节点(i=1)的节点间影响程度IP(1,j),j≠i;如此,对于20个节点,便可计算出19×20个节点间影响程度。
步骤3,GNN模型对节点影响程度、节点间影响程度以及时间序列数据进行特征转换和注意力融合,得到融合后的特征向量。
GNN模型执行特征转换和注意力融合机制的功能,其中特征转换为:
时间序列数据Ht为时间序列格式的历史空域流量数据,分别对时间序列数据Ht和空间特征向量FVt进行特征转换,以便在相同的特征空间内进行融合:
;
其中,FVt(i)表示节点i的空间特征向量;ID(i)表示节点i对其空域流量的影响程度;NN(i)表示节点i的邻居节点集合;j表示节点i的邻居节点;IP(i,j)表示飞机从节点i到节点j时对节点i的空域流量的影响程度;Aggj∈NN(i)IP(i,j)表示对节点i的所有邻居节点j的IP(i,j)进行聚合操作;FVt`(i)表示特征转换后的节点i的空间特征向量。
通过全连接层(或其他类型的神经网络层)进行权重特征转换,确保Ht和FVt处于同一特征空间:
;
;
其中,Ht(i)表示节点i的时间序列数据;Ht`(i)表示权重特征转换后的节点i的时间序列数据,Wh表示时间序列数据的权重矩阵;bh表示时间序列数据的偏置项;FVt`(i)表示特征转换后的节点i的空间特征向量;FVt``(i)表示权重特征转换后的节点i的空间特征向量;Wfv表示空间特征向量的权重矩阵;bfv表示空间特征向量的偏置项。
注意力融合机制为:
注意力权重通过一个softmax函数计算得出,以确保所有权重的和为1:
;
;
其中,表示Ht`(i)的注意力权重;/>表示FVt``(i)的注意力权重;/>表示Ht`(i)的评分;/>表示FVt``(i)的评分,通过全连接层计算:
;
;
其中,表示Sigmoid函数;Watt表示权重矩阵;batt表示偏置项。
通过注意力融合机制动态地决定在每个时间步t中Ht`(i)和FVt``(t)的重要性,实现特征向量的有效融合:
;
其中,Xt(i)表示融合后的特征向量。
需要说明的是,针对不同的节点i,本步骤中所涉及到的权重如Wh、Wfv、、/>会动态变化,以实现动态权重融合。
步骤4,将融合后的特征向量输入LSTM模型,得到预测的节点的空域流量。
将Xt(i)作为LSTM模型的输入,使用LSTM模型进行时间序列预测:
;
其中,Yt+1(i)表示预测的节点i的空域流量。假设包括机场和航路点的节点共有20个,需要预测其中第9个节点(i=9)的空域流量时,则提取步骤2中的ID(9)和ID(9,j)后,j=1,2,...,20但j≠9,执行步骤3,即可得到预测的第9个机场的空域流量Yt+1(9)。
假设一共有N个节点,M个时间步(历史时间序列数据,t=1,2,...,M),N个节点中有N1个机场,剩余的节点为航路点。GNN模型输出的节点影响程度表示为ID(i),节点i对节点j的节点间影响程度表示为IP(i,j),对于t时刻,LSTM模型的预测结果为Yt(i),GNN模型和LSTM模块集成的总模型的损失函数L的目标是使预测结果尽可能接近真实的空域流量数据Yt,则损失函数L为:
;
其中,L为损失函数;N表示节点总数,N1表示机场作为节点的总数,N≥N1,i表示第i个节点;表示节点i的权重,用于调节节点i对损失函数的权重;Yt(i)表示节点i在所有时间步预测的空域流量;Y(i)表示节点i真实的空域流量;MSE(Yt(i),Y(i))表示节点i的预测结果和真实结果之间的均方误差;/>表示ID(i)的权重,/>表示IP(i,j)的权重,/>、用于平衡预测结果、节点影响程度ID(i)以及节点间影响程度IP(i,j)之间的重要性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.基于集成学习算法的空域流量预测方法,其特征在于:包括以下步骤:
步骤1,收集历史空域流量数据和与之相关的空间结构数据,并进行预处理;
步骤2,构建GNN模型,使用GNN模型计算对空域网络中的各节点影响程度、节点间影响程度,节点为任一机场或任一航路点;
所述步骤2中,使用GNN模型计算对空域网络中的各节点影响程度的步骤,包括:
将节点定义为机场,GNN模型根据机场i的节点度Degree、节点接近度Closeness和节点介数中心性Betweenness,判断机场i对其空域流量的影响程度Influence Degree;
节点度Degree是指与节点直接相连的边的数量,计算公式为:
;
其中,D(i)表示机场i的节点度;Ns(i)表示与机场i相连的边的数量;
节点接近度Closeness衡量了某节点与其他节点之间的距离,是该节点到其他节点最短路径长度之和的倒数,计算公式为:
;
其中,C(i)表示机场i的节点接近度;j表示与机场i有连接的其他机场;d(i,j)表示机场i与机场j之间的最短路径长度;
节点介数中心性Betweenness衡量了某节点在空域网络中充当中转站的程度,是所有节点对之间通过该节点的最短路径数量的比例,计算公式为:
;
其中,B(i)表示机场i的节点介数中心性;s表示机场s,t表示机场t;表示机场s到机场t的最短路径数量;/>表示机场s到机场t的最短路径中经过机场i的路径数量;
最终机场i对其空域流量的影响程度Influence Degree为:
;
其中,ID(i)表示机场i对其空域流量的影响程度,也叫节点影响程度;、/>为权重因子;maxD表示所有机场的节点度中的最大值;maxC表示所有机场的节点接近度中的最大值;maxB表示所有机场的节点介数中心性中的最大值;
所述步骤2中,使用GNN模型计算对空域网络中的节点间影响程度的步骤,包括:
在分析飞机对空域流量的影响时,将节点定义为机场,以及机场与机场之间飞行航路上的航路点;
GNN模型根据飞机的共同路径数量Common Paths、最短路径长度Shortest Path和聚类系数Clustering Coefficient,判断飞机对机场i的空域流量的影响程度InfluenceCommon Paths;
共同路径数量Common Paths是指两个节点之间共享的路径数量,计算公式为:
;
其中,CP(i,j)表示节点i与节点j之间的共同路径数量;表示从节点i到节点k的路径数量;/>表示从节点k到节点j的路径数量;/>表示从节点i到节点j的路径数量;/>表示从节点i经过节点k到节点j的路径数量;
最短路径长度Shortest Path是指两个节点之间的最短路径所经过的最少的边数量,计算公式为:
;
其中,SP(i,j)表示节点i到节点j之间的最短路径最少的边的数量;ad(i,j)表示节点i到节点j之间的最短路径边的数量;
聚类系数Clustering Coefficient衡量了节点i的邻居节点之间的连接程度,是一个节点的邻居节点之间实际存在的连接数与所有可能存在的连接数之比,计算公式为:
;
其中,CC(i)表示节点i的邻居节点之间的聚类系数;N(i)表示节点i的邻居节点之间相连接的边的数量;D(i)表示节点i的节点度;D(i-1)表示邻居节点i-1的节点度;
飞机对机场i的空域流量的影响程度Influence Common Paths为:
;
其中,IP(i,j)表示飞机从节点i到节点j时对机场i的空域流量的影响程度,也叫节点间影响程度;、/>为权重因子;maxCP表示所有节点对之间的最大共同路径数量;maxCC表示所有节点的邻居节点之间的聚类系数;
步骤3,GNN模型对节点影响程度、节点间影响程度以及时间序列数据进行特征转换和注意力融合,得到融合后的特征向量;
步骤4,将融合后的特征向量输入LSTM模型,得到预测的节点的空域流量。
2.根据权利要求1所述的基于集成学习算法的空域流量预测方法,其特征在于:所述步骤3中,GNN模型对节点影响程度、节点间影响程度以及时间序列数据进行特征转换的步骤,包括:
时间序列数据Ht为时间序列格式的历史空域流量数据,分别对时间序列数据Ht和空间特征向量FVt进行特征转换,以便在相同的特征空间内进行融合:
;
其中,FVt(i)表示节点i的空间特征向量;ID(i)表示节点i对其空域流量的影响程度;NN(i)表示节点i的邻居节点集合;j表示节点i的邻居节点;IP(i,j)表示飞机从节点i到节点j时对节点i的空域流量的影响程度;Aggj∈NN(i)IP(i,j)表示对节点i的所有邻居节点j的IP(i,j)进行聚合操作;FVt`(i)表示特征转换后的节点i的空间特征向量;
通过全连接层进行权重特征转换,确保Ht和FVt处于同一特征空间:
;
;
其中,Ht(i)表示节点i的时间序列数据;Ht`(i)表示权重特征转换后的节点i的时间序列数据,Wh表示时间序列数据的权重矩阵;bh表示时间序列数据的偏置项;FVt``(i)表示权重特征转换后的节点i的空间特征向量;Wfv表示空间特征向量的权重矩阵;bfv表示空间特征向量的偏置项。
3.根据权利要求2所述的基于集成学习算法的空域流量预测方法,其特征在于:所述步骤3中,GNN模型对节点影响程度、节点间影响程度以及时间序列数据进行注意力融合,得到融合后的特征向量的步骤,包括:
注意力权重通过softmax函数计算得出:
;
;
其中,表示Ht`(i)的注意力权重;/>表示FVt``(i)的注意力权重;/>表示Ht`(i)的评分;/>表示FVt``(i)的评分,通过全连接层计算:
;
;
其中,表示Sigmoid函数;Watt表示权重矩阵;batt表示偏置项;
通过注意力融合机制实现特征向量融合:
;
其中,Xt(i)表示融合后的特征向量。
4.根据权利要求3所述的基于集成学习算法的空域流量预测方法,其特征在于:所述步骤4具体包括以下步骤:
将Xt(i)作为LSTM模型的输入,使用LSTM模型进行时间序列预测:
;
其中,Yt+1(i)表示预测的节点i的空域流量。
5.根据权利要求4所述的基于集成学习算法的空域流量预测方法,其特征在于:GNN模型和LSTM模型集成的总模型的损失函数L为:
;
其中,N表示节点总数,N1表示机场作为节点的总数,N≥N1,i表示第i个节点;表示节点i的权重,用于调节节点i对损失函数的权重;Yt(i)表示节点i在所有时间步预测的空域流量;Y(i)表示节点i真实的空域流量;MSE(Yt(i),Y(i))表示节点i的预测结果和真实结果之间的均方误差;/>表示ID(i)的权重,/>表示IP(i,j)的权重,/>、/>用于平衡预测结果、节点影响程度ID(i)以及节点间影响程度IP(i,j)之间的重要性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410437635.1A CN118036714B (zh) | 2024-04-12 | 2024-04-12 | 基于集成学习算法的空域流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410437635.1A CN118036714B (zh) | 2024-04-12 | 2024-04-12 | 基于集成学习算法的空域流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118036714A CN118036714A (zh) | 2024-05-14 |
CN118036714B true CN118036714B (zh) | 2024-06-11 |
Family
ID=90991516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410437635.1A Active CN118036714B (zh) | 2024-04-12 | 2024-04-12 | 基于集成学习算法的空域流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118036714B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738425A (zh) * | 2020-08-07 | 2020-10-02 | 北京航空航天大学 | 一种基于图挖掘的机场延误原因分析方法 |
CN112906982A (zh) * | 2021-03-22 | 2021-06-04 | 哈尔滨理工大学 | 一种基于gnn-lstm结合的网络流量预测方法 |
CN113379107A (zh) * | 2021-05-26 | 2021-09-10 | 江苏师范大学 | 基于lstm和gcn的区域电离层tec预报方法 |
WO2022171066A1 (zh) * | 2021-02-10 | 2022-08-18 | 中国移动通信有限公司研究院 | 基于物联网设备的任务分配方法、网络训练方法及装置 |
CN116307757A (zh) * | 2023-01-18 | 2023-06-23 | 辽宁荣科智维云科技有限公司 | 一种数据智能交互方法、交互系统、计算机设备及应用 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612206B (zh) * | 2020-03-30 | 2022-09-02 | 清华大学 | 一种基于时空图卷积神经网络的街区人流预测方法及系统 |
AU2020104133A4 (en) * | 2020-12-16 | 2021-03-04 | Anjanamma, Chappidi MRS | Expected conditional clustered regressive deep multilayer precepted neural learning for iot based cellular network traffic prediction with big data |
CN114021809A (zh) * | 2021-11-02 | 2022-02-08 | 盐城工学院 | 一种无人驾驶用交通流量预测的图层级卷积神经网络模型 |
CN115460099A (zh) * | 2022-09-20 | 2022-12-09 | 中国电信股份有限公司 | 模型训练方法和装置、流量预测方法和装置、存储介质 |
-
2024
- 2024-04-12 CN CN202410437635.1A patent/CN118036714B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738425A (zh) * | 2020-08-07 | 2020-10-02 | 北京航空航天大学 | 一种基于图挖掘的机场延误原因分析方法 |
WO2022171066A1 (zh) * | 2021-02-10 | 2022-08-18 | 中国移动通信有限公司研究院 | 基于物联网设备的任务分配方法、网络训练方法及装置 |
CN112906982A (zh) * | 2021-03-22 | 2021-06-04 | 哈尔滨理工大学 | 一种基于gnn-lstm结合的网络流量预测方法 |
CN113379107A (zh) * | 2021-05-26 | 2021-09-10 | 江苏师范大学 | 基于lstm和gcn的区域电离层tec预报方法 |
CN116307757A (zh) * | 2023-01-18 | 2023-06-23 | 辽宁荣科智维云科技有限公司 | 一种数据智能交互方法、交互系统、计算机设备及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN118036714A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
Li et al. | Graph neural network for robust public transit demand prediction | |
CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
Alizadeh et al. | Network traffic forecasting based on fixed telecommunication data using deep learning | |
Kotevska et al. | Dynamic network model for smart city data-loss resilience case study: City-to-city network for crime analytics | |
CN115578851A (zh) | 一种基于mgcn的交通预测方法 | |
CN114495507A (zh) | 融合时空注意力神经网络和交通模型的交通流预测方法 | |
Gollapalli et al. | A Neuro-Fuzzy Approach to Road Traffic Congestion Prediction. | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
Nie et al. | Digital twin for transportation big data: a reinforcement learning-based network traffic prediction approach | |
CN115544239A (zh) | 一种基于深度学习模型的布局偏好预测方法 | |
CN116862061A (zh) | 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 | |
CN115376317A (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
Mai et al. | Optimization of interval type-2 fuzzy system using the PSO technique for predictive problems | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
CN113159160A (zh) | 一种基于节点注意力的半监督节点分类方法 | |
CN118036714B (zh) | 基于集成学习算法的空域流量预测方法 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
CN113159371A (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
CN112562312A (zh) | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 | |
CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 | |
CN115618065A (zh) | 一种数据处理方法及相关设备 | |
Shu et al. | Link prediction based on 3D convolutional neural network |
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 |