基于AGC-LSTM的扇区流量预测方法

技术领域

本发明涉及空中交通流量管理领域，特别涉及一种基于AGC-LSTM的扇区流量预测方法。

背景技术

空中交通扇区流量预测为有效掌握空中交通运行态势提供支撑，有助于准确识别扇区容流失衡状态，有利于实现扇区空域资源的科学分配和高效的空中交通流量管理，减少拥堵和扇区过载风险，保障空中交通的顺畅运行。

空中交通流量预测方法的发展可以分为经典方法、机器学习和深度学习三个主要类别。早期的预测方法主要采用经典方法和机器学习，主要有卡尔曼滤波模型、非参数回归以及自回归综合移动平均(ARIMA)；随机森林、支持向量机(SVM)、K最近邻等。然而这些方法都在实际应用中会出现线性假说和无法获取时空相关性的限制。随着深度学习的兴起，神经网络方法被引入空中交通预测中，用于交通量和交通复杂度的预测研究。

深度学习模型可以通过构建深层神经网络来提取数据中的复杂特征，能够很好地捕捉空中交通数据中的非线性和时空相关性。初期的深度学习模型基于循环神经网络(RNN)和长短时记忆网络(LSTM)，充分挖掘了空中交通数据的时间特征，却忽视了空间依赖性的深度提取。因此，近期的发展趋势是采用GCN处理具有广义拓扑图结构的数据，以挖掘特征和规律。现有的空中交通流预测多数集中在机场流量、整体空域流量以及航路流量预测上，对于扇区流量预测的研究相对较少。

发明内容

本发明的目的是提供一种基于AGC-LSTM的扇区流量预测方法。

实现本发明目的的技术方案如下：

基于AGC-LSTM的扇区流量预测方法，包括：

步骤1，构建扇区航段网络；

步骤2，构建AGC-LSTM模型；

步骤3，训练AGC-LSTM模型；

步骤4，使用训练后的AGC-LSTM模型计算得到扇区的流量预测值。

在本申请的一实施例中，步骤1中，所述构建扇区航段网络的方法包括：基于现实数据中航段的拓扑关系，利用扇区内部以及扇区与相邻扇区之间的航段所构成的航段网络转化为有向图网络，航段作为图网络中的节点，航段之间若存在直接连接，则航段之间的连接点作为图网络中的边，从而构建航段有向图网络G。

在本申请的一实施例中，步骤2中，所述AGC-LSTM模型包括输入层、多头注意力机制图卷积层、随机失活层、LSTM层和输出层，具体为：

2.1航段网络中的各航段的历史航段计划飞行流量和历史航段实际流量被用作为G中网络节点的输入属性特征，将所构建图网络、网络节点的输入属性特征、每周周期性时间特征输入多头注意力机制图卷积层，进行如下运算得到图卷积层的输出特征：

首先计算节点i和节点j之间的注意力权重e

e

然后根据e

最后根据注意力权重和输入特征向量，获取每个目标位置上的加权输入并进行拼接，从而得到最终的输出，即：

其中D是节点度矩阵；

2.2将图卷积层输出特征输入到随机失活层，随机失活的公式表示为：y＝M⊙x，其中x为输入向量，M是与x具有相同形状的二值掩码向量，表示哪些神经元要被丢弃，⊙表示逐元素乘法操作，y表示经过随机失活后的输出向量；

2.3将随机失活层输出向量作为LSTM模型的输入，LSTM模型包括遗忘门、输入门和输出门，遗忘门决定哪些信息应该被遗忘，输入门决定哪些新的信息应该被存储，细胞状态C

在本申请的一实施例中，步骤3中，所述训练训练AGC-LSTM模型的方法包括：

3.1使用扇区历史流量数据作为真实值，使用AGC-LSTM模型计算扇区流量预测值；

3.2采用L2正则化方法计算损失函数，即

3.3通过反向传播更新AGC-LSTM模型的参数；

重复上述步骤3.1-3.3，当损失值收敛时训练结束。

在本申请的一实施例中，所述使用训练后的AGC-LSTM模型计算得到扇区的流量预测值的方法包括：

使用训练后的AGC-LSTM模型，基于时段1,2,…T的历史数据，可对未来T+1,T+2,…T+Q多个步长的扇区流量时间序列进行预测。

本发明的有益效果是：

(1)本发明的基于AGC-LSTM的扇区流量预测方法在GCN中加入了多头注意力机制来捕获航段网络的拓扑结构并且聚焦关键节点；

(2)本发明的基于AGC-LSTM的扇区流量预测方法采用扇区相关航段构建扇区航段网络来实现对扇区流量的预测，通过GCN模型来提取空间相关性特征，有效地考虑了扇区空域结构对扇区流量的影响，通过LSTM模型捕获节点属性的时间动态变化，有效地考虑了时间特征对扇区流量的影响。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

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。

图1示出了本发明实施例基于AGC-LSTM的扇区流量预测方法各组成部分关系图；

图2示出了本发明构建扇区航段网络的示意图；

图3示出了本发明中模型的预测结果与GCN-LSTM模型预测结果以及实际值的对比图。

具体实施方式

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。

在本实施例中，基于AGC-LSTM的扇区流量预测方法各组成部分关系如图1所示，所需历史航段计划飞行流量、历史航段实际流量、历史扇区实际流量采用国内某地区2019年3月1日至2019年3月31日的扇区交通流数据。所获取的航段计划流量和实际流量分别基于航班计划过点时间以及采用历史ADS-B修正后的过点时间来统计获得，原始数据总计34167架航班共20个航段的飞行数据72512条，采用原始ADS-B数据修正航班过点时间时，存在由于进出点时间未同时修正而导致的异常数据，经过筛选条件(航段间飞行时间为2至6分钟)，获得33942架航班的有效航段飞行数据70276条。航段网络构建方法示意图如图2所示。

在本实施例中，基于AGC-LSTM的扇区流量预测方法，包括：步骤1，构建扇区航段网络；步骤2，构建AGC-LSTM模型，即注意力增强型图卷积(AGC)结合长短期记忆网络(LSTM)模型；步骤3，训练AGC-LSTM模型；步骤4，使用训练后的AGC-LSTM模型计算得到扇区的流量预测值。

在本实施例的步骤1中，所述构建扇区航段网络的方法包括：基于现实数据中航段的拓扑关系，利用扇区内部以及扇区与相邻扇区之间的航段所构成的航段网络转化为有向图网络，航段作为图网络中的节点，航段之间若存在直接连接，则航段之间的连接点作为图网络中的边，从而构建航段有向图网络G。

具体的，根据航班进出航段时间统计获得每个时段的各航段流量得到扇区中共有20条单向航段，对应于后续图网络中的20个节点。航段之间的空间关系被转化为一个20×20的邻接矩阵A，其中每行代表一条航段，矩阵中的值代表了航段之间的连通性。

在本实施例的步骤2中，所述AGC-LSTM模型包括输入层、多头注意力机制图卷积层、随机失活层、LSTM层和输出层，具体为：

2.1航段网络中的各航段的历史航段计划飞行流量和历史航段实际流量被用作为G中网络节点的输入属性特征，根据所构建图网络、网络节点的输入属性特征、每周周期性时间特征构建特征矩阵，每行代表一条航段，每列是不同时段上的流量，包括计划流量和实际流量，将用于表示周期性的信息被添加到对应的矩阵子元素中，最终综合得到特征矩阵X；将特征矩阵输入多头注意力机制图卷积层，进行如下运算从而得到图卷积层的输出特征：

首先计算节点i和节点j之间的注意力权重e

e

然后根据e

最后根据注意力权重和输入特征向量，获取每个目标位置上的加权输入并进行拼接，从而得到最终的输出，即：

其中D是节点度矩阵；

2.2将图卷积层输出特征输入到随机失活层，随机失活的公式表示为：y＝M⊙x，其中x为输入向量，M是与x具有相同形状的二值掩码向量，表示哪些神经元要被丢弃，⊙表示逐元素乘法操作，y表示经过随机失活后的输出向量；

2.3将随机失活层输出向量作为LSTM模型的输入，LSTM模型包括遗忘门、输入门和输出门，遗忘门决定哪些信息应该被遗忘，输入门决定哪些新的信息应该被存储，细胞状态C

在本实施例的步骤3中，所述训练训练AGC-LSTM模型的方法包括：

3.1使用扇区历史流量数据作为真实值，使用AGC-LSTM模型计算扇区流量预测值；

3.2采用L2正则化方法计算损失函数，即

3.3通过反向传播更新AGC-LSTM模型的参数；

重复上述步骤3.1-3.3，当损失值收敛时训练结束。

在本实施例的步骤4中，使用训练后的AGC-LSTM模型，基于时段1,2,…T的历史数据，可对未来T+1,T+2,…T+Q多个步长的扇区流量时间序列进行预测。

具体实验中，将70％的数据用作训练集，30％数据用作测试集，AGC-LSTM模型学习率设为0.001，训练次数设为300次，隐藏单元数为4，图卷积层中注意力头数为2，将训练之后的模型进行测试，并与GCN-LSTM对比得到的结果如图3所示。

本发明的模型与ARIMA，SVR，LSTM，GCN-LSTM在典型扇区航段网络中的预测结果进行对比，本发明的模型优于其他模型，并且随着扇区航段网络扩展到相邻扇区，模型精确度可以获得进一步提升。

综上所述，本发明中所采用的基于AGC-LSTM的扇区流量预测方法，可以充分提取历史数据的时空特性，实现对扇区流量的准确预测。

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。