[发明专利]基于长短期数据预测模型的机场空域流量预测方法

说明书

本发明公开了基于长短期数据预测模型的机场空域流量预测方法，包括S10，收集数据；S20，数据处理；S30，训练长短期数据记忆模型；S40，模型预测；S50，交互式展示；其中，训练长短期数据记忆模型为，设定Dropout层断开30％的神经元节点，并将训练数据集x输入到长短期数据记忆模型中去，使用自适应学习率算法进行随机优化，使模型在训练过程中当参数损失偏导值超过预设值时，有一个高于阈值的学习率；当参数的损失偏导值低于预设值时，有一个低于阈值的学习率；采用tanh为激活函数，使参数在(0,1)范围内越接近0时导数值越大。本发明通过对机场进出港航班历史数据、机场当天的气象情况的分析学习，训练长短期数据记忆模型，预测未来一段时间机场进港、离港流量。

技术领域

本发明属于模型预测技术领域，涉及一种基于长短期数据预测模型的机场空域流量预测方法。

背景技术

随着我国民航领域的不断发展，空域拥挤以及航班延误现象也越发显得突出。而传统优化空域结构；更新空中交通设施设备；增加保障人员；优化机场运行管理程序；改进场面运行环境等等措施，在一定程度上缓解了航班延误的情况。但由于缺乏空中交通流量管理系统的建设支持，空中拥挤、航班延误、航班流量控制等问题始终无法得到有效解决，仅仅使用空管自动化系统承担流量管理任务的传统做法已经不能适应现阶段航班流量的快速增长所带来的新问题。

我国在机场建设流量预测与流量管理方面的研究比较少，一直到二十世纪末都没有一套完整的流量管理体系。但是随着民航运输量的增多，空中交通冲突越來越多，飞机经常延误，造成了巨大损失。在这种背景下，许多专家学者开始投入精力来研究空中交通流量相关技术。直到2005年，在在民航局的牵头下，研发出了第一个具有自主知识产权的空中交通流量预测系统即空域管理与评估系统。该系统被推广到了各大机场，经过一段时间的运营发现，系统的预测准确率相对较高，但是其存在的缺陷是未融入气象预测、空中管控等资料，在天气发生变化、航空管制的时候，准确率就会降低。

现有技术中基于ARIMA的时间序列流量预测模型，是一种差分整合移动平均自回归模型。该模型利用时间点和流量这两个维度进行时间序列的预测；另一种是利用BP神经网络来预测，该方法是一种按误差逆传播算法训练的多层前馈网络模型。而ARIMA算法维度利用太少，仅能通过时间和流量两个维度来预测，不能满足复杂多变的实际情况；BP神经网络很可能由于在训练过程中收敛于局部极小值，从而产生较大误差。

发明内容

本发明通过对机场进出港航班历史数据、机场当天的气象情况的分析学习，训练长短期数据记忆模型，预测未来一段时间机场进港、离港流量。

为实现上述目的，本发明的技术方案为基于长短期数据预测模型的机场空域流量预测方法，包括以下步骤：

S10，收集数据；

S20，数据处理；

S30，训练长短期数据记忆模型；

S40，模型预测；

S50，交互式展示；

其中，训练长短期数据记忆模型为，设定Dropout层断开30％的神经元节点，并将训练数据集x输入到长短期数据记忆模型中去，使用自适应学习率算法进行随机优化，使模型在训练过程中当参数损失偏导值超过预设值时，有一个高于阈值的学习率；当参数的损失偏导值低于预设值时，有一个低于阈值的学习率；采用tanh为激活函数，使参数在(0,1)范围内越接近0时导数值越大。

优选地，所述收集数据，包括从航空公司和机场网站上搜集航班数据，从天气网站上搜集全国各地的天气数据。

优选地，所述数据处理包括：数据清洗，并结构化目标数据；将标准结构化数据进行min-max归一化，使用Scaler函数对数据处理，使数据处于(0,1)之间，避免某一数据突然增大对整个模型造成影响，并将结果存入数据库中。