[發(fā)明專利]一種基于時空圖卷積網(wǎng)絡(luò)的空域扇區(qū)復(fù)雜度預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202210755854.5
• 申請日: 2022-06-29
• 公開（公告）號: CN115223402B
• 公開（公告）日: 2023-05-26
• 發(fā)明（設(shè)計）人: 杜文博;李碧月;徐敬仁;郭通;張學(xué)軍
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G08G5/00
• 分類號: G08G5/00;G06N3/045;G06N3/042;G06N3/0442;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 北京永創(chuàng)新實(shí)專利事務(wù)所 11121
• 代理人: 周長琪

1.一種基于時空圖卷積網(wǎng)絡(luò)的空域扇區(qū)復(fù)雜度預(yù)測方法，其特征在于，包括如下步驟：

步驟1：獲取空域扇區(qū)數(shù)據(jù)集，基于扇區(qū)之間的中心距離和航班流量構(gòu)建扇區(qū)的拓?fù)鋱D，計算扇區(qū)的鄰接矩陣W；鄰接矩陣中元素w_ij表示扇區(qū)i對扇區(qū)j的貢獻(xiàn)度；

步驟2：基于圖卷積神經(jīng)網(wǎng)絡(luò)和門控卷積神經(jīng)網(wǎng)絡(luò)搭建空域扇區(qū)復(fù)雜度預(yù)測模型；

所述的預(yù)測模型包括兩個時空卷積模塊、輸出層和分類層；所述的時空卷積模塊包括兩個門控卷積神經(jīng)網(wǎng)絡(luò)和一個圖卷積神經(jīng)網(wǎng)絡(luò)，圖卷積神經(jīng)網(wǎng)絡(luò)位于兩個門控卷積神經(jīng)網(wǎng)絡(luò)之間；

所述的圖卷積神經(jīng)網(wǎng)絡(luò)對輸入的信號x執(zhí)行圖卷積，提取扇區(qū)拓?fù)涮卣鳎硎救缦拢?/p>

Θ*Gx＝Θ(L)x＝Θ(UΛU^T)x＝UΘ(Λ)U^Tx

其中，*G為圖卷積操作符號，Θ為圖卷積核，L為歸一化拉普拉斯矩陣，U是矩陣L的特征向量組成的矩陣，Λ是矩陣L的特征值組成的矩陣；利用鄰接矩陣W計算歸一化拉普拉斯矩陣L；利用切比雪夫逼近得到圖卷積核Θ；

所述的門控卷積神經(jīng)網(wǎng)絡(luò)，用于提取時間序列特征；第一時空卷積模塊的第一門控卷積神經(jīng)網(wǎng)絡(luò)輸入的信號為n個扇區(qū)過去H個連續(xù)時刻的復(fù)雜度因子；

所述的輸出層將時空卷積模塊的輸出數(shù)據(jù)在時間軸進(jìn)行歸一化，輸出預(yù)測時間的空域扇區(qū)復(fù)雜度；

所述的分類層對輸出層輸出的預(yù)測序列處理，輸出扇區(qū)復(fù)雜度；

步驟3：利用空域扇區(qū)數(shù)據(jù)集對所述的空域扇區(qū)復(fù)雜度預(yù)測模型進(jìn)行訓(xùn)練，將實(shí)時獲取的空域扇區(qū)的復(fù)雜度因子輸入訓(xùn)練后的預(yù)測模型，預(yù)測未來時刻的扇區(qū)復(fù)雜度。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的步驟1中，對飛機(jī)航線建模：飛機(jī)從一個扇區(qū)的中心起飛，且往另一扇區(qū)為直線飛行，將飛機(jī)航線建模為兩扇區(qū)中心的連線，設(shè)扇區(qū)i與扇區(qū)k之間的中心距離為m_ik，z_ikj為m_ik位于扇區(qū)j內(nèi)的航線長度；則計算扇區(qū)i與扇區(qū)j之間的航班流量貢獻(xiàn)度如下：

其中，flow_ik為數(shù)據(jù)集中從扇區(qū)i到扇區(qū)k的實(shí)際航班量，若從扇區(qū)i到扇區(qū)k的航線未經(jīng)過扇區(qū)j，z_ikj＝0；

則計算鄰接矩陣W中元素w_ij如下：

其中，參數(shù)σ²用于控制權(quán)重的大小和分布。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的方法輸入空域扇區(qū)復(fù)雜度預(yù)測模型的數(shù)據(jù)預(yù)先進(jìn)行歸一化處理，歸一化方式是：對每一個扇區(qū)的每一個特征分別歸一化，特征的每一個樣本均需要減去該扇區(qū)中該特征的均值并除以方差。

4.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述的步驟2中，計算矩陣L的方法包括：

首先計算度矩陣D，其非對角元素d_ij＝0(i≠j)，其對角線元素d_ij為鄰接矩陣W對應(yīng)行元素之和，如下：

其次，初始化拉普拉斯矩陣L，矩陣L的對角線元素為矩陣D中對應(yīng)的對角線元素，矩陣L的其余元素為鄰接矩陣W中對應(yīng)位置元素的相反數(shù)；

最后，利用度矩陣D來歸一化拉普拉斯矩陣L，如下：

歸一化后矩陣L的對角線元素一定為1，其余元素在-1與0之間。

5.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述的步驟2中，利用切比雪夫逼近圖卷積核Θ時，圖卷積表示為：

其中，λ_max為矩陣L的最大特征值，I_n為單位矩陣，θ_k是多項(xiàng)式系數(shù)；K表示圖卷積核的大小；

切比雪夫K階逼近為：初始化