[发明专利]一种航空流量预测方法

权利要求书

1.一种航空流量预测方法，其特征在于，包括如下步骤：

S1：基于空间注意力机制和时间注意力机制，构建时空注意力模块，为航路点附近的节点施加不同权重；

S2：基于空间维度上的图卷积和时间维度上的标准卷积，构建时空卷积模块；

S3：利用步骤S1中构建的时空注意力模块和步骤S2中构建的时空卷积模块，构成一个时空块，通过叠加多个时空块并最后增加一个全连接层，分别构成小时部分、天部分和周部分三个部分，最终构建带有注意力机制的时空图卷积神经网络，其中，小时部分包括了临近的M个时段；天部分包括了一天以及n，n7天相同时段的多个时间序列；周部分包括了一周以及t周相同时段的多个时间序列；

S4：利用航空流量历史数据对构建的时空图卷积神经网络进行学习，获得小时部分、天部分和周部分三个部分的不同影响参数，所述航空流量历史数据包括三个特征值：速度、流量、时间占有率；

利用式（15）将小时部分、天部分和周部分三个部分整合输出：

（15）

其中，、与为学习参数，分别反应航路流量预测中小时部分、天部分和周部分三个部分的不同影响参数；、、分别表示小时部分、天部分和周部分三个部分的预测结果；表示最终的预测结果；

S5：按照不同飞行层向时空图卷积神经网络输入不同高度层的各个节点的航空流量历史数据，得到每个高度层的航路流量预测，之后通过加权算法对总体航空流量进行预测，具体过程为：

定义P_m为第m飞行层的权重系数，不同层的飞机数量不同；不同高度飞行层的飞机航行速度也不同，因此P_m与第m飞行层的飞机数量以及飞行航行速度有关，得到加权算法，其中，表示第m飞行层的飞机数量，表示第m飞行层的飞机航行速度，，，均服从某个正态分布概率，与第m飞行层有关。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，

空间注意力机制为：

使用注意力机制自适应地捕捉空间维度中节点之间的动态关联性，空间维度中小时部分的信息为：

（1）

（2）

其中，小时部分注意力矩阵表示N*N的向量，N代表N个观察的航路点；、为学习参数；表示sigmoid函数，作为神经网络的激励函数；为输入矩阵，C代表航路点的特征，代表输入的T个小时时间段；下标h表示小时部分；上标r-1表示第r-1层时空模块，当r=1时X⁰为对应当前小时的输入；、、三个参数为权重值，、、，代表航路点i和j之间的连接关系，的公式表示为softmax函数的表达形式，目的是将小时部分注意力矩阵归一化；

同理，空间维度中天部分的信息为：

（3）

其中，天部分注意力矩阵表示N*N的向量，N代表N个观察的航路点；代表输入的T天时间段；下标d表示天部分；当r=1时X⁰为对应当前天的输入；将天部分注意力矩阵归一化同式（2）；

空间维度中周部分的信息为：

（4）

其中，周部分注意力矩阵表示N*N的向量，N代表N个观察的航路点；代表输入的T周时间段；下标表示天部分；当r=1时X⁰为对应当前周的输入；将周部分注意力矩阵归一化同式（2）；

时间注意力机制为：

使用注意力机制来自适应地赋予输入的节点航空流量历史数据不同的权重，其中，权重中小时部分的信息为：

（5）

（6）

其中，表示小时部分时间关系矩阵；、、三个参数为权重值，、、、，为学习参数；为时间i与j之间的依赖强度；的公式表示是softmax函数的表现形式；最后E使用softmax函数归一化，将归一化后的注意力矩阵E’和输入矩阵X进行相乘得到最终输入，同理获得权重中天部分和周部分信息分别为：

（7）

（8）

其中，表示天部分时间关系矩阵；表示周部分时间关系矩阵。

3.根据权利要求2所述的方法，其特征在于，步骤S2中，

采用切比雪夫多项式近似进行空间维度上的图卷积：

（9）

其中，*G代表一种图卷积操作；为卷积核；x表示整个图中所有的信息；为多项式系数的向量；L表示拉普拉斯矩阵；表示拉普拉斯矩阵的一个变换；下标k表示0到k-1阶邻居；

（10）

其中，λmax是拉普拉斯矩阵L的最大特征值；为N阶单位矩阵；切比雪夫多项式的迭代关系为：

（11）

（12）

用卷积核提取0到k-1阶邻居的信息，将空间注意力机制用于该图卷积过程则为：

（13）

其中，⊙为哈达玛积；表示空间注意力矩阵；此外，由于输入数据，因此对每个时间步要有C个滤波器，

通过采用切比雪夫多项式近似进行空间维度上的图卷积，每个节点的信息都被周围0到k-1个节点的信息更新了，

通过采用切比雪夫多项式近似进行空间维度上的图卷积获取了邻域信息之后，再叠加时间维度上的标准卷积层，在时间维度进一步合并相邻的时间信息，

（14）

其中，表示第r层的小时部分的时间卷积模块的输入；*表示标准卷积运算；为时间维度卷积核的参数；ReLU为激活函数；表示从1到r-1层的小时部分时间卷积模块的输入的拉普拉斯矩阵变换的值。