【技术实现步骤摘要】
本专利技术涉及机场航班延误预测，尤其涉及一种基于多维数据融合的机场航班延误预测方法。
技术介绍
1、机场航班延误主要由多种因素影响产生，除了天气、空中交通管制和机场地面运营管理等常见因素外，还有航空器在机场涉及航班进离港过程、地面滑行、登机和卸载等运行环节的影响因素，这些因素之间存在复杂的时空关联性。国内外相关研究主要采用分类模型、传统机器学习、深度神经网络等方法对机场航班起降延误进行预测，并在短时延误预测模型研究中获得了较好的应用。基于机场航空器运行的多维属性数据，在现有的机场延误预测模型的基础上，考虑航空器与机场的其他航班、地面不同资源交互作用产生的时间、空间和时空的特征，构建新的机场延误预测模型，进一步提高机场航班延误的实时预测数据精度和效率。
2、大规模数据集和传感器技术的日益广泛应用，推动着机场运营和管理进入了革命性的信息时代。大规模数据的适用性使机场运行控制中心(aocc)能够从航空大数据的角度捕捉复杂动态系统的潜在特征，如飞机轨迹、气象、网络系统等。数据的多样性为准确预测机场航班延误提供了更全面、更智能的数据支持。
3、然而，动态系统数据具有主体的复杂性和相互依赖性、维度的多样性以及时空维度的依赖性的特点。aocc系统包括人、设备、天气等子系统，这些因素可能独立影响航班延误，也可能对航班延误造成复合影响，由于子系统之间的复杂性和相互依赖性，提取的航班延误数据会受到多种因素的影响，有些难以直接用于功能模型，如人体应激反应、天气突变等。在aocc系统中，机场离港航班延误的研究对象是飞机的移动，这
技术实现思路
1、本专利技术旨在至少解决相关技术中存在的技术问题之一。为此，本专利技术提供一种基于多维数据融合的机场航班延误预测方法，结合三维卷积神经网络、图卷积神经网络和长短期记忆网络构建识别模型，将多属性数据生成空间数据变量、时空数据变量以及时间数据变量的输入变量，将空间数据变量输入到图卷积神经网络，提取数据空间特征；将时空数据变量输入三维卷积神经网络，获取具有空间时间依赖性的动态数据的时空特征；将时间数据变量输入到长短期记忆网络提取数据的时间特征；将空间特征和时空特征以及时间特征进行融合并输入长短期记忆网络进行延误识别，以机场起飞航班延误时间为输出变量，能够有效、准确地识别机场延误。
2、本专利技术提供一种基于多维数据融合的机场航班延误预测方法，包括：
3、s1：通过采集航空器在关舱门阶段，撤轮挡阶段，跑道等待阶段，起飞许可放行阶段和离地阶段发生的时间点，以及计算航空器的拥堵指数，选取包含空间特征、时间特征和时空特征的航空器运行状态的多属性数据；
4、s2：将多属性数据转换为空间数据变量、时空数据变量以及时间数据变量；
5、s3：将空间数据变量输入到图卷积神经网络，以窗口时刻运输拓扑网络的拥堵指数为基础，利用图卷积神经网络提取每个窗口时刻目标路段实际拥堵的空间特征；
6、s4：将时空数据变量输入三维卷积神经网络，从时间和空间维度计算特征，获取具有空间时间依赖性的动态数据的时空特征；
7、s5：将时间数据变量输入到长短期记忆网络提取数据的时间特征；
8、s6：将空间特征、时空特征以及时间特征进行融合，并输入长短期记忆网络进行延误识别，获得起飞航班延误时间。
9、根据本专利技术提供的一种基于多维数据融合的机场航班延误预测方法，还包括所述s1步骤中，根据固定时间间隔内航空器的数量与运行容量的比值估计机场的拥堵程度，计算航空器的拥堵指数，航空器拥堵指数的计算表达式为：
10、
11、其中，为航空器拥堵指数，为时间间隔，为期间航空器在空中或地面的移动状态值，为运行容量，为期间航空器在状态的滑行或移动时长，为航班在期间的所有运行航空器，为航空器数量。
12、根据本专利技术提供的一种基于多维数据融合的机场航班延误预测方法，还包括所述s2步骤中，空间数据变量的提取包括：
13、s21：以机场停车坪、滑行道、跑道和航道的经纬度坐标为点，航空器拥堵状态为连接弧形成的网络构建网络拓扑，网络拓扑表达式为：
14、
15、其中，为网络拓扑，为一组空中通道节点，，为节点数，为一组边；
16、s22：根据网络拓扑，定义邻接矩阵和特征矩阵；
17、邻接矩阵为空中通道之间的连接，，邻接矩阵只包含0和1的元素，0表示两条通道之间没有连接，1表示两条通道之间有连接；将各路段的拥堵指数信息作为网络节点的属性特性构成特征矩阵，，其中为节点属性特性的数量；
18、s23：基于网络拓扑和特征矩阵的学习映射函数，计算下一个时刻的拥堵指数：
19、
20、其中，为需要预测的时间序列的长度，为时刻每条通道的拥堵指数；
21、s24：计算下一个时刻的拥堵指数；
22、s25：根据机场的结构布局和机场各路段的拥堵指数提取空间数据。
23、根据本专利技术提供的一种基于多维数据融合的机场航班延误预测方法，还包括所述s2步骤中通过将航空器运行的关舱门阶段、撤轮挡阶段、跑道等待阶段、起飞许可放行阶段和离地阶段转换为运输网格，在运输网格的基础上添加航空器的动态状态，获得时空数据变量。
24、根据本专利技术提供的一种基于多维数据融合的机场航班延误预测方法，还包括所述s2步骤中将机组信息、航空公司信息、航空器信息和部分天气信息中影响每个航班延误的因素，通过one-hot编码转化为数字特征，获得时间数据变量。
25、根据本专利技术提供的一种基于多维数据融合的机场航班延误预测方法，还包括所述s3步骤中，通过图卷积神经网络进行空间特征提取，图卷积神经网络的表达式为：
26、
27、其中，为第层的节点特征矩阵，节点特征矩阵为一个的矩阵，为节点数量，为节点特征的维度，为邻接矩阵，为邻接矩阵的归一化版本，为单位矩阵，为的度矩阵，为第层的权重矩阵，用于将节点特征进行线性变换，为非线性模型的sigmoid function函数。
28、根据本专利技术提供的一种基于多维数据融合的机场航班延误预测方法，还包括所述s4步骤中，在二维卷积神经网络的卷积阶段进行三维卷积，从时间和空间维度计算特征；将卷积层中的特征映射连接到上一层中的多个相邻帧，获得机场航空器滑动信息，通过三维卷积神经网络提取时空特征的计算表达式为：
29、
30、其中，为第层第特征图在坐标（）的值，为第层第特征映射的偏差，为对与当前特征映射连接的层中本文档来自技高网...
【技术保护点】
1.一种基于多维数据融合的机场航班延误预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，所述S1步骤中，根据固定时间间隔内航空器的数量与运行容量的比值估计机场的拥堵程度，计算航空器的拥堵指数，航空器拥堵指数的计算表达式为：
3.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，所述S2步骤中，空间数据变量的提取包括：
4.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，所述S2步骤中通过将航空器运行的关舱门阶段、撤轮挡阶段、跑道等待阶段、起飞许可放行阶段和离地阶段转换为运输网格，在运输网格的基础上添加航空器的动态状态，获得时空数据变量。
5.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，所述S2步骤中将机组信息、航空公司信息、航空器信息和部分天气信息中影响每个航班延误的因素，通过one-hot编码转化为数字特征，获得时间数据变量。
6.根据权利要求1所述的一种基于多维数据融合的机
7.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，所述S4步骤中，在二维卷积神经网络的卷积阶段进行三维卷积，从时间和空间维度计算特征；将卷积层中的特征映射连接到上一层中的多个相邻帧，获得机场航空器滑动信息，通过三维卷积神经网络提取时空特征的计算表达式为：
8.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，所述S5步骤中，长短期记忆网络结构包括输入层、堆叠隐藏层和输出层，运用输入门、遗忘门和输出门的门机制以及细胞状态和隐藏状态提取时间特征；
9.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，运用L2正则化方法计算均方误差上的损失函数，均方误差上的损失函数计算表达式为：
10.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，运用平均绝对误差、均方根误差以及平均绝对百分比误差评价方法的性能，
...【技术特征摘要】
1.一种基于多维数据融合的机场航班延误预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，所述s1步骤中，根据固定时间间隔内航空器的数量与运行容量的比值估计机场的拥堵程度，计算航空器的拥堵指数，航空器拥堵指数的计算表达式为：
3.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，所述s2步骤中，空间数据变量的提取包括：
4.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，所述s2步骤中通过将航空器运行的关舱门阶段、撤轮挡阶段、跑道等待阶段、起飞许可放行阶段和离地阶段转换为运输网格，在运输网格的基础上添加航空器的动态状态，获得时空数据变量。
5.根据权利要求1所述的一种基于多维数据融合的机场航班延误预测方法，其特征在于，所述s2步骤中将机组信息、航空公司信息、航空器信息和部分天气信息中影响每个航班延误的因素，通过one-hot编码转化为数字特征，获得时间数据变量。
6.根据权利要求1所述的一种基于多维数...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。