1.一种基于知识嵌入的结构化管制指令提取方法，其特征在于，包括如下步骤：
步骤1，构建机场知识字典；
步骤2，构建规则替换管制指令文本中的已知信息；
步骤3，进行信息抽取模型训练；
步骤4，通过训练好的模型进行预测，得到结构化的管制指令。
2.根据权利要求1所述的方法，其特征在于，步骤1包括：将特定已知机场信息编写入机场先验知识字典，所述特定已知机场信息包括机场中的跑道号、滑行道号、塔台名称，所述机场知识字典包含两部分，一是在模型训练过程中数据来源机场的知识；二是在模型预测过程中目标数据的来源机场，构建方法以键值对的形式保存，即{信息属性：信息值}的方式建立映射关系。
3.根据权利要求2所述的方法，其特征在于，步骤2包括：对管制指令中出现的机场中的跑道、滑行道信息进行辨析，通过检索机场知识字典预处理管制指令数据，将信息替换成属性，辨析方法是直接搜索字典中有无相应信息。
4.根据权利要求3所述的方法，其特征在于，步骤3包括：
步骤3-1，进行预处理：从机场塔台收集管制指令作为训练数据，针对训练数据的管制指令，检索对应的机场知识字典，检索出管制指令中出现的实体信息，在管制指令中将实体替换成对应的通用表述实体，将替换后的管制指令数据组成训练数据集；
步骤3-2，训练信息抽取模型。
5.根据权利要求4所述的方法，其特征在于，步骤3-2包括：对训练数据集中的管制指令进行标注，将其中出现的实体信息一一标出，同时对介词词组进行一致性标注，向命名实体识别模型输入训练数据集中的管制指令，设定管制指令句子长度是l，即所述句子包含l个单字，使用词嵌入技术得到每个字的向量表示，设向量维度是512，则输入句子的维度变成(l，512)；
所述命名实体识别模型包括双向长短期记忆网络bilstm模型和条件随机场crf模型，bilstm模型包含两个方向相反的lstm，一个lstm利用目标词的上文信息对目标词实体属性进行预测，另一个lstm利用目标词的下文对目标词的实体属性进行预测；经过bilstm模型处理，输出(l，m)维的信号，其中m是标注类别的数量，最后利用crf模型得到实体类别输出序列。
6.根据权利要求5所述的方法，其特征在于，两个方向相反的lstm均符合以下条件：设定输入文本为x＝x1，x2，...，xt，xt表示文本中的第t个字，t是输入文本长度，lstm利用门限机制记住位置上的信息，计算公式如下：
it＝σ(wxixt+whiht-1+wcict-1+bi)
ft＝σ(wxfxt+whfht-1+wcfct-1+bf)
ct＝ftct-1+ittanh(wxcxt+whcht-1+bc)
ot＝σ(wxoxt+whoht-1+wcoct+bo)
ht＝ottanh(ct)(1)
其中，σ是激活函数，it，ft，ot分别表示输入门、遗忘门和输出门在位置t上的输出值，ct表示第t个单元格状态，模型在第t个神经元上的隐藏状态ht由ot和ct计算得到；wxi，wxf，wxo，wxc是输入x的权重矩阵，whi，whf，who，whc是隐藏状态h的权重矩阵，wci，wcf，wco是单元格状态c的权重矩阵，bi，bf，bc，bo分别是输入门、遗忘门、单元格状态更新、输出门方程的偏置值；tanh(z)＝2f(2z)-1是激活函数，
7.根据权利要求6所述的方法，其特征在于，步骤4包括：
步骤4-1，对于需要处理的管制指令，通过检索机场知识字典找出实体信息，并对实体进行替换；
步骤4-2，通过命名实体识别模型处理管制指令，抽取出相关的实体，形成结构化的管制指令。