[发明专利]一种基于时空图卷积网络的空域扇区复杂度预测方法

权利要求书

1.一种基于时空图卷积网络的空域扇区复杂度预测方法，其特征在于，包括如下步骤：

步骤1：获取空域扇区数据集，基于扇区之间的中心距离和航班流量构建扇区的拓扑图，计算扇区的邻接矩阵W；邻接矩阵中元素w_ij表示扇区i对扇区j的贡献度；

步骤2：基于图卷积神经网络和门控卷积神经网络搭建空域扇区复杂度预测模型；

所述的预测模型包括两个时空卷积模块、输出层和分类层；所述的时空卷积模块包括两个门控卷积神经网络和一个图卷积神经网络，图卷积神经网络位于两个门控卷积神经网络之间；

所述的图卷积神经网络对输入的信号x执行图卷积，提取扇区拓扑特征，表示如下：

Θ*Gx＝Θ(L)x＝Θ(UΛU^T)x＝UΘ(Λ)U^Tx

其中，*G为图卷积操作符号，Θ为图卷积核，L为归一化拉普拉斯矩阵，U是矩阵L的特征向量组成的矩阵，Λ是矩阵L的特征值组成的矩阵；利用邻接矩阵W计算归一化拉普拉斯矩阵L；利用切比雪夫逼近得到图卷积核Θ；

所述的门控卷积神经网络，用于提取时间序列特征；第一时空卷积模块的第一门控卷积神经网络输入的信号为n个扇区过去H个连续时刻的复杂度因子；

所述的输出层将时空卷积模块的输出数据在时间轴进行归一化，输出预测时间的空域扇区复杂度；

所述的分类层对输出层输出的预测序列处理，输出扇区复杂度；

步骤3：利用空域扇区数据集对所述的空域扇区复杂度预测模型进行训练，将实时获取的空域扇区的复杂度因子输入训练后的预测模型，预测未来时刻的扇区复杂度。

2.根据权利要求1所述的方法，其特征在于，所述的步骤1中，对飞机航线建模：飞机从一个扇区的中心起飞，且往另一扇区为直线飞行，将飞机航线建模为两扇区中心的连线，设扇区i与扇区k之间的中心距离为m_ik，z_ikj为m_ik位于扇区j内的航线长度；则计算扇区i与扇区j之间的航班流量贡献度如下：

其中，flow_ik为数据集中从扇区i到扇区k的实际航班量，若从扇区i到扇区k的航线未经过扇区j，z_ikj＝0；

则计算邻接矩阵W中元素w_ij如下：

其中，参数σ²用于控制权重的大小和分布。

3.根据权利要求1所述的方法，其特征在于，所述的方法输入空域扇区复杂度预测模型的数据预先进行归一化处理，归一化方式是：对每一个扇区的每一个特征分别归一化，特征的每一个样本均需要减去该扇区中该特征的均值并除以方差。

4.根据权利要求1或2所述的方法，其特征在于，所述的步骤2中，计算矩阵L的方法包括：

首先计算度矩阵D，其非对角元素d_ij＝0(i≠j)，其对角线元素d_ij为邻接矩阵W对应行元素之和，如下：

其次，初始化拉普拉斯矩阵L，矩阵L的对角线元素为矩阵D中对应的对角线元素，矩阵L的其余元素为邻接矩阵W中对应位置元素的相反数；

最后，利用度矩阵D来归一化拉普拉斯矩阵L，如下：

归一化后矩阵L的对角线元素一定为1，其余元素在-1与0之间。

5.根据权利要求1或2所述的方法，其特征在于，所述的步骤2中，利用切比雪夫逼近图卷积核Θ时，图卷积表示为：

其中，λ_max为矩阵L的最大特征值，I_n为单位矩阵，θ_k是多项式系数；K表示图卷积核的大小；

切比雪夫K阶逼近为：初始化