买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航空航天大学

摘要：本发明公开了一种基于ConvLSTM‑SRU的扇区延误预测方法，包括如下步骤：1读取扇区历史航班ADS‑B数据；2处理数据；3划分指标特性；4生成各个指标的时间序列数据；5针对时空特性指标，建立ConvLSTM网络时空特征提取模型；6针对时间特性指标，建立SRU网络时间特征提取模型；7建立指标特征全连接网络模型；8输出预测扇区飞行时间；9计算扇区预计延误时间。本发明所述预测方法能够提高扇区各航线延误时间的预测精度，为空中交通管制人员提供前瞻的信息，帮助管制人员提前采取管制措施，减少扇区拥堵风险增大的概率，从而提高机场的运行效率。

主权项：1.一种基于ConvLSTM-SRU的扇区延误预测方法，其特征在于，包括如下步骤：（1）读取数据：读取扇区历史航班ADS-B数据，统计得到进离扇区各航路点的飞行流量数据、扇区内各航线的飞行流量数据和飞行时间数据，读取相应时间范围内扇区历史气象数据；（2）处理数据：将步骤（1）读取的数据集按时间标签进行排列，针对时间轴上缺失的数据使用前后时间段的均值进行填补，针对时间轴上异常的数据利用插值法对异常数据进行替换；（3）划分指标特性：根据指标属性对指标进行类型划分，因扇区内各航线的飞行流量、飞行时间随着时间、空间而发生变化，所以将扇区内各航线的飞行流量、飞行时间划分为时空特性指标；而进离扇区各航路点的飞行流量和气象条件在同一扇区内仅随时间发生变化，与空间不相关，故将进离扇区各航路点的飞行流量和气象条件划分为时间特性指标；（4）生成各指标的时间序列数据：在步骤（3）的基础上，选择不同的时间间隔，对各个指标的数据进行统计，生成相应时间间隔的序列数据；（5）：针对时空特性指标，建立ConvLSTM网络时空特征提取模型；（6）：针对时间特性指标，建立SRU网络时间特征提取模型；（7）：建立指标特征全连接网络模型；（8）：输出预测扇区飞行时间；（9）：计算扇区预计延误时间和预测精度；步骤（5）的具体过程如下：（5.1）生成ConvLSTM网络输入集统计进扇和离扇航路点的个数为m和n，制作尺寸为m×n的图片，其中每个像素点的数值为相应进离扇点间航线的飞行流量，将步骤（4）得到的时间序列数据作为像素点，生成飞行流量在相应时间间隔下的原始图片，同理，以进离扇点间航线的飞行时间作为像素点，生成飞行时间在相应时间间隔下的原始图片；（5.2）初始化ConvLSTM网络参数（5.2.1）初始化输入层参数当构建ConvLSTM网络的输入层时，给定每批次训练的样本数和时间步长的初始设置值；（5.2.2）初始化网络层参数当构建ConvLSTM网络的网络层时，给定卷积维度、输入维度、输出深度和卷积核大小的初始设置值；激活函数初始选择Relu，初始化网络层的权重和偏置；（5.3）设置ConvLSTM网络的输入样本与输出特征（5.3.1）构建输入样本分别将步骤（5.1）得到的航线飞行流量和飞行时间的原始图片按照步骤（5.2.1）设置的初始时间步长分割为若干个时间序列；（5.3.2）构建输出特征网络输出特征取最后一个时间步长的特征值；（5.3.3）数据标准化对输入样本，采用min-max归一化，生成无量纲的训练数据集；步骤（6）的具体过程如下：（6.1）初始化SRU网络参数；（6.1.1）初始化输入层参数当构建SRU网络的输入层时，给定每批次训练的样本数和时间步长的初始设置值；（6.1.2）初始化网络层参数当构建SRU网络的网络层时，给定网络层数和每层神经元数量的初始设置值；激活函数初始选择Relu，初始化网络层的权重和偏置；（6.2）设置SRU网络的输入样本与输出特征（6.2.1）构建输入样本分别将步骤（4）得到的进离扇航路点的飞行流量和气象数据序列按照步骤（6.1.1）设置的初始时间步长分割为若干个时间序列；（6.2.2）构建输出特征网络输出特征取最后一个时间步长的特征值；（6.2.3）数据标准化对输入样本，采用min-max归一化，生成无量纲的训练数据集；步骤（7）的具体过程如下：（7.1）初始化指标特征全连接网络参数（7.1.1）初始化输入层的权重和偏置；（7.1.2）输出层激活函数初始选择Relu；（7.2）设置指标特征全连接网络的输入样本与输出样本（7.2.1）构建输入样本将步骤（5.3.2）输出的时空特征值转化为一维向量，与步骤（6.2.2）提取的时间特征共同作为全连接网络的输入样本；（7.2.2）构建输出样本将步骤（5.3.1）得到的飞行时间序列最后一个时间步长的数据作为指标特征全连接网络的输出样本；（7.2.3）数据标准化对输出样本，采用min-max归一化，生成无量纲的训练数据集；步骤（8）的具体过程如下：（8.1）设置训练集和测试集随机抽取步骤（4）得到的数据集*k作为训练集，其中，0k1，剩余的作为测试集；（8.2）损失函数设置在扇区航线飞行时间预测神经网络中选择平方差损失函数；（8.3）优化器设置优化器选择Adam；（8.4）数据去标准化对测试集的输出值，进行min-max归一化的逆操作，得到的数值即为预测的飞行时间；步骤（9）的具体过程如下：（9.1）计算扇区航线飞行时间参考值将步骤（2）得到的扇区各航线飞行时间数据，从小到大依次排序，选定飞行时间参考值；（9.2）计算扇区预计延误时间计算步骤（8.4）得到的预测飞行时间与步骤（9.1）得到的飞行时间参考值之间的差值，得出扇区预计延误时间；（9.3）计算预测精度选择MAPE为评价指标，计算扇区延误时间的预测精度。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于ConvLSTM-SRU的扇区延误预测方法