基于灰色长短期记忆网络的管制空域战略流量预测方法技术

本发明专利技术公开了一种基于灰色长短期记忆网络的管制空域战略流量预测方法，属于空中交通流量管理技术领域。本发明专利技术包括如下步骤：步骤1：读取数据；步骤2：数据预处理；步骤3：利用灰色关联分析初步筛选影响因素；步骤4：利用主成分分析方法提取主要特征；步骤5：建立灰色战略流量预测模型；步骤6：建立长短期记忆网络战略流量预测模型；步骤7：建立灰色长短期记忆网络组合预测模型。本发明专利技术能够为管制区的扇区划设、航路调整等空域结构优化提供科学依据，实现空域资源的有效利用，同时为管制区未来人员投入、财务投入以及固定资产投入等资源需求分配提供依据。

Strategic Traffic Forecasting Method for Controlled Airspace Based on Grey Long-term and Short-term Memory Network

【技术实现步骤摘要】
基于灰色长短期记忆网络的管制空域战略流量预测方法
本专利技术涉及一种基于灰色长短期记忆网络的管制空域战略流量预测方法，属于空中交通流量管理

技术介绍
近年来，我国民航业发展迅速，航空运输需求逐渐旺盛。而目前我国的空中交通流量管理服务却一直处于滞后、低效的状态,与高速增长的空中交通流量之间的矛盾日益突出。空域规划的不合理、流量管理系统化和自动化程度不高、空管系统保障能力较低及流量控制的随意性导致现有空域资源和管理手段难以适应空中交通流量的快速增长，在机场、终端区以及航路交叉点等出现了交通拥挤和飞行冲突等情况，形成了空中交通网络的“瓶颈”,也直接导致了飞行前的地面等待,飞行中的空中等待、改航、偏航等情况,从而影响了飞行安全，增加了飞行燃料消耗,降低了航班正常性。因此,需要建立一套科学有效的空中交通流量管理体系对空中交通流量进行科学管理，而进行流量管理的前提和基础就是需要对空中交通流量的分布与发展趋势进行准确地统计与预测。对某一空域、某一时间段内航空器数量的预测是空中交通流量预测的一部分，它是空中交通规划和管理的重要基础和决策依据，为提高全国和地区的运行效率提供依据。根据前期对空中交通流量全国及地区性分布的统计，预测出未来一段时间内可能会发生拥挤的地区和航路点，使管制人员进行相应的战略部署，提前作出调配方案，并在之后的航班运行阶段采取有效的管制措施，这样大大缓解了空中交通拥挤导致的航班延误问题，保障了飞行安全，提高了空域资源的合理利用率，也极大提升了航空公司的运行效率和经济效益。另外，流量预测还能提高航班时刻安排的合理性，排除一些由于交通拥堵带来的一系列不合理和不安全的因素，促进航班时刻的合理分配以及有效监控。空中交通流量预测对机场等一些设施的建设和规划也具有指导性的作用，使空域、航路等资源得到有效及充分的利用，促进未来我国航空资源配置更好地适应持续加大的交通运输需求，为空中交通的有效畅通运行提供有力支持，有利于我国民航运输业的可持续发展。空中交通流量预测可以分为战略预测和战术预测。战略预测着眼于中长期流量时空变化趋势的分析，对于调整国家空域结构、缓解空域拥堵、管制单位人员和设备配备等问题具有重要的指导作用。战术预测考虑空域结构、管制规则和航路配置等状况，根据当日的飞行计划以及实时更新的空域数据、电报、雷达、气象等数据，对航路点、航路段、扇区等空域单元，统计预测未来一段时间内的航空器数量，使管制员可以从容应对空中交通状况，同时也为空中交通管理决策者提供数据支持。目前，大多数空中交通流量预测研究都是针对战术层面的短期流量预测的。
技术实现思路
为了对空中交通流量进行更加精准的预测，本专利技术提出了一种基于灰色长短期记忆网络的管制空域战略流量预测方法，能够为管制区的扇区划设、航路调整等空域结构优化提供科学依据，实现空域资源的有效利用，同时为管制区未来人员投入、财务投入以及固定资产投入等资源需求分配提供依据。本专利技术为解决其技术问题采用如下技术方案：一种基于灰色长短期记忆神经网络的空中交通流量战略预测方法，包括如下步骤：步骤1：读取数据读取空中交通流量数据集，包括塔台、进近及区域年飞行架次，然后读取对应年份影响战略流量的因素数据集，包括全国及区域经济、人口、消费水平、各类交通方式运输量、交通业就业人员及固定资产投资、旅游、进出口额、航线条数、飞机架数各类指标；步骤2：数据预处理将空中交通流量数据集与影响因素数据集按照年份进行合并，然后对流量数据集及影响因素数据集进行缺失值和异常值进行处理；步骤3：利用灰色关联分析初步筛选影响因素；步骤4：利用主成分分析方法提取主要特征；步骤5：建立灰色战略流量预测模型；步骤6：建立长短期记忆网络战略流量预测模型；步骤7：建立灰色长短期记忆网络组合预测模型。步骤2中对于数据集中的缺失值，采用均值法填补空缺的数据记录；对于数据中的异常值，利用插值法对异常值进行替换处理。步骤3的具体过程如下：步骤3.1：首先将流量数据集作为参考向量，所有影响因素数据集作为比较向量，并采用初值化变换对参考向量和比较向量进行无量纲化处理；步骤3.2：计算参考向量和任意比较向量之间的灰色关联系数向量ξ，计算公式为：其中，Δ为所有比较向量与参考向量之差的绝对值，m为Δ中的最小值,M为Δ中的最大值,ρ∈[0,1]为分辨率系数；步骤3.3：计算灰色关联系数向量中元素的平均值，得到参考向量与所有比较向量之间的灰色关联度；最后，根据关联度大小对影响因素进行筛选，得到初步筛选后的影响因素。步骤4的具体过程如下：步骤4.1:对初步筛选得出的影响因素进行零均值标准化；步骤4.2：计算筛选得出的影响因素的相关系数矩阵；步骤4.3：计算相关系数矩阵的特征值与特征向量，特征值与特征向量的个数与筛选得到的影响因素个数相同；步骤4.4：根据特征值计算主成分贡献率及累计贡献率：每个主成分的贡献率为对应的特征值与所有特征值之和的比值，累计贡献率即为累计的主成分贡献率之和。步骤5的具体过程如下：步骤5.1：原始数据序列中的空中交通流量序列为：其中为空中交通流量的原始数据序列，为第一年的空中交通流量数值，为第二年的空中交通流量数值，为第n年的空中交通流量数值；影响因素主要特征序列为：其中：为第一个主要特征的原始数据序列，为第一个主要特征第一年的主要特征数值，为第一个主要特征第二年的主要特征数值，为第一个主要特征第n年的主要特征数值，为第N-1个主要特征的原始数据序列，为第N-1个主要特征第一年的主要特征数值，为第N-1个主要特征第二年的主要特征数值，为第N-1个主要特征第n年的主要特征数值；步骤5.2：对原始数据序列进行一次累加生成处理，得到生成序列为：其中，为空中交通流量的生成序列，为前一年的空中交通流量累加数值，为前两年的空中交通流量累加数值，为前n年的空中交通流量累加数值，为第一个主要特征的生成序列，为第一个主要特征前一年的主要特征累加数值，为第一个主要特征前两年的主要特征累加数值，为第一个主要特征前n年的主要特征累加数值，为第N-1个主要特征的生成序列，为第N-1个主要特征前一年的主要特征累加数值，为第N-1个主要特征前两年的主要特征累加数值，为前n年的主要特征累加数值；步骤5.3：利用一次累加生成数列拟合微分方程，即：其中表示空中交通流量的生成序列对时间t求导，表示第二个主要特征的生成序列，由最小二乘法求出参数列a,b2,b3,…,bN；解上述微分方程，得时间响应函数，即：其中：表示第一年空中交通流量的累加预测值，表示第二年空中交通流量的累加预测值，bj表示微分方程中求解出的第j个参数，表示第j-1个主要特征前两年的主要特征累加数值，表示第j-1个主要特征前n年的主要特征累加数值，表示第n年空中交通流量的累加预测值；步骤5.4：对时间响应函数求导还原得预测方程，最终获得对历史年份的空中交通流量的预测值其中：表示第一年空中交通流量的预测值，表示第二年空中交通流量的预测值，表示第n-1年空中交通流量的累加预测值，表示第n年空中交通流量的预测值。步骤6的具体过程如下：步骤6.1：初始化长短期记忆网络参数步骤6.1.1：输入层、输出层设置当构建流量预测神经网络的输入层和输出层时，每批次训练的样本数，初始设置为1；时间步，初始设置本文档来自技高网...

【技术保护点】
1.一种基于灰色长短期记忆网络的管制空域战略流量预测方法，其特征在于，包括如下步骤：步骤1：读取数据读取空中交通流量数据集，包括塔台、进近及区域年飞行架次，然后读取对应年份影响战略流量的因素数据集，包括全国及区域经济、人口、消费水平、各类交通方式运输量、交通业就业人员及固定资产投资、旅游、进出口额、航线条数、飞机架数各类指标；步骤2：数据预处理将空中交通流量数据集与影响因素数据集按照年份进行合并，然后对流量数据集及影响因素数据集进行缺失值和异常值进行处理；步骤3：利用灰色关联分析初步筛选影响因素；步骤4：利用主成分分析方法提取主要特征；步骤5：建立灰色战略流量预测模型；步骤6：建立长短期记忆网络战略流量预测模型；步骤7：建立灰色长短期记忆网络组合预测模型。

【技术特征摘要】
1.一种基于灰色长短期记忆网络的管制空域战略流量预测方法，其特征在于，包括如下步骤：步骤1：读取数据读取空中交通流量数据集，包括塔台、进近及区域年飞行架次，然后读取对应年份影响战略流量的因素数据集，包括全国及区域经济、人口、消费水平、各类交通方式运输量、交通业就业人员及固定资产投资、旅游、进出口额、航线条数、飞机架数各类指标；步骤2：数据预处理将空中交通流量数据集与影响因素数据集按照年份进行合并，然后对流量数据集及影响因素数据集进行缺失值和异常值进行处理；步骤3：利用灰色关联分析初步筛选影响因素；步骤4：利用主成分分析方法提取主要特征；步骤5：建立灰色战略流量预测模型；步骤6：建立长短期记忆网络战略流量预测模型；步骤7：建立灰色长短期记忆网络组合预测模型。2.根据权利要求1所述的基于灰色长短期记忆网络的管制空域战略流量预测方法，其特征在于，步骤2中对于数据集中的缺失值，采用均值法填补空缺的数据记录；对于数据中的异常值，利用插值法对异常值进行替换处理。3.根据权利要求1所述的基于灰色长短期记忆网络的管制空域战略流量预测方法，其特征在于，步骤3的具体过程如下：步骤3.1：首先将流量数据集作为参考向量，所有影响因素数据集作为比较向量，并采用初值化变换对参考向量和比较向量进行无量纲化处理；步骤3.2：计算参考向量和任意比较向量之间的灰色关联系数向量ξ，计算公式为：其中，Δ为所有比较向量与参考向量之差的绝对值，m为Δ中的最小值,M为Δ中的最大值,ρ∈[0,1]为分辨率系数；步骤3.3：计算灰色关联系数向量中元素的平均值，得到参考向量与所有比较向量之间的灰色关联度；最后，根据关联度大小对影响因素进行筛选，得到初步筛选后的影响因素。4.根据权利要求1所述的基于灰色长短期记忆网络的管制空域战略流量预测方法，其特征在于，步骤4的具体过程如下：步骤4.1:对初步筛选得出的影响因素进行零均值标准化；步骤4.2：计算筛选得出的影响因素的相关系数矩阵；步骤4.3：计算相关系数矩阵的特征值与特征向量，特征值与特征向量的个数与筛选得到的影响因素个数相同；步骤4.4：根据特征值计算主成分贡献率及累计贡献率：每个主成分的贡献率为对应的特征值与所有特征值之和的比值，累计贡献率即为累计的主成分贡献率之和。5.根据权利要求1所述的基于灰色长短期记忆网络的管制空域战略流量预测方法，其特征在于，步骤5的具体过程如下：步骤5.1：原始数据序列中的空中交通流量序列为：其中为空中交通流量的原始数据序列，为第一年的空中交通流量数值，为第二年的空中交通流量数值，为第n年的空中交通流量数值；影响因素主要特征序列为：其中：为第一个主要特征的原始数据序列，为第一个主要特征第一年的主要特征数值，为第一个主要特征第二年的主要特征数值，为第一个主要特征第n年的主要特征数值，为第N-1个主要特征的原始数据序列，为第N-1个主要特征第一年的主要特征数值，为第N-1个主要特征第二年的主要特征数值，为第N-1个主要特征第n年的主要特征数值；步骤5.2：对原始数据序列进行一次累加生成处理，得到生成序列为：其中，为空中交通流量的生成序列，为前一年的空中交通流量累加数值，为前两年的空中交通流量累加数值，为前n年的空中交通流量累加数值，为第一个主要特征的生成序列，为第一个主要特征前一年的主...

【专利技术属性】
技术研发人员：曾维理，徐正凤，羊钊，朱聃，朱星辉，胡明华，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32