[发明专利]一种边云协同支撑的空中交通态势智能感知系统

权利要求书

1.一种边云协同支撑的空中交通态势智能感知系统，包括采集层、分析层和应用层；

其中分析层和应用层分别部署于空中交通态势智能感知系统的边缘节点与云中心节点；

所述采集层用于采集空管运行终端产生的话音、文本、图片视频数据，并将数据传输到分析层；

所述分析层的边缘节点基于多粒度表征学习以及异步数据关联技术完成对采集层异构数据融合，基于实体识别与关系抽取技术提取结构化特征信息，形成各个民航地区空中交通管理局的局部态势；

所述应用层用于云中心融合边缘节点中各个民航地区空中交通管理局的局部态势，形成全局的空中交通态势；

所述分析层内部采用层级结构，分为一级边缘节点、二级边缘节点和三级边缘节点，其中，一级边缘节点形成地区所辖区域内的运行态势；二级边缘节点形成各地区管理局下设的省空管单位所辖区域内的运行态势；三级边缘节点形成本管制区域的运行态势；

系统执行如下步骤：

步骤S1，在采集层，空管运行终端的数据经过去除异常、错误数据的处理后，上传到分析层；

步骤S2，在分析层，边缘节点按照数据处理模型分析数据，形成局部态势，将处理结果上传到云中心；

步骤S3，在应用层，云中心关联分析各局部的态势，形成全局的空中交通态势；

步骤S4，云中心根据全局的空中交通需求和服务能力，重新配置空中交通资源、开展业务编排；将业务编排的实例下发给边缘节点；

步骤S5，在边缘节点，执行云中心下发的新的业务实例；

步骤S6，返回执行步骤S1，重新采集数据、配置空中交通资源，直到满足动态的空中交通需求；

步骤S2包括以下步骤：

步骤S2-1，在采集层，空管运行终端上传训练AI模型需要的数据到云中心；

步骤S2-2，在应用层，云中心基于全局的业务需求、采集层获取的历史数据、实时数据和AI执行反馈开展集中式AI模型训练，将训练好的AI模型下发到边缘节点，在应用层中包括多模态融合模型，多模态融合模型用于感知实时数据，将数据融合后提取信息；

步骤S2-3，在分析层，边缘节点执行云中心下发的AI模型，将执行结果反馈给云中心；

步骤S2-4，执行步骤S2-2，直到云中心训练的AI模型满足空中交通运行的动态需求；

步骤S2-2包括：定义多模态融合模型的总损失包括掩码语言建模损失、掩码目标建模损失和跨模态语义匹配损失，掩码语言建模损失是文本数据中词语间的语义依赖程度，掩码目标建模损失是图像数据中纹理间的语义依赖程度，跨模态语义匹配损失是图像与文本的语义单位间的依赖程度；

多模态融合处理包括掩码语言建模、掩码目标建模和跨模态语义匹配：

在掩码语言建模中，训练目标是使语言表示联合概率分布最大化，即双向掩码语言模型的联合概率分布：

其中，T表示输入文本的最大长度；m_t用于指示第t位上的文本元素是否被遮掩，m_t＝1表示该元素被遮掩，m_t＝0表示未被遮掩；表示已知文本信息时推导出被遮掩部分的条件概率；表示已知文本，x_t表示文本中第t位元素；

引入图像数据信息，训练目标变为：

的图像信息、短语表征和已知文本部分，从而推出被遮掩部分的条件概率；

使用掩码[MASK]随机遮掩输入词语，将加入掩码后的句子输入预训练模型，输出为需要预测的被遮掩词语；

掩码目标建模中，训练目标为：

其中，表示从已知图像信息中推导出遮掩部分的条件概率，在训练目标中，不需要使用全部的文本信息，只需要使用动态目标对应的文本内容根据训练目标，使用掩码[MASK]随机遮掩输入图像，将加入掩码后的图像序列信息输入预训练模型，输出为需要预测的被遮掩目标，通过以上步骤对多模态数据进行融合，实现边缘节点态势感知；

跨模态语义匹配针对图像数据和文本数据进行语义匹配，将描述相同事件的文本数据与图像数据在统一空间中融合，通过对关联的数据设计标签，进而使用有监督学习完成语义匹配任务，使用如下公式计算不同模态的关联程度：

ρ(X_t1,Y_t2)＝α|t1-t2|+βX_t1^TY_t2 (4)

其中ρ(X_t1,Y_t2)表示不同模态的数据X_t1和Y_t2之间的关联程度，分别由时间间隔|t1-t2|和语义相似度X_t1^TY_t2进行加权求和；α和β表示系数，满足α+β＝1；t1、t2是两个不同的时刻。

2.根据权利要求1所述的系统，其特征在于，应用层能够按需调取原始数据。