[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

说明书

本发明提供了一种基于时空图卷积网络的空域扇区复杂度预测方法，用于空中交通环境预测。本发明方法首先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；然后搭建空域扇区复杂度预测模型，预测模型包括两个时空卷积模块、输出层和分类层，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；利用空域扇区数据集对预测模型进行训练，将实时获取的空域扇区的复杂度因子输入预测模型，预测未来时刻的扇区复杂度。本发明考虑了多扇区之间的空间邻接关系，能够利用图卷积网络充分挖掘空域复杂度的空间特征，提取到空域复杂度在扇区拓扑网络上的传递规律，大大提升对未来空域复杂度的预测效果。

技术领域

本发明涉及空中交通环境预测、空中交通管制等技术领域，具体涉及一种基于时空图卷积网络的空域扇区复杂度预测方法。

背景技术

近年来，我国相较于世界大部分地区，在航空量的增长趋势上尤为明显，空管系统面临着十分严峻的挑战。常规的空管体系是以管制员为主体来提供服务的，并将多个空域划分为更细的扇区，每一扇区由一位管制员负责，但复杂的空中交通运作态势会给管制员带来极大负担。一方面，为使扇区内复杂度保持在管制员可承受范围内，管制员会采取战术级流量管制措施如等待或绕飞等，这在一定程度上会造成航班延误；另一方面，由于复杂度等级目前并没有一个确切的计算公式，全由管制专家的经验判断，高维的复杂度特征因子容易让管制员误判，无法做到准确的实时预测，导致扇区内运行安全风险提升，进而引发飞行事故。因此，建立一个智能化系统来预测未来扇区的复杂度，可以大大降低人为的非实时性和不可靠性，并帮助管制员提前做出管制决策，从而实现提前的空中交通动态规划，这是非常有意义的。

空域扇区复杂度预测在空中交通管制领域是被广泛研究的课题之一。该课题研究的是：利用n个空域扇区在过去一段连续时间的28维特征因子，通过一定方法提取历史序列的特征，从而预测出未来某时刻空域扇区的复杂度等级(高、中、低)。现有空域扇区复杂度预测技术，如参考文献1：王超,杨乐.空域扇区流量与拥塞预测的概率方法[J].西南交通大学学报,2011,046(001):162-166，依据航空器在扇区内停留时间来建立概率模型，但是没有考虑扇区之间的空间依赖关系，在短时空域复杂度预测上所取得的效果并不好。此外，目前空域扇区复杂度仍大部分人为根据经验判断，具有非实时性和不可靠性。

图卷积神经网络(GCN)在最近兴起，其作用的对象是不具备规则空间特征的数据，如推荐系统、电子交易、分子结构等抽象出来的图谱。这些图谱具有拓扑图特征，即一个节点可能与其余多个节点相连，也可能不相连。常规的卷积神经网络在这些不规则的空间结构上不起作用，而GCN通过人为设计卷积核的部分权重，可以有效提取拓扑图的空间特征，并在使用矩阵逼近的相关算法后，高复杂度的图卷积操作被简化为高效的矩阵乘积操作，使得GCN在实时性要求极高的交通流量预测上得以推广。

门控卷积神经网络(Gated CNN)通过在时间轴上对每一个特征因子序列做一维卷积，并使用GLU(Gated Liner Unit)作为激活函数，可以有效提取数据的时间特征，且相比于常规的序列预测网络RNN复杂度更低，反应速度更快。

发明内容

针对目前空域扇区复杂度由人为根据经验判断，具有人为的非实时性和不可靠性，而现有技术建立的概率模型在短时空域复杂度预测上所取得的效果较差等问题，本发明提供了一种基于时空图卷积网络的空域扇区复杂度预测方法，基于GCN和Gated CNN实现空域扇区复杂度预测，以解决上述问题。

本发明的一种基于时空图卷积网络的空域扇区复杂度预测方法，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；