一种基于图神经网络的空域碳排放短期预测方法及系统技术方案

本发明专利技术公开了一种基于图神经网络的空域碳排放短期预测方法及系统，所述方法包括：首先使用图卷积神经网络GCN来学习空域扇区的拓扑结构，提取空域碳排放数据的空间特征，然后将具有空间特征信息的空域碳排放数据输送到长短期记忆网络LSTM，学习空域碳排放数据的时间变化趋势，进而提取空域碳排放数据的时间特征，最后通过全连接层输出最终预测结果，该方法能够同时捕获空域碳排放数据的时间依赖性和空间依赖性，具有描述空域碳排放数据时空特征的能力，能够挖掘大范围空域尺度的空域碳排放规律，为节能减排方案制定、提升扇区结构优化和“绿色”动态容流调配能力提供技术依据和参考。参考。参考。

【技术实现步骤摘要】
一种基于图神经网络的空域碳排放短期预测方法及系统


[0001]本专利技术属于空中交通管理
，具体涉及一种基于图神经网络的空域碳排放短期预测方法及系统。

技术介绍

[0002]空域碳排放预测是“绿色”空中交通研究中的重要技术，其目的是根据实时交通状况和历史运行数据来估算未来给定空域的碳排放分布。通过准确预测空域的碳排放信息，可以辅助管理者制定节能减排方案，提高航空运行的可持续发展性能。
[0003]目前针对空域碳排放的研究主要是估算全球航空运输的碳排放量，针对特定空域范围大小的碳排放量预测鲜有报道。空域内航班的碳排放数据和空域交通数据一样，都具有时间和空间特征，构建具备时间和空间依赖性特征提取的空域碳排放预测方法，准确感知空域交通排放态势具有重要意义。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供了一种基于图神经网络的空域碳排放短期预测方法及系统，首先使用图卷积神经网络GCN学习空域扇区网络的拓扑结构，提取空域扇区内碳排放数据的空间特征，然后将具有空间特征信息的碳排放数据输送到长短期记忆网络LSTM，学习空域碳排放数据的时间动态趋势，进而提取空域碳排放数据的时间特征，最后通过全连接层输出最终的预测结果，该方法能够准确感知空域碳排放态势。
[0005]为实现所述目的，本专利技术提供一种基于图神经网络的空域碳排放短期预测方法及系统，具体步骤如下：
[0006]第一方面，本专利技术提供一种基于图神经网络的空域碳排放短期预测方法，包括：
[0007]获取碳排放预测的目标空域内航路航线结构，构建扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A；
[0008]获取各扇区对应的碳排放数据并进行预处理，构建扇区碳排放时间序列；
[0009]构建图卷积神经网络GCN和长短期记忆网络LSTM耦合的深度学习 GCN
‑
LSTM空域碳排放模型；
[0010]基于空域各扇区间的邻接矩阵A和扇区碳排放时间序列，对深度学习 GCN
‑
LSTM空域碳排放模型进行训练、测试，得到训练好的深度学习 GCN
‑
LSTM空域碳排放模型；
[0011]获取待预时间段前的历史空域碳排放数据，利用训练好的深度学习 GCN
‑
LSTM空域碳排放模型进行空域碳排放短期预测。
[0012]在一些实施例中，构建空域扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A，包括：
[0013]使用无向无权图描述空域内扇区网络拓扑结构，其中图的节点集合代表扇区集合，N代表节点的数量；表示图的连边集合；邻接矩阵代表扇区之间的航班移交关系，所述邻接矩阵为0
‑
1矩阵，1代表扇区之间具有航班移交关系，
0代表扇区之间不具有航班移交关系，表示集合。
[0014]在一些实施例中，构建扇区碳排放时间序列，包括：
[0015]收集一段时间内碳排放预测的目标空域对应的航班运行碳排放数据；统计不同扇区单元不同时间段的碳排放数据，构建空域碳排放矩阵；
[0016]然后对空域碳排放矩阵进行预处理、归一化处理，最后将归一化的空域碳排放矩阵按照一定的比例划分为训练集和测试集。
[0017]在一些实施例中，所述深度学习GCN
‑
LSTM空域碳排放模型包含图卷积神经网络GCN模型、长短期记忆网络LSTM模型以及1个全连接层；GCN模型由二层GCN Cell组成，其中第二层GCN Cell与第一层LSTM Cell连接，用于传递空间特征信息；LSTM模型由M层LSTM Cell组成并按照顺序依次连接，用于学习时间特征信息；第M层LSTM Cell与1个全连接层连接，用于输出学习的时序特征；
[0018]当GCN模型包含二层GCN Cell时，表达为：
[0019]f(X,A)＝σ(AReLU(AXW0)W1)
[0020]其中X为扇区碳排放时间序列，A为邻接矩阵；A＝D
‑
1/2
AD
‑
1/2
表示预处理步骤，是具有自连接结构的邻接矩阵，，I表示单位矩阵，D表示度矩阵，代表从输入层到隐含层的权重矩阵，表示从隐含层到输出层的权重矩阵，σ(
·
)和ReLU(
·
)表示激活函数；P表示扇区碳排放时间序列的长度；H表示隐含单元数量；T表示预测时间长度；i表示空域网络的节点； j表示网络节点属性；
[0021]将通过GCN Cell学习的带有扇区网络空间特征信息的空域碳排放时间序列输入到LSTM Cell，通过多个LSTM Cell之间的信息传递，学习得到空域碳排放时间特征，具体计算如下：
[0022]首先由遗忘门f
t
通过查看第t
‑
1时刻的空域碳排放量输出值h
t
‑1与第t时刻的空域碳排放量输入值f(X
t
,A)来决定单元格状态C
i
，即：
[0023]遗忘门：
[0024]f
t
＝σ(W
f
·
f(X
t
,A)+U
f
h
t
‑1+b
f
)
[0025]其次由输入门l
t
决定单元内部更新的数值与单元格状态，即：
[0026]输入门：
[0027]l
t
＝σ(W
l
·
f(X
t
,A)+U
l
h
t
‑1+b
l
)
[0028]单元格状态：
[0029][0030][0031]最后由输出门决定当前第t时刻排放量的输出情况，即：
[0032]输出门：
[0033]o
t
＝σ(W
o
·
f(X
t
,A)+U
o
h
t
‑1+b
o
)
[0034]最终输出：
[0035][0036]其中：f
t
、l
t
、C
t
、o
t
、f(X
t
,A)和h
t
分别表示遗忘门、输入门、前一刻单元格状态、
当前单元格状态、输出门、t时刻的输入和输出；W
f
、W
l
、W
c
和W
o
分别表示遗忘门、输入门、单元格状态和输出门与输入向量f(X
t
,A)连接的矩阵权重； b
f
、b
l
、b
C
和b
o
分别表示遗忘门、输入门、单元格状态和输出门的偏置项；U
f
、 U
l
、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的空域碳排放短期预测方法，其特征在于，包括：步骤1、获取碳排放预测的目标空域内航路航线结构，构建扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A；步骤2、获取各扇区对应的碳排放数据并进行预处理，构建扇区碳排放时间序列；步骤3、构建图卷积神经网络GCN和长短期记忆网络LSTM耦合的深度学习GCN
‑
LSTM空域碳排放模型；步骤4、基于步骤1得到的空域各扇区间的邻接矩阵A和步骤2得到的扇区碳排放时间序列，对深度学习GCN
‑
LSTM空域碳排放模型进行训练、测试，得到训练好的深度学习GCN
‑
LSTM空域碳排放模型；步骤5、获取待预时间段前的历史空域碳排放数据，利用训练好的深度学习GCN
‑
LSTM空域碳排放模型进行空域碳排放短期预测。2.根据权利要求1所述的一种基于图神经网络的空域碳排放短期预测方法，其特征在于，构建空域扇区网络拓扑结构，获得空域各扇区间的邻接矩阵A，包括：使用无向无权图描述空域内扇区网络拓扑结构，其中图的节点集合代表扇区集合，N代表节点的数量；ε表示图的连边集合；邻接矩阵代表扇区之间的航班移交关系，所述邻接矩阵为0
‑
1矩阵，1代表扇区之间具有航班移交关系，0代表扇区之间不具有航班移交关系，表示集合。3.根据权利要求1所述的一种基于图神经网络的空域碳排放短期预测方法，其特征在于，构建扇区碳排放时间序列，包括：收集一段时间内碳排放预测的目标空域对应的航班运行碳排放数据；统计不同扇区单元不同时间段的碳排放数据，构建空域碳排放矩阵；然后对空域碳排放矩阵进行预处理、归一化处理，最后将归一化的空域碳排放矩阵按照一定的比例划分为训练集和测试集。4.根据权利要求1所述的一种基于图神经网络的空域碳排放短期预测方法，其特征在于，所述深度学习GCN
‑
LSTM空域碳排放模型包含图卷积神经网络GCN模型、长短期记忆网络LSTM模型以及1个全连接层；GCN模型由二层GCN Cell组成，其中第二层GCN Cell与第一层LSTM Cell连接，用于传递空间特征信息；LSTM模型由M层LSTM Cell组成并按照顺序依次连接，用于学习时间特征信息；第M层LSTM Cell与1个全连接层连接，用于输出学习的时序特征；当GCN模型包含二层GCN Cell时，表达为：f(X,A)＝σ(AReLU(AXW0)W1)其中X为扇区碳排放时间序列，A为邻接矩阵；A＝D
‑
1/2
AD
‑
1/2
表示预处理步骤，是具有自连接结构的邻接矩阵，，I表示单位矩阵，D表示度矩阵，D
ii
＝∑
j
A
ij
,代表从输入层到隐含层的权重矩阵，表示从隐含层到输出层的权重矩阵，σ(
·
)和ReLU(
·
)表示激活函数；P表示扇区碳排放时间序列的长度；H表示隐含单元数量；T表示预测时间长度；i表示空域网络的节点；j表示网络节点属性；将通过GCN Cell学习的带有扇区网络空间特征信息的空域碳排放时间序列输入到
LSTM Cell，通过多个LSTM Cell之间的信息传递，学习得到空域碳排放时间特征，具体计算如下：首先由遗忘门f
t
通过查看第t
‑
1时刻的空域碳排放量输出值h
t
‑1与第t时刻的空域碳排放量输入值f(X
t
,A)来决定单元格状态C
i
，即：遗忘门：f
t
＝σ(W
f
·
f(X
t
,A)+U
f
h
t
‑1+b
f
)其次由输入门l
t
决定单元内部更新的数值与单元格状态，即：输入门：l
t
＝σ(W
l
·
f(X
t
,A)+U
l
h
t
‑1+b
l
)单元格状态：单元格状态：最后由输出门决定当前第t时刻排放量的输出情况，即：输出门：o<...

【专利技术属性】
技术研发人员：万俊强，张洪海，杨磊，宁常远，杜婧涵，耿孙悦，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：