基于深度学习的飞机滑行时间预测方法及装置

本发明涉及机场管制数据处理，具体而言，涉及基于深度学习的飞机滑行时间预测方法及装置。

背景技术：

1、现有的飞机滑行时间预测方法仍存在以下弊端：1)由于机场场面的网络拓扑不同，现有的不同方法论涉及不同的特征值和特征变量，其考虑的特征值的数量从几个高达至几十个不等，尚未有统一的特征值选择标准，同时由于机场场面运动的不确定性，有一些被忽略或者不好被量化的有效特征无法进行统计，导致模型的性能受限；2)基于特定规则的数学模型的方法，在建模中受限于模型本身，当运行规则发生变化，模型便需要重新构建，缺乏普适性。虽然预测精度很高，但模型规则复杂不易分析，计算量大、决策变量维度高等，使得计算时间随模型复杂度增加呈指数增长，需要在计算精度和计算效率之间寻求平衡；3)目前用于滑行时间预测的机器学习、深度学习方法没有充分利用飞机滑行过程中产生的数据，挖掘飞机滑行过程中机场场面交通网络复杂的时空关联性。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的飞机滑行时间预测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

2、第一方面，本申请提供了一种基于深度学习的飞机滑行时间预测方法，包括：

3、获取第一信息，所述第一信息包括机场交通运行历史数据和当前飞机的出发时间；

4、对所述第一信息进行特征提取，得到不同时刻的路段交通状况特征、路段特征、时间特征、不同时刻的机场流量特征、飞机属性特征、和当前出发时间特征；

5、将所述不同时刻的路段交通状况特征、所述路段特征和所述时间特征组合成路段的静态时空特征，并根据所述路段的静态时空特征，基于空间注意力机制和时间注意力机制处理，得到所述路段的动态时空特征，所述路段的动态时空特征为滑行路线所经过的路段及其相邻路段的动态时空特征；

6、根据所述飞机属性特征、所述当前出发时间特征、所述路段的动态时空特征和所述滑行路线中所述路段的序列信息，基于3d时空交叉注意力机制和位置编码技术处理，得到所述滑行路线最终的动态时空隐藏表示；

7、根据所述飞机属性特征、所述当前出发时间特征和所述不同时刻的机场交通流量特征，基于交叉注意力机制处理，得到机场交通流量特征；

8、将所述飞机属性特征、所述当前出发时间特征、所述滑行路线最终的动态时空隐藏表示和所述机场交通流量特征输入线性层，输出得到滑行时间的预测结果。

9、第二方面，本申请还提供了一种基于深度学习的飞机滑行时间预测装置，包括：

10、第一获取模块，所述第一获取模块用于获取第一信息，所述第一信息包括机场交通运行历史数据和当前飞机的出发时间；

11、特征提取模块，所述特征提取模块用于对所述第一信息进行特征提取，得到不同时刻的路段交通状况特征、路段特征、时间特征、不同时刻的机场交通流量特征、飞机属性特征和当前出发时间特征；

12、第一处理模块，所述第一处理模块用于将所述不同时刻的路段交通状况特征、所述路段特征和所述时间特征组合成路段的静态时空特征，并根据所述路段的静态时空特征，基于空间注意力机制和时间注意力机制处理，得到所述路段的动态时空特征，所述路段的动态时空特征为滑行路线所经过的路段及其相邻路段的动态时空特征；

13、第二处理模块，所述第二处理模块用于根据所述飞机属性特征、所述当前出发时间特征、所述路段的动态时空特征和所述滑行路线中所述路段的序列信息，基于3d时空交叉注意力机制和位置编码技术处理，得到所述滑行路线最终的动态时空隐藏表示；

14、第三处理模块，所述第三处理模块用于根据所述飞机属性特征、所述当前出发时间特征和所述不同时刻的机场流量特征，基于交叉注意力机制处理，得到机场交通流量特征；

15、预测模块，所述预测模块用于将所述飞机属性特征、所述当前出发时间特征、所述滑行路线最终的动态时空隐藏表示和所述机场交通流量特征输入线性层，输出得到滑行时间的预测结果。

16、第三方面，本申请还提供了一种基于深度学习的飞机滑行时间预测设备，包括：

17、存储器，用于存储计算机程序；

18、处理器，用于执行所述计算机程序时实现所述基于深度学习的飞机滑行时间预测方法的步骤。

19、第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于基于深度学习的飞机滑行时间预测方法的步骤。

20、本发明的有益效果为：本发明通过挖掘飞机滑行过程产生的数据的时空关联，以及通过训练模型捕获机场场面交通流的复杂、非线性的时空关系，实现了充分挖掘机场交通网络的数据价值，获得高精度的滑行时间预测性能。

21、本发明的其他特征和优点将在随后的说明书阐述，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实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

技术特征：

1.一种基于深度学习的飞机滑行时间预测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的飞机滑行时间预测方法，其特征在于,所述机场交通运行历史数据包括路网信息、路段的历史交通状况信息、时间信息、飞机属性信息和机场的历史交通流量信息，对所述第一信息进行特征提取，包括：

3.根据权利要求1或2所述的基于深度学习的飞机滑行时间预测方法，其特征在于,根据所述路段的静态时空特征，基于空间注意力机制和时间注意力机制处理，得到所述路段的动态时空特征，包括：

4.根据权利要求2所述的基于深度学习的飞机滑行时间预测方法，其特征在于,所述飞机滑行时间预测方法还包括进行多任务学习，进行多任务学习包括：

5.根据权利要求1所述的基于深度学习的飞机滑行时间预测方法，其特征在于,根据所述飞机属性特征、所述当前出发时间特征、所述路段的动态时空特征和所述滑行路线中所述路段的序列信息，基于3d时空交叉注意力机制和位置编码技术处理，得到所述滑行路线最终的动态时空隐藏表示，包括：

6.一种基于深度学习的飞机滑行时间预测装置，其特征在于，包括：

7.根据权利要求6所述的基于深度学习的飞机滑行时间预测装置，其特征在于，所述机场交通运行历史数据包括路段的历史交通状况信息、路网信息、时间信息、机场的历史交通流量状况信息、飞机属性信息和当前飞机的出发时间，所述特征提取模块包括：

8.根据权利要求6或7所述的基于深度学习的飞机滑行时间预测装置，其特征在于，所述第一处理模块，包括：

9.根据权利要求7所述的基于深度学习的飞机滑行时间预测装置，其特征在于，所述飞机滑行时间预测装置还包括多任务学习模块，所述多任务学习模块包括：

10.根据权利要求7所述的基于深度学习的飞机滑行时间预测装置，其特征在于，所述第二处理模块，包括：

技术总结本发明提供了一种基于深度学习的飞机滑行时间预测方法及装置，涉及机场管制数据处理技术领域，包括获取不同时刻的路段交通状况特征、路段特征、时间特征、不同时刻的机场交通流量特征、飞机属性特征、当前出发时间特征，基于空间注意力机制和时间注意力机制处理，得到路段的动态时空特征；基于3D时空交叉注意力机制和位置编码技术处理，得到所述滑行路线最终的动态时空隐藏表示；基于交叉注意力机制处理，得到机场交通流量特征；将飞机属性特征、所述当前出发时间特征、滑行路线最终的动态时空隐藏表示和机场交通流量特征输入线性层，输出得到滑行时间的预测结果。本发明实现了充分挖掘机场交通网络的数据价值，获得高精度的滑行时间预测性能。技术研发人员：尹苏皖,杨校一,杨红雨,王晴,李瀚弘,伍元凯受保护的技术使用者：四川大学技术研发日：技术公布日：2024/7/15