一种扇区短时流量预测方法及系统与流程

本发明涉及航空管制领域，尤其涉及一种扇区短时流量预测方法及系统。
背景技术：
：随着航空运输业的快速发展，机场、终端区、扇区等区域的交通流量急剧增长，经常会在航班飞行高峰期出现大量的交通拥堵，而且带来大面积航班延误、飞机空中等待、高强度的管制负荷等问题。为保障空中交通安全、有序的运行，需要准确地对扇区流量进行短时预测，这在辅助管制员提前掌握未来一段时间的空中交通态势以及可能发生交通拥堵的情况，为管制员及时制定空中交通管制决策提供参考依据等方面具有重要意义。目前，较为常用的空中交通流量预测方法有两种：根据历史观测的数据，采用平均模型、移动平均模型等，或进行概率统计分析流量分布特征，进行预测，另外一种为根据飞行计划数据、航空器性能数据、高空风数据等对单架航空器的飞行航迹进行预测，由此外推预测航空器飞行经过扇区的流量。以上两种预测方法对飞行过程中气象、流控等不确定性因素，及出现临时状况考虑不够，会导致预测结果准确性不高，难以保障可靠性。技术实现要素：本发明实施例提供了一种扇区短时流量预测方法及系统，能够结合本发明实施例的第一方面，提供了一种扇区短时流量预测方法，包括：获取预定扇区的相邻扇区分布及预定扇区中的航线分布，根据预定扇区与相邻扇区之间交通流运行方向，构建扇区交通流网络；根据所述扇区交通流网络，分析所述预定扇区在各时间段受相邻扇区影响导致的扇区流量变化，建立扇区流量预测模型；构建bp神经网络模型，设定所述bp神经网络模型各层的节点数量、样本训练次数及误差阈值；当需要对所述预定扇区的待预测时段进行预测时，采集所述预定扇区在待预测时段的历史流量数据，根据所述扇区流量预测模型，利用所述历史流量数据对所述bp神经网络模型进行训练；获取所述预定扇区在待预测时段前的实时流量数据，将所述实时流量数据输入到训练后的bp神经网络模型中以获取预定时段的流量预测结果。结合本发明实施例的第二方面，提供了一种扇区短时流量预测系统，包括：扇区交通流网络构建模块，用于获取预定扇区的相邻扇区分布及预定扇区中的航线分布，根据预定扇区与相邻扇区之间交通流运行方向，构建扇区交通流网络；扇区流量预测模型构建模块，用于根据所述扇区交通流网络，分析所述预定扇区在各时间段受相邻扇区影响导致的扇区流量变化，建立扇区流量预测模型；设定模块：用于构建bp神经网络模型，设定所述bp神经网络模型各层的节点数量、样本训练次数及误差阈值；训练模块，用于当需要对所述预定扇区的待预测时段进行预测时，采集所述预定扇区在待预测时段的历史流量数据，根据所述扇区流量预测模型，利用所述历史流量数据对所述bp神经网络模型进行训练；预测模块，用于获取所述预定扇区在待预测时段前的实时流量数据，将所述实时流量数据输入到训练后的bp神经网络模型中以获取预定时段的流量预测结果。从以上技术方案可以看出，本发明实施例具有以下优点：本发明实施例中，通过构建扇区交通网络，进而构建扇区流量模型，建立bp神经网络后采集待预测时段的历史流量，再根据扇区流量模型，利用历史流量数据对bp神经网络进行训练，输入当前的扇区流量，可以获得待预测时段的流量数据。使得扇区的流量预测可以充分考虑当前实时的流量数据，并且结合历史同时段的流量数据，实现在考虑当前外界不确定因素影响的同时，利用构建的流量预测模型及神经网络准确地对短时扇区流量进行预测，为管制员提供安全可靠的参考信息。附图说明为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的扇区交通流网络结构示意图；图2为本发明实施例提供的短时扇区流量预测方法一个实施例流程图；图3为本发明实施例提供的短时扇区流量预测系统一个实施例结构图；具体实施方式本发明实施例提供了一种扇区短时流量预测方法及系统，用于对扇区流量进行准确的短时预测。为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。参见图1，图1为扇区交通流网络构成，其中，区域s1、s2、s3、s4、s5、s6表示扇区。以s1作为预定的待预测扇区为例，i1、i2、i3、i4、i5表示进入s1扇区的交通流，o1、o2、o3、o4表示退出s1扇区的交通流，具体如下表所示：交通流走向i1s5->s1i2s6->s1i3s6->s1i4s2->s1i5s3->s1i6s4->s1o1s1->s5o2s1->s2o3s1->s3o4s1->s4根据该表所示的交通流走向，定义：(1)上游交通流：由一个扇区进入到预测扇区的交通流。(2)下游交通流：由预测扇区退出到下一个扇区的交通流。由于扇区s1在t时刻的流量与该扇区一定时间段内的流量有着必然联系，在预测扇区流量时，就必须考虑到上下游交通流流量分布情况。由此，将预测扇区内交通流的路径进行简化，不再关注预测扇区内的飞行航迹，而是根据预测扇区前几个时间段的流量数据以及上下游交通流数据对扇区的交通流量建模。请参阅图2，本发明实施例中扇区短时流量预测方法的一个流程示意图包括：s201、获取预定扇区的相邻扇区分布及预定扇区中的航线分布，根据预定扇区与相邻扇区之间交通流运行方向，构建扇区交通流网络；可选的，根据航图中的航路点、交汇点、航线及空域信息，分析预定扇区的航线信息及相邻扇区分布，结合各扇区间的飞行计划数据、历史雷达飞行数据，分析各扇区的交通流方向，并确定各扇区的流入和退出数据，建立扇区交通流网络。如图1所示，简化飞机航行的扇区及航线，通过分析扇区的进入和退出的交通流量和流向，建立扇区交通流网络，可以方便后续交通流量预测模型的建立。s202、根据所述扇区交通流网络，分析所述预定扇区在各时间段受相邻扇区影响导致的扇区流量变化，建立扇区流量预测模型；结合扇区交通流网络，可以分析特定扇区在未来某一时刻的流量受相邻扇区影响及该扇区流量变化趋势。可选的，根据预定扇区当前时间段流量、当前时间段的前一个时间段流量、当前时间段的流入量及当前时间段的流出量，构建预定扇区的流量预测模型。由于扇区下一时刻t+1的流量受该扇区当前时刻t以及前一时刻t-1的流量影响，同时上下游交通流在当前时刻t的流量对下一时刻t+1预测扇区流量也有着重要的影响。因此，根据扇区交通流网络，在已知t时刻、t-1时刻预测扇区流量以及上下游交通流流量的前提下，建立如下模型：其中，i∈n，j∈n。以图1为例，则i等于6，j等于4。在该模型公式中，表示未来t+1时刻扇区s1的流量；表示当前时刻t扇区s1的流量；表示t-1时刻扇区s1的流量；表示当前时刻t流入扇区s1的i条交通流的流量；表示当前时刻t流出扇区s1的j条交通流的流量。根据上式可知，t+1时刻预测扇区s1的流量与当前时刻t扇区s1的流量、t时刻进出扇区交通流的流量以及t-1时刻扇区s1的流量存在函数关系。在本发明实施例中，所述时刻t可以为预设时长的时间段，例如5分钟。s203、构建bp神经网络模型，设定所述bp神经网络模型各层的节点数量、样本训练次数及误差阈值；可选的，采集预定扇区的历史流量数据，将所述历史流量数据按时段作为样本数据进行归一化处理，构建bp神经网络模型，分别设定输入层、隐含层及输出层的节点数量。具体的，对采集的历史流量数据，也即是样本数据根据如下公式(1)进行归一化处理，使样本数据的范围在[0,1]之间。其中，xi表示样本i的原始数据，xmin表示样本中的最小值，xmax表示样本中的最大值，表示样本i归一化处理后的数据。构建3层bp神经网络，分别为输入层，隐含层和输出层。进一步的，根据所述扇区流量预测模型，可将共i+j+2个数据作为输入层，将预测的t+1时刻的扇区流量作为输出层。优选的，隐含节点数量为2n+1，其中，n为隐含节点数量。此处隐含节点数量的设定可提高流量预测的精度，减小预测误差。进一步的，确定样本训练次数和误差阈值，并通过负梯度下降法实现扇区流量的学习和预测，其中，响应函数为：s204、当需要对所述预定扇区的待预测时段进行预测时，采集所述预定扇区在待预测时段的历史流量数据，根据所述扇区流量预测模型，利用所述历史流量数据对所述bp神经网络模型进行训练；由于扇区流量受天气等临时状况影响较为明显，若提前进行神经网络训练会较大程度影响预测的准确性，故而在本发明实施例中，根据历史同时段数据进行训练，可以提升预测的准确性。选取与待预测时段相同时段的历史流量数据，如待预测时段为当天10月11日的10:00-11:00，选取10天前同时段的待预测扇区流量数据，即10月1-10日10:00-11:00扇区s1的流量数据。进一步的，将时间t设为5分钟，则时段10:00-11:00可被分为10:00、10:05、10:10、…、10:50、11:00，共12组，那10天的历史流量数据总共有120组，将这120组数据作为样本，利用该样本数据对bp神经网络模型进行训练。优选的，拟合所述待预测时段的扇区流量变化曲线。将预测值拟合成曲线，进而查看实际值与预测值的吻合程度，可以评测预测效果，避免出现较大误差。s205、获取所述预定扇区在待预测时段前的实时流量数据，将所述实时流量数据输入到训练后的bp神经网络模型中以获取预定时段的流量预测结果。所述待预测时段前的实时流量数据指的是在待预测时间段之前最新的流量数据，以待预测扇区s1为例，待预测时段为10:00-11:00，则采集当天8:50-8:55，8:55-9:00的交通流量数据。具体的，采集实时的雷达数据、飞行计划数据，依据扇区流量预测模型，得到t、t-1时的扇区流量以及t时的交通流流量作为输入数据，输入到bp神经网络中。在本发明实施例中，可以根据当前实时的扇区流量数据对未来一段时间的扇区流量进行预测，由于是根据当前的实时数据，并结合历史同时段数据对神经网络进行训练，可以减少突发天气因素对流量预测的影响，保障流量预测的准确性。应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上面主要描述了一种扇区短时流量预测方法，下面将对一种扇区短时流量预测系统进行详细描述。图3示出了本发明实施例中扇区短时流量预测系统实施例结构图。扇区交通流网络构建模块310，用于获取预定扇区的相邻扇区分布及预定扇区中的航线分布，根据预定扇区与相邻扇区之间交通流运行方向，构建扇区交通流网络；可选的，所述扇区交通流网络构建模块310包括：第一分析单元，用于根据航图中的航路点、交汇点、航线及空域信息，分析各扇区的航线信息及扇区分布；第二分析单元，用于根据各扇区间的飞行计划数据、历史雷达飞行数据，分析各扇区的交通流方向，并确定各扇区的流入和退出数据；构建单元，用于建立扇区交通流网络。扇区流量预测模型构建模块320，用于根据所述扇区交通流网络，分析所述预定扇区在各时间段受相邻扇区影响导致的扇区流量变化，建立扇区流量预测模型；可选的，所述扇区流量预测模型构建模块320包括：构建单元，用于根据预定扇区当前时间段流量、当前时间段的前一个时间段流量、当前时间段的流入量及当前时间段的流出量，构建预定扇区的流量预测模型。设定模块330，用于构建bp神经网络模型，设定所述bp神经网络模型各层的节点数量、样本训练次数及误差阈值；可选的，所述设定模块330包括：采集单元，用于采集预定扇区的历史流量数据，将所述历史流量数据按时段作为样本数据进行归一化处理；构建单元，用于构建bp神经网络模型，分别设定输入层、隐含层及输出层的节点数量。训练模块340，用于当需要对所述预定扇区的待预测时段进行预测时，采集所述预定扇区在待预测时段的历史流量数据，根据所述扇区流量预测模型，利用所述历史流量数据对所述bp神经网络模型进行训练；可选的，所述利用所述历史流量数据对所述bp神经网络模型进行训练还包括：拟合所述待预测时段的扇区流量变化曲线。预测模块350，用于获取所述预定扇区在待预测时段前的实时流量数据，将所述实时流量数据输入到训练后的bp神经网络模型中以获取预定时段的流量预测结果。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页12