面向气象场景分类的终端区空域飞行流量预测方法

阅读：评论：0

1.本发明属于空中交通管制的流量预测技术领域，具体涉及一种面向气象场景分类的终端区空域飞行流量预测方法。

背景技术：

2.随着空中交通需求的持续快速增长，基于多源数据和深度学习开展空中交通流量精细化预测成为一种趋势，其中天气已经成为空中交通管理中的关键制约因素。因此科学量化天气对空域流量的影响是制定合理的空中交通流量管理策略的重要前提，有必要对不同气象条件影响下的短期空中交通流量进行准确预测，这是实施空中交通流量管理的前提和基础，也是空域管理科学决策的重要依据。
3.空中交通流量(简称流量)是描述空中交通流的核心指标之一。流量预测是对未来一段时间、在某一空域范围内航空器数量的估计。根据预测范围的不同，流量预测可分为中长期和短期预测。流量短期预测服务于流量管理的战术阶段，一般以小时、分钟为单位，对未来24小时内交通流量的预测，动态实时性很强，对空管运行更具有指导作用和实际意义。而空中交通流量往往受天气影响，所以在考虑空域条件和天气不确定性的情况下进行有效的地准确地流量短期预测，是空中交通流量管理中迫切需要解决的基础性问题。
4.学者们对气象影响下交通流预测的研究中，首先在特征输入上，忽略了流控策略对交通流的影响。将复杂的终端区运行限制条件、交通状况与气象特征相结合的研究尚未有效展开。其次在预测模型上，主要集中于传统统计理论方法和单一的神经网络预测模型，然而单一模型存在不适用多特征时间序列预测的问题。接着在流量预测时的所考虑的气象场景上，主要针对整体气象场景下的流量预测，未考虑不同气象场景影响下流量变化间的差异，以及整体气象的复杂性，往往造成模型预测的精度不高。最后在由天气原因下发布运行限制造成的流量变化研究，尚未有效展开。

技术实现要素：

5.本发明的目的是提供一种面向气象场景分类的终端区空域飞行流量预测方法。
6.为了解决上述技术问题，本发明提供了一种面向气象场景分类的终端区空域飞行流量预测方法，包括：对终端区对流天气分类；对终端区数据进行预处理,构建终端区指标集；构建cnn-gru组合模型；验证cnn-gru组合模型的准确性。
7.本发明的有益效果：
8.(1)在终端区流量预测模型输入因素方面，考虑了不同对流天气气象场景下的差异，将气象场景分为两类，第1类为无对流或轻度对流天气影响，第2类为较重对流天气影响。考虑到流控策略特征对流量的影响，在训练集选取时加入流控策略特征，从终端区气象、交通、策略三类特征领域构建终端区流量预测训练集。
9.(2)在预测模型方面，将多因素引入作为输入特征，分别构建了cnn模型、gru模型、cnn-gru组合模型，并与传统的rnn和lstm模型进行了预测对比；并且验证了cnn-gru组合模
型预测精度较单一模型高，预测误差mse、mae、rmse平均降低了，evs有所提升。
10.(3)在实例验证方面，以广州白云机场终端区流量数据为例，验证了cnn-gru组合模型预测精度较单一模型高，预测误差mse、mae、rmse平均降低了，evs有所提升。
11.(4)本发明的终端区不同气象场景下的流量预测，有利于指导现实管制运行，从而进一步促进我国空中交通管理向精细化迈进。
附图说明
12.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1为本发明的实施例的面向气象场景分类的终端区空域飞行流量预测方法的流程图；
14.图2为本发明的实施例的气象场景分类过程；
15.图3为本发明的实施例的两类气象场景下的各时段流量状况；
16.图4为本发明的实施例的特征集构建流程；
17.图5为本发明的实施例的cnn-gru组合模型网络结构；
18.图6为本发明的实施例的较重对流天气下流量预测结果对比；
19.图7为本发明的实施例的无对流天气下流量预测结果对比；
20.图8为本发明的实施例的气象场景无分类下流量预测结果对比。
具体实施方式
21.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.如图1所示，本实施例提供了一种面向气象场景分类的终端区空域飞行流量预测方法，包括：对终端区对流天气分类；对终端区数据进行预处理,构建终端区指标集；构建cnn-gru组合模型；验证cnn-gru组合模型的准确性。
23.在本实施例中，对终端区对流天气分类包括：将处理后的waf气象图像作为神经网络训练集，构建cnn+kmeans++模型，将气象场景分为无对流或轻度对流天气影响和较重对流天气影响。
24.具体的，在收集目标终端区的waf数据时，考虑到现阶段空中交通流量预测大多忽视了不同对流天气场景下的差异性，以广州白云机场终端区为例，不同对流天气场景下的流量状态有很大区别，造成了预测模型无法分别对不同对流天气场景下的实际流量特征进行捕捉，因此将流量进行气象场景分类，对不同气象场景下的终端区短时流量进行预测，可提高终端区流量预测精度。
25.为分类不同气象场景，首先，引入一种基于cnn(convolutional neural network)图像模式的对流天气相似性识别方法,流程如图2所示。首先将处理后的waf气象图像作为
神经网络训练集，构建cnn+kmeans++模型实现对气象场景分类。发现当k值即聚类数目为2时，聚类效果最好，因此，将气象场景分为两类：第一类气象场景是无对流或轻度对流天气影响，终端区流量变化相对规律。第二类气象场景是较重对流天气影响，流量变化受天气影响较大，使得终端区流量变化规律不明显。图3直观展示了第一、二类气象场景下终端区各时段流量变化趋势，特征采样时间粒度为1hour，即每1hour的终端区实际流量。
26.由图3所示：横坐标代表每天的各个时段，时间粒度为1小时，每个时段下对比两种气象场景下的流量状态，由箱线图可知：第一类气象场景下的各时段流量箱线图相对第二类气象场景较偏平，说明第一类场景下的流量变化相对规律，且有早晚高峰的现象；第二类场景下的流量变化相较没有第一类的规律，且异常值点较多，同样具有早晚高峰的现象。
27.在本实施例中，对终端区数据进行预处理,构建终端区指标集包括：
28.基于已有研究成果，结合运行经验，挑选了并计算了能够定量反映空中交通气象状况、交通需求、延误状况与策略发布情况的指标。根据指标内涵，将所选指标分为交通特征、策略特征和气象特征三大类。整个指标集构建过程如图4所示。飞行计划数据包含计划执行时间信息；计划过点数据flylog数据主要记录了航班过各航路点信息用于计算交通特征，mit策略数据包含策略限制对象、限制时长及限制原因等用来计算策略特征，waf数据将区域对流天气严重程度被分为4个等级，通过计算单个时段整个终端区对流天气严重程度的总和以代表终端区对流天气状况，同时提取metar报文中需要的气象数据用来构建终端区其他环境状态特征。在构建数据集时对原始数据进行缺失值处理及噪声过滤等预处理；在预处理后数据的基础上，针对数据的多源异构性，分别依据航班号和时间对多源气象数据、运行交通数据及流量策略数据进行关联，以方便计算所需特征集。
29.在本实施例中，所述交通特征包括实际、计划流量，航班正常、取消架次，容流差，航班延误，平均延误时间，航班延误架次；所述策略特征包括流控策略发布的强度、平均流控间隔、策略激活状态；所述气象特征包括metar报文中的气象特征、waf对流天气、终端区天气指数。
30.在本实施例中，所述构建由cnn和gru组合的流量预测模型包括：构建cnn模型；构建gru模型；构建cnn-gru组合模型。
31.具体的，所述cnn模型包括输入层、卷积层、池化层、全连接层和输出层；
32.所述构建cnn模型包括：将构建的所述终端区特征集，依据时间序列与特征维度作为长宽的矩阵矩阵x
′
放入输入层，通过卷积层和池化层提取输入的终端区流量特征，经过池化层后的输出为：
[0033][0034]
式中：为第l层使用第c
l
个卷积核进行卷积和池化后所得航班流量的输出，l为cnn模型的深度，l∈{1,2,3,
…
}，c
l
∈{1,2,3,
…
,c
l
}，c
l
为卷积核最大个数；pool(
·
)为池化操作；x
l,a
为第l层第a个时间间隔终端区流量输入向量；为卷积运算；为第c
l
个卷积核的激活函数；和分别为第l层第c
l
个卷积核的权重和偏置向量；
[0035]
对卷积层和池化层的输出数据进行偏平化操作，即
[0036]
[0037]
式中：o
l
为第l-1层输出进行偏平化操作后所得的终端区流量输出；flatten(
·
)为偏平化操作；
[0038]
将卷积和池化层的运算输出放至全连接层，经全连接层可得终端区流量预测值，即y
cnn
(a)＝σ
cnn
(ω
cnnol
+b
cnn
)；
[0039]
式中：y
cnn
(a)为cnn模型所得的第a个时间间隔的终端区流量预测值；σ
cnn
、ω
cnn
和b
cnn
分别为cnn全连接层所选激活函数、权重和偏置向量。
[0040]
所述gru模型包括输入层、隐藏层和输出层，其中隐藏层包括更新门和重置门；
[0041]
构建gru模型包括：
[0042]
将所述依据时间序列与特征维度作为长宽的输入矩阵x
′
对应的隐藏层的记忆信息h为h＝(h1,h2,
…
,ha)；
[0043]
式中：h1～ha分别为第1～a个时间间隔内，gru神经网络所得终端区流量的记忆信息；
[0044]
在第a个时间间隔内，gru神经网络所得终端区流量的更新门和重置门的输出分别为za和ra，即
[0045]
za＝σz[ωz(ha,xa)+bz]；
[0046]
ra＝σr[(ωr(ha,xa)+br]；
[0047]
式中：σz和σr分别为更新门和重置门所选激活函数；ωz和ωr分别为更新门和重置们所选权重；bz和br分别为更新门和重置门所选偏置向量；xa是第a个时间间隔内的输入向量。
[0048]
基于za和ra可计算即
[0049][0050]
式中：为重置门控制前一状态时被写入到当前的侯选集的信息；和分别为计算时所选权重和偏置向量；
[0051]
将隐藏层的记忆信息放入全连接层即可得到gru神经网络在第a+1个时间间隔内交通状态预测值y
gru
(a+1)，即
[0052][0053]
式中：σ
gru
、ω
gru
和b
gru
分别为gru神经网络全连接层所选激活函数、权重和偏置向量。
[0054]
所述构建cnn-gru组合模型包括：
[0055]
将o
l
、h
a+1
和输入至全连接层，得到cnn-gru组合模型的航班流量预测值即
[0056][0057]
式中：和分别为cnn-gru组合模型全连接层所选激活函数、权重和偏置向量。
[0058]
执行cnn-gru组合模型的步骤包括：
[0059]
步骤1：将形状为样本数量、时间步长、特征数的三维数据，以构建的终端区特征数据序列x构造cnn-gru组合模型所需的输入矩阵，归一化后放至输入层。
[0060]
步骤2：然后将一维卷积神经网络(1d-cnn)与输入层相连，并通过最大池化处理变
为更短的时间序列。
[0061]
步骤3：将这些由cnn特征组成的短序列输入gru神经网络。
[0062]
步骤4：由cnn-gru组合模型的密集连接层得到终端区流量值。
[0063]
在本实施例中，经过不同架构的模型比较，选用由一个二维卷积网络和两个gru组合的模型用于预测短时终端区流量。选取最优模型参数，该模型由window_size＝24，fea_num＝23，训练次数为50、训练样本为64的3核二维卷积网络与gru128个神经元组合而成。选用更为复杂的两层卷积网络和4层gru组合的模型预测受策略影响流量，由时间步长为24、训练次数为50、训练样本数为64的3核和二维卷积网络与gru个256神经元组合而成。
[0064]
在本实施例中，可选的，利用可视化方法及实际运行数据，验证所提出的基于cnn-gru模型的终端区不同气象场景下流量预测模型的准确性，合理性的具体实施过程包括：
[0065]
利用均方误差(mean square error，mse)、平均绝对误差(mean absolute error,mae)、均方根误差(root mean square error,rmse)和解释方差分(explained variance score，evs)作为评价指标，分别采用如下公式计算：
[0066][0067][0068][0069][0070]
其中，y是真实值,是预测值，var是方差，n
samples
是样本数量。
[0071]
选取终端区数据集80％的数据作为训练样本，20％的数据作为测试样本。以广州白云机场终端区为例，将模型预测得到的数据进行反归一化处理，得到不同模型预测的各个误差项数据如表1所示。模型的预测结果对比如图6-8所示，可以发现在终端区流量预测方面，cnn-gru组合模型的预测效果均明显优于cnn模型与gru模型，提高了预测精度。
[0072]
表1：rnn、lstm、gru、cnn、cnn-gru模型预测误差
[0073][0074]
由此可见，未分类的航班流量预测误差明显高于气象场景分类后的两类不同气像下的终端区流量，终端区气象场景分类对于提高预测精度效果明显。对比cnn模型、gru模型与cnn-gru组合模型，对于第一、二类终端区流量以及受天气原因流控策略影响流量，组合模型的mse、mae、rmse相比单一模型都有所降低，组合模型的evs相比单一模型有所提升。
[0075]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

技术特征：

1.一种面向气象场景分类的终端区空域飞行流量预测方法，其特征在于，包括：对终端区对流天气分类；对终端区数据进行预处理,构建终端区指标集；构建cnn-gru组合模型；验证cnn-gru组合模型的准确性。2.如权利要求1所述的终端区空域飞行流量预测方法，其特征在于，所述对终端区对流天气分类包括：将处理后的waf气象图像作为神经网络训练集，构建cnn+kmeans++模型，将气象场景分为无对流或轻度对流天气影响和较重对流天气影响。3.如权利要求2所述的终端区空域飞行流量预测方法，其特征在于，所述终端区指标集包括：交通特征、策略特征和气象特征；其中所述交通特征包括实际、计划流量，航班正常、取消架次，容流差，航班延误，平均延误时间，航班延误架次；所述策略特征包括流控策略发布的强度、平均流控间隔、策略激活状态；所述气象特征包括metar报文中的气象特征、waf对流天气、终端区天气指数。4.如权利要求3所述的终端区空域飞行流量预测方法，其特征在于，所述构建由cnn和gru组合的流量预测模型包括：构建cnn模型；构建gru模型；构建cnn-gru组合模型。5.如权利要求4所述的终端区空域飞行流量预测方法，其特征在于，所述cnn模型包括输入层、卷积层、池化层、全连接层和输出层；所述构建cnn模型包括：将构建的所述终端区特征集，依据时间序列与特征维度作为长宽的矩阵x
′
放入输入层，通过卷积层和池化层提取输入的终端区特征，经过池化层后的输出为：式中：为第l层使用第c
l
个卷积核进行卷积和池化后所得航班流量的输出，l为cnn模型的深度，l∈{1,2,3,
…
}，c
l
∈{1,2,3,
…
,c
l
}，c
l
为卷积核最大个数；pool(
·
)为池化操作；x
l,a
为第l层第a个时间间隔终端区流量输入向量；为卷积运算；为第c
l
个卷积核的激活函数；和分别为第l层第c
l
个卷积核的权重和偏置向量；对卷积层和池化层的输出数据进行偏平化操作，即式中：o
l
为第l-1层输出进行偏平化操作后所得的终端区流量输出；flatten(
·
)为偏平化操作；将卷积和池化层的运算输出放至全连接层，经全连接层可得终端区流量预测值，即y
cnn
(a)＝σ
cnn
(ω
cnn
o
l
+b
cnn
)式中：y
cnn
(a)为cnn模型所得的第a个时间间隔的终端区流量预测值；σ
cnn
、ω
cnn
和b
cnn
分别为cnn全连接层所选激活函数、权重和偏置向量。
6.如权利要求5所述的终端区空域飞行流量预测方法，其特征在于，所述gru模型包括输入层、隐藏层和输出层，其中隐藏层包括更新门和重置门；构建gru模型包括：将所述依据时间序列与特征维度作为长宽的输入矩阵x
′
对应的隐藏层的记忆信息h为h＝(h1,h2,
…
,h
a
)式中：h1～h
a
分别为第1～a个时间间隔内，gru神经网络所得终端区流量的记忆信息；在第a个时间间隔内，gru神经网络所得终端区流量的更新门和重置门的输出分别为z
a
和r
a
，即z
a
＝σ
z
[ω
z
(h
a
,x
a
)+b
z
]r
a
＝σ
r
[(ω
r
(h
a
,x
a
)+b
r
]式中：σ
z
和σ
r
分别为更新门和重置门所选激活函数；ω
z
和ω
r
分别为更新门和重置们所选权重；b
z
和b
r
分别为更新门和重置门所选偏置向量；x
a
是第a个时间间隔内的输入向量。基于z
a
和r
a
可计算即式中：为重置门控制前一状态时被写入到当前的侯选集的信息；和分别为计算时所选权重和偏置向量；将隐藏层的记忆信息放入全连接层即可得到gru神经网络在第a+1个时间间隔内交通状态预测值y
gru
(a+1)，即式中：σ
gru
、ω
gru
和b
gru
分别为gru神经网络全连接层所选激活函数、权重和偏置向量。7.如权利要求6所述的终端区空域飞行流量预测方法，其特征在于，所述构建cnn-gru组合模型包括：将o
l
、h
a+1
和输入至全连接层，得到cnn-gru组合模型的航班流量预测值即式中：和分别为cnn-gru组合模型全连接层所选激活函数、权重和偏置向量。8.如权利要求7所述的终端区空域飞行流量预测方法，其特征在于，执行cnn-gru组合模型的步骤包括：步骤1：将形状为样本数量、时间步长、特征数的三维数据，以构建的终端区特征数据序列x构造cnn-gru组合模型所需的输入矩阵，归一化后放至输入层。步骤2：然后将一维卷积神经网络与输入层相连，并通过最大池化处理变为更短的时间序列。步骤3：将这些由cnn特征组成的短序列输入gru神经网络。步骤4：由cnn-gru组合模型的密集连接层得到终端区流量值。9.如权利要求8所述的终端区空域飞行流量预测方法，其特征在于，所述验证cnn-gru组合模型的准确性包括：利用均方误差、平均绝对误差、均方根误差和解释方差分作为评价指标；选取终端区数据集80％的数据作为训练样本，20％的数据作为测试样本；
将模型预测得到的数据进行反归一化处理，得到cnn-gru组合模型与不同模型预测的各个评价指标的数据。10.如权利要求9所述的终端区空域飞行流量预测方法，其特征在于，所述不同模型预测包括：rnn、lstm、gru、cnn模型。

技术总结

本发明属于空中交通管制的流量预测技术领域，具体涉及一种面向气象场景分类的终端区空域飞行流量预测方法。本面向气象场景分类的终端区空域飞行流量预测方法包括：对终端区对流天气分类；对终端区数据进行预处理,构建终端区指标集；构建CNN-GRU组合模型；验证CNN-GRU组合模型的准确性。将多因素引入作为输入特征，分别构建了CNN模型、GRU模型、CNN-GRU组合模型，并与传统的RNN和LSTM模型进行了预测对比；并且验证了CNN-GRU组合模型预测精度较单一模型高，预测误差MSE、MAE、RMSE平均降低了，EVS有所提升。EVS有所提升。EVS有所提升。