[發明專利]一種基于時空圖卷積網絡的空域扇區復雜度預測方法

有效

• 申請號: 202210755854.5
• 申請日: 2022-06-29
• 公開（公告）號: CN115223402B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 杜文博;李碧月;徐敬仁;郭通;張學軍
• 申請（專利權）人: 北京航空航天大學
• 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: 北京永創新實專利事務所 11121
• 代理人: 周長琪

本發明提供了一種基于時空圖卷積網絡的空域扇區復雜度預測方法，用于空中交通環境預測。本發明方法首先獲取空域扇區數據集，基于扇區之間的中心距離和航班流量構建扇區的拓撲圖，計算扇區的鄰接矩陣；然后搭建空域扇區復雜度預測模型，預測模型包括兩個時空卷積模塊、輸出層和分類層，時空卷積模塊包括兩個門控卷積神經網絡和一個圖卷積神經網絡；利用空域扇區數據集對預測模型進行訓練，將實時獲取的空域扇區的復雜度因子輸入預測模型，預測未來時刻的扇區復雜度。本發明考慮了多扇區之間的空間鄰接關系，能夠利用圖卷積網絡充分挖掘空域復雜度的空間特征，提取到空域復雜度在扇區拓撲網絡上的傳遞規律，大大提升對未來空域復雜度的預測效果。

技術領域

本發明涉及空中交通環境預測、空中交通管制等技術領域，具體涉及一種基于時空圖卷積網絡的空域扇區復雜度預測方法。

背景技術

近年來，我國相較于世界大部分地區，在航空量的增長趨勢上尤為明顯，空管系統面臨著十分嚴峻的挑戰。常規的空管體系是以管制員為主體來提供服務的，并將多個空域劃分為更細的扇區，每一扇區由一位管制員負責，但復雜的空中交通運作態勢會給管制員帶來極大負擔。一方面，為使扇區內復雜度保持在管制員可承受范圍內，管制員會采取戰術級流量管制措施如等待或繞飛等，這在一定程度上會造成航班延誤；另一方面，由于復雜度等級目前并沒有一個確切的計算公式，全由管制專家的經驗判斷，高維的復雜度特征因子容易讓管制員誤判，無法做到準確的實時預測，導致扇區內運行安全風險提升，進而引發飛行事故。因此，建立一個智能化系統來預測未來扇區的復雜度，可以大大降低人為的非實時性和不可靠性，并幫助管制員提前做出管制決策，從而實現提前的空中交通動態規劃，這是非常有意義的。

空域扇區復雜度預測在空中交通管制領域是被廣泛研究的課題之一。該課題研究的是：利用n個空域扇區在過去一段連續時間的28維特征因子，通過一定方法提取歷史序列的特征，從而預測出未來某時刻空域扇區的復雜度等級(高、中、低)。現有空域扇區復雜度預測技術，如參考文獻1：王超,楊樂.空域扇區流量與擁塞預測的概率方法[J].西南交通大學學報,2011,046(001):162-166，依據航空器在扇區內停留時間來建立概率模型，但是沒有考慮扇區之間的空間依賴關系，在短時空域復雜度預測上所取得的效果并不好。此外，目前空域扇區復雜度仍大部分人為根據經驗判斷，具有非實時性和不可靠性。

圖卷積神經網絡(GCN)在最近興起，其作用的對象是不具備規則空間特征的數據，如推薦系統、電子交易、分子結構等抽象出來的圖譜。這些圖譜具有拓撲圖特征，即一個節點可能與其余多個節點相連，也可能不相連。常規的卷積神經網絡在這些不規則的空間結構上不起作用，而GCN通過人為設計卷積核的部分權重，可以有效提取拓撲圖的空間特征，并在使用矩陣逼近的相關算法后，高復雜度的圖卷積操作被簡化為高效的矩陣乘積操作，使得GCN在實時性要求極高的交通流量預測上得以推廣。

門控卷積神經網絡(Gated?CNN)通過在時間軸上對每一個特征因子序列做一維卷積，并使用GLU(Gated?Liner?Unit)作為激活函數，可以有效提取數據的時間特征，且相比于常規的序列預測網絡RNN復雜度更低，反應速度更快。

發明內容

針對目前空域扇區復雜度由人為根據經驗判斷，具有人為的非實時性和不可靠性，而現有技術建立的概率模型在短時空域復雜度預測上所取得的效果較差等問題，本發明提供了一種基于時空圖卷積網絡的空域扇區復雜度預測方法，基于GCN和Gated?CNN實現空域扇區復雜度預測，以解決上述問題。

本發明的一種基于時空圖卷積網絡的空域扇區復雜度預測方法，包括如下步驟：

步驟1：獲取空域扇區數據集，基于扇區之間的中心距離和航班流量構建扇區的拓撲圖；計算扇區的鄰接矩陣W，鄰接矩陣中元素w_ij表示扇區i對扇區j的貢獻度；

步驟2：基于圖卷積神經網絡和門控卷積神經網絡搭建空域扇區復雜度預測模型；