一种基于动态图的机场群跑道运行模式预测方法

本发明涉及空管运行管理，具体涉及一种基于动态图的机场群跑道运行模式预测方法。

背景技术：

1、随着航空交通量的快速增长，机场群跑道运行模式的预测已成为确保机场安全和高效运行的关键环节。在全球化的背景下，机场不再是近乎孤立的个体，而是共同构成一个复杂的机场群系统。这一转变意味着，单一机场的运行模式将直接或间接影响到机场群中其他机场的运行。例如，一个机场的延误可能会对整个机场群中的飞机调度造成链式反应。

2、跑道运行模式指的是时间段内基于飞机的起飞、降落和其他操作对跑道的规定和安排。对机场群跑道运行模式的进行合理的预测可以确保飞机在特定机场跑道(不同机场中针对具体情况而选择的跑道)起飞和降落时有适当的时间间隔和最佳条件。其中，影响机场群中跑道运行模式预测的因素包括机场的地理位置和布局、当前的气象条件、航空交通流量、跑道的物理状态、航班类型和目的地以及安全要求等。

3、同时，为了满足日益增长的航空需求，机场必须高效地运行。通过调整、采用不同的跑道运行模式，优化跑道使用，使得机场可以处理更多的飞机，从而提高其吞吐量。此外，合理的跑道管理还可以减少由于跑道拥堵或其他原因导致的航班延误，降低机场对周边地区的噪音和其他环境影响，确保资源的最大化利用，以及更好地协调飞机流量和应对各种紧急情况。因此，跑道运行模式对于机场的安全运行和高效运营至关重要。不同的机场可能会根据其特定的需求和限制选择跑道运行模式，跑道的选择和使用模式还会受到航空交通控制、天气条件、设备可用性和其他因素的影响。

4、大多数情况下，跑道运行模式不进行技术层面上的预测，主要基于固定规则和管制经验改变跑道运行模式。然而，这样容易导致机场的拥堵，或者跑道资源的浪费。为提升机场运行效率，跑道运行模式的预测技术应运而生，然而现有的技术仅考虑单个时刻的预测，且使用数据较为单一，忽略复杂的交互，导致预测结果不准确。更为关键的是，这些方法通常只考虑单一机场的情况，忽视了机场群中机场之间的耦合关系，往往会导致区域的低效运行。

技术实现思路

1、鉴于上述问题，本发明提供了一种基于动态图的机场群跑道运行模式预测方法，构建了机场群多跑道运行模式的动态图模型，基于所述动态图模型获取多跑道运行模式的预测，适应于机场群运行场景，针对所有运行时段的多跑道运行模式进行连续预测，不仅支持空中交通管制员进行精确的跑道调度，还可以为机场群的整体策略提供有力的数据支持。

2、本发明提供了一种基于动态图的机场群跑道运行模式预测方法，包括：

3、步骤1、基于机场群的历史数据，获取机场群中多个跑道运行模式及其对应的影响因素，构建多个跑道运行模式的节点特征矩阵；

4、优选的，步骤1所述构建节点特征矩阵的具体步骤包括：

5、将所述跑道运行模式i作为节点，获取跑道运行模式对应的影响因素，基于所述影响因素建立节点特征vi；

6、υi＝[υi1,υi2，...,υinum]

7、其中，υinum为跑道运行模式i对应节点与第num个影响因素的影响值，num＝1,2,3…num，num是影响因素的总数量，i＝1,2,3…n，n表示跑道运行模式总数量。

8、构建多个跑道运行模式的节点特征矩阵。

9、进一步的，所述跑道运行模式对应的影响因素包括：跑道运行模式使用频率、跑道运行模式平均持续时间、跑道运行模式间关联度、天气敏感性、航班流量敏感性、机场群效应和/或触发机场细则事件敏感性；

10、所述跑道运行模式间关联度的表达式为：

11、

12、其中，rij为跑道运行模式i与跑道运行模式j的关联度，uij为跑道运行模式i变换为跑道运行模式j的次数；i，j∈n，i≠j，n表示跑道运行模式总数量；t为跑道运行模式预测总时间段。

13、所述跑道运行模式天气敏感性度量了一个特定的跑道运行模式与某一特定天气条件之间的关联强度或偏好；

14、所述航班流量敏感性为跑道运行模式i在航班流量下的使用频率；例如，当航班流量大时，跑道运行模式i的使用频率，当航班流量小时，跑道运行模式i的使用频率；

15、所述机场群效应为机场在机场群中的地位和影响，对于一个给定的机场，其在机场群中的效应由其与其他机场的流量相关性和距离共同决定；

16、可以理解的是，所述触发机场细则事件敏感性为机场群中发生不安全事件的情况下跑道运行模式i的使用频率；所述不安全事件包括空中失控、跑到安全以及可控飞行撞地。

17、步骤2、将两种跑道运行模式之间进行模式转变作为边，获取所述模式转变对应的影响因素；基于所述模式转变对应的影响因素得到边特征；

18、构建多个跑道运行模式对应的边特征集合；

19、可以理解的是，所述两种跑道运行模式之间进行模式转变包括：基于特定条件(例如，天气情况、航班流量大小、航班安全要求或特定时间段等)，为了保证机场群中飞机的高效运行状态，将跑道运行模式i转换为相邻的跑道运行模式j。

20、所述模式转变对应的影响因素包括：两种跑道运行模式的转换频率、平均转换延迟、两种跑道运行模式的转换频率转换的关联度、转换天气关联度、转换中的航班流量、转换的机场群效应和/或转换触发的机场细则事件；

21、所述两种跑道运行模式的转换频率转换的关联度为：从一种跑道运行模式转换到另一种跑道运行模式之后，再转换到第三种跑道运行模式的概率；假设一个机场有三种跑道运行模式：a、b和c，如果我们观察到在特定的时间段内，机场从跑道运行模式a切换到跑道运行模式b，然后经常切换到跑道运行模式c，那么这种转换序列a→b→c的关联度就会比较高。

22、所述两种跑道运行模式的转换天气敏感性为特定的天气条件对机场从一个跑道运行模式切换到另一个模式的影响；在某些天气条件下，例如雨天或大雾，机场可能更倾向于从当前模式切换到某个特定的更安全的模式。

23、可以理解的是，所述多种跑道运行模式的转换的机场群效应为基于机场群g中各机场之间的距离和航班流量影响，跑道运行模式i从机场a转换到机场b，a,b∈g，g表示多个机场构成的机场群。

24、步骤3、基于所述节点特征矩阵和所述边特征集合得到特征集合；

25、搭建动态图模型，将所述特征集合和事件驱动时间模型嵌入所述动态图模型得到时序动态图模型；

26、使用时序动态图模型获得当前时刻多个跑道运行模式的时序消息记忆；

27、使用当前时刻多个跑道运行模式的时序消息记忆建立所述跑道运行模式预测动态图模型；

28、优选的，获取所述当前时刻多个跑道运行模式的时序消息记忆，具体包括：

29、搭建动态图模型，将所述特征集合和事件驱动时间模型嵌入所述动态图模型得到时序动态图模型；

30、判断当前时刻t跑道运行模式i节点是否为独立节点；

31、可以理解的是，当前时刻t跑道运行模式i是独立节点表示跑道运行模式i预测的下一个跑道运行模式还是跑道运行模式i；

32、跑道运行模式i不是独立节点表示跑道运行模式i有邻居节点，跑道运行模式i与邻居节点会进行跑道运行模式之间的模式转换；

33、若当前时刻t跑道运行模式i节点是独立节点，基于所述节点特征矩阵获得当前时刻t跑道运行模式i节点特征vi(t)；将所述当前时刻t跑道运行模式i节点特征vi(t)输入时序动态图模型，得到当前时刻t之前跑道运行模式i节点特征vi(t)的全局信息si(t-)，t＝1,2,3…t，t表示总时刻数；

34、可以理解的是，所述当前时刻t之前跑道运行模式i节点特征vi(t)的全局信息si(t-)′为从0时刻到t时刻发生的所有事件对应的记忆；

35、使用图注意力机制，将当前时刻t之前跑道运行模式i节点特征vi(t)的全局信息si(t-)′和当前时刻t跑道运行模式i节点特征vi(t)进行聚合，获得当前时刻t跑道运行模式i的初始聚合消息mi(t)′；

36、获得跑道运行模式在当前时刻t之前的多个事件，基于所述多个事件将当前时刻t跑道运行模式i的聚合消息mi(t)′进行批量聚合；所述多个事件对应多个时间，所述多个事件对应的时间呈无序状态，其中最新事件发生的时刻为t，一共b个事件；

37、获得当前时刻t跑道运行模式i的聚合消息

38、将当前时刻t跑道运行模式i的聚合消息与当前时刻t之前跑道运行模式i节点特征vi(t)的全局信息si(t-)′进行消息传播更新，得到当前时刻t跑道运行模式i节点特征vi(t)的全局信息si(t)′；

39、将当前时刻t跑道运行模式节点特征vi(t)的全局信息si(t)′、跑道运行模式i节点特征vi(t)进行消息传播，并生成当前时刻t独立节点跑道运行模式i的时序消息记忆zi(t)′；

40、若当前时刻t跑道运行模式i节点不是独立节点，基于所述节点特征矩阵和边特征集合获得当前时刻t跑道运行模式i节点特征vi(t)及其邻居跑道运行模式j节点特征vj(t)，得到当前时刻t跑道运行模式i和跑道运行模式j的边特征eij(t)；i≠j，i，j∈n，n表示跑道运行模式总数量；

41、将所述跑道运行模式i节点特征vi(t)和跑道运行模式j节点特征vj(t)输入所述时序动态图模型，得到当前时刻t之前跑道运行模式i节点特征vi(t)的全局信息si(t-)、当前时刻t之前跑道运行模式j节点特征vj(t)的全局信息sj(t-)、当前时刻t边特征eij(t)；使用图注意力机制，将当前时刻t之前跑道运行模式i节点特征vi(t)的全局信息si(t-)、当前时刻t之前跑道运行模式j节点特征vj(t)的全局信息si(t-)、当前时刻t边特征eij(t)、当前时刻t跑道运行模式i节点特征vi(t)进行聚合，获得当前时刻t跑道运行模式i的多节点初始聚合消息mi(t)；j∈n，n表示跑道运行模式总数量；

42、获得当前时刻t跑道运行模式i在时刻t之前的多个事件，基于所述时刻t之前多个事件将当前时刻t跑道运行模式i的多节点初始聚合消息mi(t)进行批量聚合，获得当前时刻t跑道运行模式i的多节点聚合消息可以理解的是，所述当前时刻t之前的多个事件对应不同时间，为无序时间状态，其中最新事件发生的时间为t，一共b个事件；

43、将当前时刻t跑道运行模式i的多节点聚合消息与当前时刻t之前跑道运行模式i节点特征vi(t)的全局信息si(t-)、当前时刻t之前跑道运行模式j节点特征vj(t)的全局信息sj(t-)进行消息传播更新，得到当前时刻t跑道运行模式i节点特征vi(t)的全局信息si(t)和当前时刻t跑道运行模式j节点特征vj的全局信息sj(t)；

44、将当前时刻t跑道运行模式i节点特征vi(t)的全局信息si(t)和当前时刻t跑道运行模式j节点特征vj(t)的全局信息sj(t)、当前时刻t边特征eij(t)、当前时刻t跑道运行模式i节点特征vi(t)以及当前时刻t跑道运行模式j节点特征vj(t)进行消息传播，并生成当前时刻t非独立节点跑道运行模式i的时序消息记忆zi(t)；

45、遍历多个跑道运行模式，重复上述步骤，得到当前时刻t多个跑道运行模式的时序消息记忆。

46、进一步的，所述当前时刻t非独立节点跑道运行模式i的时序消息记忆zi(t)表达式为：

47、

48、其中，zi(t)为当前时刻t非独立节点跑道运行模式i的时序消息记忆；emb(·)为嵌入函数；emb(i，t)为当前时刻t通过图注意力机制从跑道运行模式i的邻居跑道运行模式中收集信息；attention(·)为图注意力权重，vi为跑道运行模式i节点特征，vj为跑道运行模式j节点特征，i＝1,2,3…n，为时刻0到时刻t的过程中，跑道运行模式i的k阶邻域；i，j∈n，n表示跑道运行模式总数量，k＝1,2,3…k，k表示邻域总阶数；eij为边特征；sj(t)为当前时刻t跑道运行模式j节点特征vj的全局信息；si(t)为当前时刻t跑道运行模式i节点特征vi的全局信息；vi(t)为当前时刻t跑道运行模式i节点特征；vj(t)为当前时刻t跑道运行模式j节点特征；h(·)为学习函数。

49、h(si(t),sj,(t),eij,υi(t),υj(t))＝αij·mlp(si(t)||sj(t)||eij||υi(t)||υj(t))

50、其中，αij为注意力系数，基于跑道运行模式i与跑道运行模式j的节点特征来计算获得；mlp(·)为非线性函数，用于从输入特征中学习复杂的非线性表示。

51、本发明技术方案基于图注意力机制获得当前时刻t跑道运行模式节点i的初始聚合消息，用于捕捉节点在特定时刻的关键特征和其与其他节点的关系；将跑道运行模式在不同时间点的初始聚合消息聚合起来，以反映节点随时间的动态变化，保持节点时间序列信息的基础上，进一步综合节点在不同时间点的特征；将将跑道运行模式在不同时间点的初始聚合消息在时间维度上进一步聚合后获得聚合消息，更全面地反映了节点随时间的动态特征，这种两阶段的聚合方法有助于更准确地捕捉和理解节点在时间序列中的行为，从而为基于时间和事件的预测模型提供支持。

52、本发明采用了一种事件驱动的机制，基于数据特征的实时变化来触发预测。这种方法的核心在于监控关键数据指标，并在这些指标显示出显著变化时立即进行预测分析；举例来说，当一个新的航班计划被加入系统，或者当气象条件发生突变影响到跑道的可用性时，这些都是触发预测更新的事件；动态图模型会实时捕捉到这些变化，并立即重新评估机场群跑道的运行模式，生成更新的预测；这种方法使得预测模型能够更灵敏地响应实际运营中的动态变化，提高预测的时效性和准确性，避免了在数据相对静态时进行不必要的计算，从而优化了资源的使用和响应的迅速性；

53、事件驱动的预测意味着模型的更新触发基于事件的发生，而不是按照固定的时间间隔。在这种情况下，事件可能是：新航班的安排或取消；预测的天气事件，如风暴的接近；不寻常的航班延误或者紧急情况；跑道进出状态的改变；当这些事件发生时，动态图模型会接收到新的数据点，然后根据这些数据点来更新预测。这种方法更加灵活和适应性强，可以为运营决策提供更及时和精确的信息。

54、步骤4、基于所述跑道运行模式预测动态图模型和损失函数对当前时刻t跑道运行模式i的下一个时刻跑道运行模式进行预测，获得各个跑道运行模式作为当前时刻t跑道运行模式i的下一个时刻跑道运行模式的预测概率，得到多个预测概率；

55、设定阈值，将所述多个预测概率与所述阈值进行对比，将大于所述阈值的跑道运行模式作为当前时刻t跑道运行模式i的下一个时刻跑道运行模式预测结果，得到当前时刻t跑道运行模式i的下一个时刻跑道运行模式对应的多种预测结果。

56、优选的，当前时刻t跑道运行模式i为非独立节点时，所述当前时刻t非独立节点跑道运行模式i的下一个时刻跑道运行模式的预测概率表达式为：

57、

58、其中，piq,t+1表示非独立节点跑道运行模式i在下一时刻t+1的跑道运行模式为跑道运行模式q的预测概率；б(·)表示sigmoid函数，i，q∈n，n表示跑道运行模式总数量，zq(t)为当前时刻t非独立节点跑道运行模式q的时序消息记忆；zi(t)为当前时刻t非独立节点跑道运行模式i的时序消息记忆，t为转置，为当前时刻t非独立节点跑道运行模式i和q的点积向量。

59、所述当前时刻t跑道运行模式i为非独立节点时对应的损失函数表达式为：

60、

61、其中，yiq,t+1为时刻t+1非独立节点跑道运行模式i和跑道运行模式q之间的链接关系，yiq,t+1表示链接存在，yiq,t+1＝0表示链接不存在。

62、当前时刻t跑道运行模式i为独立节点时，所述当前时刻t独立节点跑道运行模式i的下一个时刻跑道运行模式的预测概率表达式为：

63、

64、其中，p′iq,t+1表示独立节点跑道运行模式i在下一时刻t+1的跑道运行模式为跑道运行模式q的预测概率；б(·)表示sigmoid函数，i，q∈n，n表示跑道运行模式总数量，zq(t)′为当前时刻t独立节点跑道运行模式q的时序消息记忆；zi(t)′为当前时刻t独立节点跑道运行模式i的时序消息记忆，t为转置，为当前时刻t独立节点跑道运行模式i和q的点积向量。

65、当前时刻t跑道运行模式i为独立节点时对应的损失函数表达式为：

66、δ＝y′iq,t+1log(p′iq,t+1)-(1-y′iq,t+1)log(1-p′iq,t+1)

67、其中，yiq,t+1为时刻t+1独立节点跑道运行模式i和跑道运行模式q之间的链接关系，y′iq,t+1表示链接存在，y′iq,t+1＝0表示链接不存在。

68、进一步的，基于历史跑道使用数据、航班计划数据、航班计划数据、环境和气象数据、运行约束和规则、跑道条件数据、节点和链接关系数据以及标签数据设定阈值。

69、与现有技术相比，本发明至少具有现如下有益效果：

70、(1)本发明综合考虑了机场群运行的复杂性和多样性，通过结合时间、机场群内部以及机场群之间的网络结构和机场的特征信息，能够适应各种机场群运行场景，特别是在机场交通流量或天气条件发生变化时，能够实现高精度的跑道运行模式预测，为管制员提供准确的跑道运行模式建议；

71、(2)本发明结合节点和边的特征实现了对实时数据的快速响应帮助机场群管理层制定更为科学和合理的运行策略；

72、(3)本发明优化了跑道调度、避免不必要的延误，提高了机场群的整体运行效率和安全性。

73、(4)本发明的跑道运行模式预测方法具有出色的扩展性，能够适应更大规模的机场群或引入更多的特征和数据来源，从而满足不断发展变化的机场群运行需求。