Nothing Special   »   [go: up one dir, main page]

CN114722551A - 一种恶劣天气下空域网络容量预测方法 - Google Patents

一种恶劣天气下空域网络容量预测方法 Download PDF

Info

Publication number
CN114722551A
CN114722551A CN202210559930.5A CN202210559930A CN114722551A CN 114722551 A CN114722551 A CN 114722551A CN 202210559930 A CN202210559930 A CN 202210559930A CN 114722551 A CN114722551 A CN 114722551A
Authority
CN
China
Prior art keywords
airspace
sub
time
airport
capacity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210559930.5A
Other languages
English (en)
Other versions
CN114722551B (zh
Inventor
蔡开泉
张霄霄
唐硕
陈家同
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202210559930.5A priority Critical patent/CN114722551B/zh
Publication of CN114722551A publication Critical patent/CN114722551A/zh
Application granted granted Critical
Publication of CN114722551B publication Critical patent/CN114722551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)

Abstract

本发明涉及空中交通管理技术领域，提供了一种恶劣天气下空域网络容量预测方法。该方法包括：根据历史航迹将机场终端区划分多个子空域，根据恶劣天气时间列表和设定数量的节点特征构建基于注意力机制的时空图卷积神经网络图结构数据集，对基于注意力机制的时空图卷积神经网络进行设计和训练，获得气象对容量影响机理映射的神经网络参数，利用训练完成的基于注意力机制的时空图卷积神经网络，输入图结构特征数据，对空域网络各子空域进行容量预测。本发明更加准确的对空域网络容量进行预测，有助于提升决策质量及精细化程度，同时提高了模型的可解释性，使模型更加接近管制员人工管制判断的效果，有效减轻空管部门管制压力。

Description

一种恶劣天气下空域网络容量预测方法
技术领域
本发明涉及空中交通管理技术领域，尤其涉及一种恶劣天气下空域网络容量预测方法。
背景技术
在各种航班异常情况中，恶劣天气在是使航班无法正常运行的主要因素之一，其对航班正常运行的影响体现在恶劣天气下受影响扇区和机场容量受到管制部门限制，由此导致航班受流控影响而大面积延误或取消，最终造成大量旅客滞留机场的现象发生。民航以旅客体验为核心，为了避免旅客滞留机场事件发生，需提前对受恶劣天气影响空域容量进行预测，从而为航班规划新的飞行计划或取消航班，并将该信息及时发布给旅客，方便旅客提前更改出行计划。
在实际中，根据流量及航线分布，一个空域可以被划分为多个子空域，即管制扇区，从而更好地的控制流量。因为这些扇区在空间中呈网络状分布，并且在实际空中交通管制过程中，扇区之间有明显的相互影响，所以依据图论相关知识，对其进行网络化建模，将扇区转化为空域网络的节点，将扇区之间实际存在的航班流转化为连接各节点的边。在空域网络层面对各空域节点的容量进行预测，可以更好地考虑到在恶劣天气及其他情况下各节点之间的相互影响，从而得到更加精准的预测结果。
当前的恶劣天气下空域容量预测主要依靠管制员个人经验在气象影响下预测各机场及扇区的容量限制或容量降低率。该方法存在诸多问题：（1）难以适应复杂的空中交通运行场景。由于管制员的管制经验有限，当经验难以解决恶劣天气场景时，管制员将难以快速做出合理决策。（2）容量影响机理掌握不到位。恶劣天气下准确掌握气象对交通运行影响机理是合理安排航班飞行的基础。然而，目前容量预测主要依靠管制员个人经验，这可能会导致人为判断错误而导致的运行效率降低。（3）空域网络中的各空域节点在恶劣天气条件下不仅会在空间上产生相互影响，其在时间维度上也有相互联系。
因此，亟需提出恶劣天气下空域网络容量智能决策方法，对当前决策过程中存在的问题进行有效解决和优化。
发明内容
有鉴于此，本发明提供了一种恶劣天气下空域网络容量预测方法，以解决现有技术中难以适应复杂的空中交通运行场景、容量影响机理掌握不到位、空域网络中的各空域节点在恶劣天气条件下会在空间上产生相互影响，在时间维度上产生相互联系的问题。
本发明提供了一种恶劣天气下空域网络容量预测方法，包括：
S1根据历史航迹将机场终端区划分多个子空域，所述子空域包括机场子空域和非机场子空域，使所述非机场子空域包含设定范围航迹方向相似的航迹簇，将空域网络化建模为图结构，将所述子空域视为图结构中的节点；
S2在所述子空域中选取并处理设定数量的节点特征，构建恶劣天气时间列表，根据所述恶劣天气时间列表和设定数量的节点特征构建基于注意力机制的时空图卷积神经网络图结构数据集，其中，时空图卷积神经网络图结构数据集包括多个多维时空图序列；
S3基于注意力机制的时空图卷积神经网络图结构数据集，对基于注意力机制的时空图卷积神经网络进行设计和训练，获得气象对容量影响机理映射的神经网络参数；
S4利用训练完成的基于注意力机制的时空图卷积神经网络，输入图结构特征数据，对空域网络各子空域进行容量预测，其中，图结构特征包括设定数量的节点特征。
进一步地，所述S2中节点特征包括普适性特征，所述普适性特征的选取，包括：节点单点容量预测值的选取和节点气象信息及节点航班平均容量的选取。
进一步地，所述节点单点容量预测值的选取，包括：
若所述子空域为所述机场子空域，使用提升回归模型，将多个弱学习器进行串联，使所述提升回归模型的残差不断减少至设定阈值，对机场子空域单点容量进行预测，所述提升回归模型的构建方式如下：
（1）找到一个弱学习器F m （），x为提升回归模型输入，F m （x）为提升回归模型输出，得到F m （x）与目标值y之间的残差R（x）,
R（x）=y - F m （x）；
（2）保持F m （x）不变，使新的弱学习器h（）学习所述残差R（x），获得迭代后的弱学习器F m+1 （），F m+1 （x）、h（x）为提升回归模型输出，F m+1 （x）=F m （x）+ h（x）;
（3）重复（1）和（2），获得残差达到设定阈值的迭代后的弱学习器，并以所述残差达到设定阈值的迭代后的弱学习器作为提升回归模型；
若所述子空域为所述非机场子空域，读取所述恶劣天气时间列表中每20分钟间隔的时段和空域网络结构矩阵，在每个时段中，对每个非机场子空域大于设定阈值的雷达回波数据值点进行DBSCAN聚类，形成不同云团，用[圆心，半径]的方式存入非机场子空域的云团列表中，其中，圆心为对某一类的所有雷达回波数据值点的坐标，经纬度分别取平均值，半径为圆心坐标到该类所有点的最大距离；
将非机场子空域节点的上下边或左右边作为源点和汇点，将各云团作为非机场子空域的中间节点，构建（n+2）×（n+2）的非机场子空域邻接矩阵，n为非机场子空域大于设定阈值的雷达回波数据值点在非机场子空域内得到的圆的个数，构建非机场子空域邻接矩阵的过程中，若为边与边的距离，则计算两条线段的最短距离；若为圆心与圆心的距离，则用地理距离减去两个圆的半径；若为边与圆心的距离，则计算圆心与直线的垂线，并减去圆的半径；
对每个非机场子空域，通过用dijkstra算法计算纵向和横向的最短路径，对横向和纵向两个方向进行最大流最小割求解，取平均值作为非机场子空域最大流最小割；
基于最大流最小割，结合所述非机场子空域的小时放行率预测t时刻非机场子空域的容量，公式如下：
Figure 558579DEST_PATH_IMAGE001
其中，t为指定的时刻，C i （t）表示第i个非机场子空域在t时刻的预测容量，D i （t）代表第i个非机场子空域在t时刻的最大流最小割，L i 代表第i个非机场子空域在无天气状况下的最大流最小割，
P i （t）代表第i个非机场子空域在t时刻的小时放行率，T代表时间序列的时间间隔与1小时的比值。
进一步地，所述S2包括：
S21在所述子空域中选取并处理设定数量的节点特征，根据雷达回波数据找到指定区域有恶劣天气的连续时间序列，若某一子空域超过设定阈值的雷达回波数据值点的数量超过预设的阈值，则认为发生恶劣天气；将所述恶劣天气的连续时间序列分别存入列表中，获得所述恶劣天气时间列表；
S22对所述恶劣天气时间列表中每个时段，读取每个机场子空域的空域范围或非机场子空域的空域范围，对所述子空域进行数据处理，并采用获得的特征值和目标值构建基于注意力机制的时空图卷积神经网络图结构数据集。
进一步地，所述节点气象信息及节点航班平均容量的选取，包括：
根据所述子空域中雷达回波数据值的平均值获得节点气象信息，采用航迹采样的统计方法获得节点航班平均容量；
所述航迹采样的统计方法具体包括：
读取设定时间段内所有航班的航迹，每隔设定经度进行采样，针对不同天的相同时段，统计采样点落在各空域节点中的数量；
将大于设定数量阈值的所述采样点视为经过所述子空域，采用航迹采样的统计方法，通过不同天的相同时段得到的航班总数除以统计天数，获得每个时段的节点航班平均容量。
进一步地，所述S22中构建基于注意力机制的时空图卷积神经网络图结构数据集，包括：
在获取所述特征值后，对应所述恶劣天气时间列表，使用各节点的实际容量作为目标值，构建基于注意力机制的时空图卷积神经网络图结构数据集。
进一步地，所述S3中的时空图卷积神经网络提取多维时空图序列的空间特征和时间特征，并关注所述子空域相互之间的影响和历史天气的影响；经过全连接层，输出反映恶劣天气情况和航班需求情况共同影响下的空域网络中各所述子空域的容量组成的图。
进一步地，所述多维时空图序列输入时空图卷积神经网络后，所述时空图卷积神经网络图结构数据集中的数据经过时间特征的处理和空间特征的处理，所述时间特征的处理包括时间卷积块，时间注意力层，所述空间特征的处理包括空间注意力层，空间卷积块。
进一步地，所述S4，包括：
基于训练完成的基于注意力机制的时空图卷积神经网络，输入与注意力机制的图卷积神经网络的数据集格式相同的数据，使用a个时段的特征对b个时段的空域网络各节点容量进行预测，并输出气象影响下的容量限制预测；
Figure 613123DEST_PATH_IMAGE002
Figure 777388DEST_PATH_IMAGE003
其中，
Figure 550172DEST_PATH_IMAGE004
分别代表t-b时刻到t时刻的容量预测值，ASTGCN为基于注意力机制的时空图卷积神经网络；v t-a ,..., v t-1,v t ,分别代表t-a到t时刻的图结构特征数据。
本发明与现有技术相比存在的有益效果是：
1.考虑到空域网络中各子空域节点之间时间、空间双重维度的相互影响，更加准确的对空域网络容量进行预测，更适用于解决流量管理智能决策问题。
2.在数据处理过程中加入了优化算法，有助于提升决策质量及精细化程度，同时提高了模型的可解释性。
3.结合历史航班管制数据，使模型更加接近管制员人工管制判断的效果，有效减轻空管部门管制压力。
附图说明
为了更清楚地说明本发明中的技术方案，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的前提下，还可以根据这些附图获得其它的附图。
图1是本发明提供的一种恶劣天气下空域网络容量预测方法的流程图；
图2是本发明提供的基于航迹的网络化建模示意图；
图3是本发明提供的恶劣天气下空域网络容量限制智能决策方法实施例的模型图；
图4是本发明提供的基于图注意力机制的神经网络模型示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
下面将结合附图详细说明根据本发明的一种恶劣天气下空域网络容量预测方法。
图1是本发明提供的一种恶劣天气下空域网络容量预测方法的流程图。
图2是本发明提供的基于航迹的网络化建模示意图。
如图1所示，该恶劣天气下空域网络容量预测方法包括：
S1根据历史航迹将机场终端区划分多个子空域，所述子空域包括机场子空域和非机场子空域，使所述非机场子空域包含设定范围航迹方向相似的航迹簇，将空域网络化建模为图结构，将所述子空域视为图结构中的节点；
S2在子空域中选取并处理设定数量的节点特征，构建恶劣天气时间列表，根据恶劣天气时间列表和设定数量的节点特征构建基于注意力机制的时空图卷积神经网络图结构数据集，其中，时空图卷积神经网络图结构数据集包括多个多维时空图序列；
S2中节点特征包括普适性特征，普适性特征的选取，包括：节点单点容量预测值的选取和节点气象信息及节点航班平均容量的选取。
节点单点容量预测值的选取，包括：
若子空域为机场子空域，使用提升回归模型，将多个弱学习器进行串联，使提升回归模型的残差不断减少至设定阈值，对机场子空域单点容量进行预测，提升回归模型的构建方式如下：
（1）找到一个弱学习器F m （），x为提升回归模型输入，F m （x）为提升回归模型输出，得到F m （x）与目标值y之间的残差R（x）,
R（x）=y - F m （x）；
（2）保持F m （x）不变，使新的弱学习器h（）学习所述残差
R（x），获得迭代后的弱学习器F m+1 （），F m+1 （x）、h（x）为提升回归模型输出，F m+1 （x）=F m （x）+ h（x）;
（3）重复（1）和（2），获得残差达到设定阈值的迭代后的弱学习器，并以所述残差达到设定阈值的迭代后的弱学习器作为提升回归模型；
提升回归模型的数据集的数据格式如下：
特征值：[小时，分钟，能见度，云信息，云高，气象信息]
目标值：[机场容量]
若所述子空域为所述非机场子空域，读取所述恶劣天气时间列表中每20分钟间隔的时段和空域网络结构矩阵，在每个时段中，对每个非机场子空域大于设定阈值的雷达回波数据值点进行DBSCAN聚类，形成不同云团，用[圆心，半径]的方式存入非机场子空域的云团列表中，其中，圆心为对某一类的所有雷达回波数据值点的坐标，经纬度分别取平均值，半径为圆心坐标到该类所有点的最大距离；
将非机场子空域节点的上下边或左右边作为源点和汇点，将各云团作为非机场子空域的中间节点，构建（n+2）×（n+2）的非机场子空域邻接矩阵，n为非机场子空域大于设定阈值的雷达回波数据值点在非机场子空域内得到的圆的个数，构建非机场子空域邻接矩阵的过程中，若为边与边的距离，则计算两条线段的最短距离；若为圆心与圆心的距离，则用地理距离减去两个圆的半径；若为边与圆心的距离，则计算圆心与直线的垂线，并减去圆的半径；
对每个非机场子空域，通过用dijkstra算法计算纵向和横向的最短路径，对横向和纵向两个方向进行最大流最小割求解，取平均值作为非机场子空域最大流最小割；
基于最大流最小割，结合所述非机场子空域的小时放行率预测t时刻非机场子空域的容量，公式如下：
Figure 622033DEST_PATH_IMAGE005
（1）
其中，t为指定的时刻，C i （t）表示第i个非机场子空域在t时刻的预测容量，D i （t）代表第i个非机场子空域在t时刻的最大流最小割，L i 代表第i个非机场子空域在无天气状况下的最大流最小割，
P i （t）代表第i个非机场子空域在t时刻的小时放行率，T代表时间序列的时间间隔与1小时的比值。
节点气象信息及节点航班平均容量的选取，包括：
根据子空域中雷达回波数据值的平均值获得节点气象信息，采用航迹采样的统计方法获得节点航班平均容量，根据航迹采样的统计方法具体包括：
读取设定时间段内所有航班的航迹，每隔设定经度进行采样，针对不同天的相同时段，统计采样点落在各空域节点中的数量；
将大于设定数量阈值的采样点视为经过子空域，采用航迹采样的统计方法，通过不同天的相同时段得到的航班总数除以统计天数，获得每个时段的节点航班平均容量。
S2包括：
S21在所述子空域中选取并处理设定数量的节点特征，根据雷达回波数据找到指定区域有恶劣天气的连续时间序列，若某一子空域超过设定阈值的雷达回波数据值点的数量超过预设的阈值，则认为发生恶劣天气；将所述恶劣天气的连续时间序列分别存入列表中，获得所述恶劣天气时间列表；
S22对恶劣天气时间列表中每个时段，读取每个机场子空域的空域范围或非机场子空域的空域范围，对子空域进行数据处理，并采用获得的特征值和目标值构建基于注意力机制的时空图卷积神经网络图结构数据集。
构建基于注意力机制的时空图卷积神经网络图结构数据集，包括：
在获取特征值后，对应恶劣天气时间列表，使用各节点的实际容量作为目标值，构建基于注意力机制的时空图卷积神经网络图结构数据集：
例如，使用a个时段预测b个时段容量的数据集，a和b为人为设定的正整数，数据集中数据的格式如下：
T n 为编号为n的时段的图结构特征值，对每个节点都有：[节点单点容量预测值，节点平均回波值，节点航班平均容量，……]
特征值：[[T n-a],……，[T n-1]，[T n]]
T n-a… T n为编号为n-a到n时段的图结构特征值，
目标值：[编号n-b时段各子空域节点容量，……，编号n时段各子空域节点容量]。
图3是本发明提供的恶劣天气下空域网络容量限制智能决策方法实施例的模型图。
图4是本发明提供的基于图注意力机制的神经网络模型示意图。
S3基于注意力机制的时空图卷积神经网络图结构数据集，对基于注意力机制的时空图卷积神经网络进行设计和训练，获得气象对容量影响机理映射的神经网络参数；
S3中的时空图卷积神经网络提取多维时空图序列的空间特征和时间特征，并关注子空域相互之间的影响和历史天气的影响；经过全连接层，输出反映恶劣天气情况和航班需求情况共同影响下的空域网络中各子空域的容量组成的图。
多维时空图序列输入至基于注意力机制的时空图卷积神经网络后，基于注意力机制的时空图卷积神经网络图结构数据集中的数据经过时间特征的处理和空间特征的处理，时间特征的处理包括时间卷积块，时间注意力层，空间特征的处理包括空间注意力层，空间卷积块。
空间特征的处理，包括：
（1）空间注意力层
在网络中增加图卷积的空间注意力机制，处理交通流预测问题，对于有N个节点的图，空间注意力矩阵S和进行softmax操作后的注意力矩阵
Figure 999925DEST_PATH_IMAGE006
定义如下：
Figure 131829DEST_PATH_IMAGE007
（2）
Figure 391909DEST_PATH_IMAGE008
（3）
其中，exp（）代表以自然常数e为底的指数函数，（） T 为矩阵转置符号，x h 是维度为N×C×T的三维矩阵，为空间卷积块的输入，N代表网络中节点的个数，C代表网络中节点的维度，即每个节点特征的数量，也称为通道数，T代表时间的步长跨度，
另外，N×N维矩阵Vs，bs，T维向量W 1，C×T维矩阵W 2, C维向量W 3 都作为可学习参数在网络中进行训练；
公式（3）对注意力矩阵进行了softmax操作，将注意力矩阵归一化；S中的S i,j 代表节点i和节点j的相关强度，
Figure 205144DEST_PATH_IMAGE009
代表处理后的节点i和节点j的相关强度，使用（3）中的softmax操作保证处理后的注意力矩阵
Figure 499859DEST_PATH_IMAGE010
中每一个节点对于其他节点的相关权值之和为1；
（2）空间卷积块
在每个时间切片上，基于谱域方法的图卷积对图信号进行卷积操作，在空间维度上挖掘天气影响容量的特征；
对图G拉普拉斯矩阵进行分析，以得到图G的相关性质，有N个节点的图G的拉普拉斯矩阵定义为L=D-A，其中A,D为N×N维矩阵，分别为图G的邻接矩阵和度矩阵，其中，图G是指S1中的“将空域网络化建模为图结构”中的图；
根据在空间中使用谱域方法进行卷积操作是将图G进行傅里叶变换，在谱域对网络进行卷积操作后再进行傅里叶反变换进行下一轮迭代，谱域卷积操作g*Gx定义如下：
Figure 5927DEST_PATH_IMAGE011
（4）
其中，g为图卷积核，*G代表图卷积操作，x代表图的特征，
Figure 487724DEST_PATH_IMAGE012
为Harmand积，图G拉普拉斯进行特征值分解的表达式如下：L=UÙU T ，获得傅里叶基U和特征值对角阵Λ，则U（）代表傅里叶逆变换，U T 为U的转置矩阵，U T x，U T g代表对x，g的傅里叶变换，以矩阵乘法的形式表达此公式，去掉harmand乘积，将U T g整体看作可学习的卷积核，令
Figure 668432DEST_PATH_IMAGE013
，
Figure 755336DEST_PATH_IMAGE014
代表等价后的图卷积核，为U T g的等价对角型，diag（）代表转化成等价对角型，则公式（4）等价转换为：
Figure 494622DEST_PATH_IMAGE015
（5）
U代表傅里叶逆变换，U T 代表傅里叶变换，采用切比雪夫多项式对卷积核
Figure 666978DEST_PATH_IMAGE016
进行拟合：
Figure 618753DEST_PATH_IMAGE017
（6）
其中，
Figure 888061DEST_PATH_IMAGE018
为近似后的L拉普拉斯矩阵，
Figure 735931DEST_PATH_IMAGE019
，λ max 为L矩阵的最大特征值，I N 为N阶单位矩阵，K为人为设定，是拟合卷积核所使用的切比雪夫多项式的最大阶数，k为切比雪夫多项式的阶数，k阶切比雪夫多项式
Figure 457899DEST_PATH_IMAGE020
由
Figure 416628DEST_PATH_IMAGE021
Figure 9283DEST_PATH_IMAGE022
计算得到的，其中
Figure 90372DEST_PATH_IMAGE023
，
Figure 237319DEST_PATH_IMAGE024
，
Figure 796477DEST_PATH_IMAGE025
，
Figure 285051DEST_PATH_IMAGE026
分别为k-1，k-2，1，0阶切比雪夫多项式，I为单位矩阵，在(6)式中，k维向量θ是可学习参数，θ k 为对应k阶切比雪夫多项式的系数，作为各阶次切比雪夫多项式的系数，用于拟合卷积核；
在实际使用切比雪夫近似时，基于降低计算复杂度的考虑，取一阶切比雪夫近似，取
Figure 209144DEST_PATH_IMAGE027
，其中θ 1 ，θ 0 为对应1阶，0阶切比雪夫多项式的系数，θ为θ 1 和θ 0 的假设取值，为可学习参数，进一步假设λ max =2，可以得到：
Figure 905705DEST_PATH_IMAGE028
（7）
其中，I N 为N阶单位矩阵，Ã为近似处理后的图G的邻接矩阵A，Ã=A+I，
Figure 206236DEST_PATH_IMAGE029
为近似处理后的度矩阵D，
Figure 304642DEST_PATH_IMAGE030
，
Figure 196375DEST_PATH_IMAGE031
为
Figure 317915DEST_PATH_IMAGE032
的第i行第i列的元素，
Figure 484454DEST_PATH_IMAGE033
为Ã的第i行第j列的元素，将图注意力矩阵
Figure 109470DEST_PATH_IMAGE034
与k阶切比雪夫多项式
Figure 703263DEST_PATH_IMAGE035
经过harmand乘积处理，结合空间注意力机制的图卷积，获得动态调整恶劣天气点的受关注程度
Figure 843257DEST_PATH_IMAGE036
，其中，基于注意力的图卷积定义如下：
Figure 751170DEST_PATH_IMAGE037
（8）
时间特征的处理，包括：
（1）时间卷积块
a. 时间卷积
采用二维卷积对时间维度的数据进行特征提取，二维卷积的操作，使用卷积核按照人为设定位置对应，分别与完成边缘补齐的输入图数据的对应元素按位点乘并求和，并将卷积核有顺序的按照设定的步长进行移动，扫描其他区域，直到完成所有计算；
对由多个输入平面组成的输入信号进行二维卷积，输入信号的形式为（N,C in ,H in , W in ），其中，N表示批量的大小，C in 表示输入通道个数，其中，输入通道个数为每个点的特征数量；H in ，W in 分别表示输入特征图的高度和宽度，在基于注意力机制的时空图卷积神经网络中，输入特征图的高度为特征节点数，输入特征图的宽度为时间步长跨度，数据输出形式为：（N,C out ,H out ,W out ），其中，C out 为输出通道个数，大小人为指定，H out 为输出节点特征数、特征图的高度，W out 为输出时间步长跨度、特征图的宽度，输出如下：
Figure 558589DEST_PATH_IMAGE038
Figure 260966DEST_PATH_IMAGE039
（9）
Figure 655300DEST_PATH_IMAGE040
Figure 898063DEST_PATH_IMAGE041
（10）
其中，
Figure 497672DEST_PATH_IMAGE042
为向下取整符号，stride[0]，stride[1]分别为人为设置的在高和宽方向的步长，用于控制卷积核矩阵每次移动的距离，padding[0], padding[1]为分别在高和宽方向边缘补齐的数量，用于抵消由于卷积而造成的矩阵长宽减少，dilation[0]， dilation[1]为卷积核的投影在数据中高和宽方向的移动间隔，用于改变感受野大小，k_ size[0]，k_size[1]为卷积核在高和宽方向的大小；
b. 门控机制
神经网络模型的时间卷积块通过卷积操作使用大小为（1，K t ）的卷积核，K t 大小为人为指定，代表卷积核的大小，使用门控线性单元作为卷积块的非线性部分，门控线性单元可以选择性的对输入的信息进行控制；
在神经网络模型中，时间卷积块中的门控机制通过输入的原始信息和一个由输入信息控制的记忆门或忘记门组成一个门控单元；
时间门控机制流程如下：
将输入数据X进行三个相同的二维时间卷积操作，卷积核大小为（1，K t ），K t 大小为人为指定，代表卷积核的大小，得到相同的新数据P、新数据Q和新数据A，P、Q、A都为卷积输出，将新数据Q 经过激活函数处理后与新数据P相加，得到
Figure 433267DEST_PATH_IMAGE043
为门控输出，其中
Figure 751115DEST_PATH_IMAGE044
为harmand积，为
Figure 531990DEST_PATH_IMAGE045
激活函数RELU操作，
Figure 314001DEST_PATH_IMAGE046
，x为函数输入，max（）为取最大值操作，
进行门控操作后，增加了残差连接层，并进行激活函数RELU操作，保留模型的非线性能力，如下式所示：
Figure 358180DEST_PATH_IMAGE047
（11）
A为图G的邻接矩阵，x h 为门控操作及残差连接后输出的特征数据，下一步会进入时间注意力模块层；
（2）时间注意力层
时间注意力公式与空间注意力类似，时间注意力矩阵E和进行softmax操作后的注意力矩阵
Figure 225642DEST_PATH_IMAGE048
定义如下：
Figure 13469DEST_PATH_IMAGE049
（12）
Figure 649987DEST_PATH_IMAGE050
（13）
其中exp（）代表以自然常数e为底的指数函数，x h 是维度为N×C×T的三维矩阵，是时间卷积块的输出，N代表网络中节点的个数，C代表网络中节点的维度也称通道数，T代表时间的步长跨度；
公式（13）对注意力矩阵进行了softmax操作，将注意力矩阵归一化，E中的E i,j 代表节点i和节点j的相关强度，
Figure 865068DEST_PATH_IMAGE051
代表处理后的节点i和节点j的相关强度，使用（13）中的softmax操作保证处理后的注意力矩阵
Figure 954247DEST_PATH_IMAGE052
中每一个节点对于其他节点的相关权值之和为1。公式(13)对注意力矩阵进行了softmax操作，将注意力矩阵归一化，T×T维矩阵V e ,b e ，N维向量U 1 ，C×T维矩阵U 2 ，C维向量U 3 都作为可学习参数在网络中进行训练，是神经网络参数的一部分。
S4利用训练完成的基于注意力机制的时空图卷积神经网络，输入图结构特征数据，对空域网络各子空域进行容量预测，其中，图结构特征包括设定数量的节点特征。
S4，包括：
基于训练完成的基于注意力机制的时空图卷积神经网络，输入与注意力机制的图卷积神经网络的数据集格式相同的数据，使用a个时段的特征对b个时段的空域网络各节点容量进行预测，并输出气象影响下的容量限制预测；
Figure 545765DEST_PATH_IMAGE053
Figure 535324DEST_PATH_IMAGE054
（14）
其中，
Figure 921306DEST_PATH_IMAGE055
分别代表t-b时刻到t时刻的容量预测值，ASTGCN为基于注意力机制的时空图卷积神经网络；v t-a ,..., v t-1,v t ,分别代表t-a到t时刻的图结构特征数据。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
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。
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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种恶劣天气下空域网络容量预测方法，其特征在于，包括：
S1根据历史航迹将机场终端区划分多个子空域，所述子空域包括机场子空域和非机场子空域，使所述非机场子空域包含设定范围航迹方向相似的航迹簇，将空域网络化建模为图结构，将所述子空域视为图结构中的节点；
S2在所述子空域中选取并处理设定数量的节点特征，构建恶劣天气时间列表，根据所述恶劣天气时间列表和设定数量的节点特征构建基于注意力机制的时空图卷积神经网络图结构数据集，其中，时空图卷积神经网络图结构数据集包括多个多维时空图序列；
S3基于注意力机制的时空图卷积神经网络图结构数据集，对基于注意力机制的时空图卷积神经网络进行设计和训练，获得气象对容量影响机理映射的神经网络参数；
S4利用训练完成的基于注意力机制的时空图卷积神经网络，输入图结构特征数据，对空域网络各子空域进行容量预测，其中，图结构特征数据包括设定数量的节点特征。
2.根据权利要求1所述的恶劣天气下空域网络容量预测方法，其特征在于，
所述S2中节点特征包括普适性特征，所述普适性特征的选取，包括：节点单点容量预测值的选取和节点气象信息及节点航班平均容量的选取。
3.根据权利要求2所述的恶劣天气下空域网络容量预测方法，其特征在于，所述节点单点容量预测值的选取，包括：
若所述子空域为所述机场子空域，使用提升回归模型，将多个弱学习器进行串联，使所述提升回归模型的残差不断减少至设定阈值，对机场子空域单点容量进行预测，所述提升回归模型的构建方式如下：
（1）找到一个弱学习器F m （），x为提升回归模型输入，F m （x）为提升回归模型输出，得到F m （x）与目标值y之间的残差R（x）,
R（x）=y - F m （x）；
（2）保持F m （x）不变，使新的弱学习器h（）学习所述残差R（x），获得迭代后的弱学习器F m+1 （），F m+1 （x）、h（x）为提升回归模型输出，F m+1 （x）=F m （x）+ h（x）;
（3）重复（1）和（2），获得残差达到设定阈值的迭代后的弱学习器，并以所述残差达到设定阈值的迭代后的弱学习器作为提升回归模型；
若所述子空域为所述非机场子空域，读取所述恶劣天气时间列表中每20分钟间隔的时段和空域网络结构矩阵，在每个时段中，对每个非机场子空域大于设定阈值的雷达回波数据值点进行DBSCAN聚类，形成不同云团，用[圆心，半径]的方式存入非机场子空域的云团列表中，其中，圆心为对某一类的所有雷达回波数据值点的坐标，经纬度分别取平均值，半径为圆心坐标到该类所有点的最大距离；
将非机场子空域节点的上下边或左右边作为源点和汇点，将各云团作为非机场子空域的中间节点，构建（n+2）×（n+2）的非机场子空域邻接矩阵，n为非机场子空域大于设定阈值的雷达回波数据值点在非机场子空域内得到的圆的个数，构建非机场子空域邻接矩阵的过程中，若为边与边的距离，则计算两条线段的最短距离；若为圆心与圆心的距离，则用地理距离减去两个圆的半径；若为边与圆心的距离，则计算圆心与直线的垂线，并减去圆的半径；
对每个非机场子空域，通过用dijkstra算法计算纵向和横向的最短路径，对横向和纵向两个方向进行最大流最小割求解，取平均值作为非机场子空域最大流最小割；
基于最大流最小割，结合所述非机场子空域的小时放行率预测t时刻非机场子空域的容量，公式如下：
Figure 419995DEST_PATH_IMAGE001
其中，t为指定的时刻，C i （t）表示第i个非机场子空域在t时刻的预测容量，D i （t）代表第i个非机场子空域在t时刻的最大流最小割，L i 代表第i个非机场子空域在无天气状况下的最大流最小割，
P i （t）代表第i个非机场子空域在t时刻的小时放行率，T代表时间序列的时间间隔与1小时的比值。
4.根据权利要求1所述的恶劣天气下空域网络容量预测方法，其特征在于，所述S2包括：
S21在所述子空域中选取并处理设定数量的节点特征，根据雷达回波数据找到指定区域有恶劣天气的连续时间序列，若某一子空域超过设定阈值的雷达回波数据值点的数量超过预设的阈值，则认为发生恶劣天气；将所述恶劣天气的连续时间序列分别存入列表中，获得所述恶劣天气时间列表；
S22对所述恶劣天气时间列表中每个时段，读取每个机场子空域的空域范围或非机场子空域的空域范围，对所述子空域进行数据处理，并采用获得的特征值和目标值构建基于注意力机制的时空图卷积神经网络图结构数据集。
5.根据权利要求2所述的恶劣天气下空域网络容量预测方法，其特征在于，所述节点气象信息及节点航班平均容量的选取，包括：
根据所述子空域中雷达回波数据值的平均值获得节点气象信息，采用航迹采样的统计方法获得节点航班平均容量；
所述航迹采样的统计方法具体包括：
读取设定时间段内所有航班的航迹，每隔设定经度进行采样，针对不同天的相同时段，统计采样点落在各空域节点中的数量；
将大于设定数量阈值的所述采样点视为经过所述子空域，采用航迹采样的统计方法，通过不同天的相同时段得到的航班总数除以统计天数，获得每个时段的节点航班平均容量。
6.根据权利要求4所述的恶劣天气下空域网络容量预测方法，其特征在于，所述S22中构建基于注意力机制的时空图卷积神经网络图结构数据集，包括：
在获取所述特征值后，对应所述恶劣天气时间列表，使用各节点的实际容量作为目标值，构建基于注意力机制的时空图卷积神经网络图结构数据集。
7.根据权利要求1所述的恶劣天气下空域网络容量预测方法，其特征在于，所述S3中的时空图卷积神经网络提取多维时空图序列的空间特征和时间特征，并关注所述子空域相互之间的影响和历史天气的影响；经过全连接层，输出反映恶劣天气情况和航班需求情况共同影响下的空域网络中各所述子空域的容量组成的图。
8.根据权利要求7所述的恶劣天气下空域网络容量预测方法，其特征在于，
所述多维时空图序列输入时空图卷积神经网络后，所述时空图卷积神经网络图结构数据集中的数据经过时间特征的处理和空间特征的处理，所述时间特征的处理包括时间卷积块，时间注意力层，所述空间特征的处理包括空间注意力层，空间卷积块。
9.根据权利要求1所述的恶劣天气下空域网络容量预测方法，其特征在于，所述S4，包括：
基于训练完成的基于注意力机制的时空图卷积神经网络，输入与图卷积神经网络的数据集格式相同的数据，使用a个时段的特征对b个时段的空域网络各节点容量进行预测，并输出气象影响下的容量限制预测；
Figure 620032DEST_PATH_IMAGE002
Figure 410133DEST_PATH_IMAGE003
其中，
Figure 898884DEST_PATH_IMAGE004
分别代表t-b时刻到t时刻的容量预测值，ASTGCN为基于注意力机制的时空图卷积神经网络；v t-a ,..., v t-1,v t ,分别代表t-a到t时刻的图结构特征数据。
CN202210559930.5A 2022-05-23 2022-05-23 一种恶劣天气下空域网络容量预测方法 Active CN114722551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210559930.5A CN114722551B (zh) 2022-05-23 2022-05-23 一种恶劣天气下空域网络容量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210559930.5A CN114722551B (zh) 2022-05-23 2022-05-23 一种恶劣天气下空域网络容量预测方法

Publications (2)

Publication Number Publication Date
CN114722551A true CN114722551A (zh) 2022-07-08
CN114722551B CN114722551B (zh) 2022-08-30

Family

ID=82231734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210559930.5A Active CN114722551B (zh) 2022-05-23 2022-05-23 一种恶劣天气下空域网络容量预测方法

Country Status (1)

Country Link
CN (1) CN114722551B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796391A (zh) * 2023-01-31 2023-03-14 北京航空航天大学 一种基于多源时变特征融合的机场容量预测方法
CN116705180A (zh) * 2023-08-08 2023-09-05 山东北国发展集团有限公司 基于多维数据分析的n2o催化分解监测方法及系统
CN116797625A (zh) * 2023-07-20 2023-09-22 无锡埃姆维工业控制设备有限公司 一种单目三维工件位姿估计方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111292562A (zh) * 2020-05-12 2020-06-16 北京航空航天大学 一种航空流量预测方法
CN112927510A (zh) * 2021-02-08 2021-06-08 湖南大学 一种交通流量预测方法
CN113657814A (zh) * 2021-09-03 2021-11-16 北京航空航天大学 一种航空网络风险预测方法及风险等级评估方法
CN113780662A (zh) * 2021-09-14 2021-12-10 北京航空航天大学 一种流量预测方法、装置、设备和介质
CN113852492A (zh) * 2021-09-01 2021-12-28 南京信息工程大学 基于注意力机制和图卷积神经网络的网络流量预测方法
CN114038200A (zh) * 2021-11-29 2022-02-11 东北大学 基于注意力机制的时空同步图卷积网络交通流量预测方法
US20220092418A1 (en) * 2020-12-22 2022-03-24 Beijing Baidu Netcom Science Technology Co., Ltd. Training method for air quality prediction model, prediction method and apparatus, device, program, and medium

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111292562A (zh) * 2020-05-12 2020-06-16 北京航空航天大学 一种航空流量预测方法
US20220092418A1 (en) * 2020-12-22 2022-03-24 Beijing Baidu Netcom Science Technology Co., Ltd. Training method for air quality prediction model, prediction method and apparatus, device, program, and medium
CN112927510A (zh) * 2021-02-08 2021-06-08 湖南大学 一种交通流量预测方法
CN113852492A (zh) * 2021-09-01 2021-12-28 南京信息工程大学 基于注意力机制和图卷积神经网络的网络流量预测方法
CN113657814A (zh) * 2021-09-03 2021-11-16 北京航空航天大学 一种航空网络风险预测方法及风险等级评估方法
CN113780662A (zh) * 2021-09-14 2021-12-10 北京航空航天大学 一种流量预测方法、装置、设备和介质
CN114038200A (zh) * 2021-11-29 2022-02-11 东北大学 基于注意力机制的时空同步图卷积网络交通流量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIATONG CHEN 等: "An Airspace Capacity Estimation Model based on Spatio-Temporal Graph Convolutional Networks Considering Weather Impact", 《2021 IEEE/AIAA 40TH DIGITAL AVIONICS SYSTEMS CONFERENCE (DASC)》 *
SHENGNAN GUO 等: "Attention based spatial-temporal graph convolutional networks for traffic flow forecasting", 《THE THIRTY-THIRD AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE (AAAI-19)》 *
冯宁: "基于时空图卷积网络的高速公路流量预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
张昊: "考虑时空相关性的机场和航班延误预测研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796391A (zh) * 2023-01-31 2023-03-14 北京航空航天大学 一种基于多源时变特征融合的机场容量预测方法
CN116797625A (zh) * 2023-07-20 2023-09-22 无锡埃姆维工业控制设备有限公司 一种单目三维工件位姿估计方法
CN116797625B (zh) * 2023-07-20 2024-04-19 无锡埃姆维工业控制设备有限公司 一种单目三维工件位姿估计方法
CN116705180A (zh) * 2023-08-08 2023-09-05 山东北国发展集团有限公司 基于多维数据分析的n2o催化分解监测方法及系统
CN116705180B (zh) * 2023-08-08 2023-10-31 山东北国发展集团有限公司 基于多维数据分析的n2o催化分解监测方法及系统

Also Published As

Publication number Publication date
CN114722551B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114722551B (zh) 一种恶劣天气下空域网络容量预测方法
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
CN112350899B (zh) 一种基于图卷积网络融合多特征输入的网络流量预测方法
CN112489426B (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN110766942A (zh) 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
CN113326981B (zh) 基于动态时空注意力机制的大气环境污染物预测模型
CN110516833A (zh) 一种基于特征提取的Bi-LSTM预测道路交通状态的方法
CN112907970B (zh) 一种基于车辆排队长度变化率的可变车道转向控制方法
CN112071062B (zh) 一种基于图卷积网络和图注意力网络的行车时间估计方法
CN111292525A (zh) 基于神经网络的交通流预测方法
CN109920248B (zh) 一种基于gru神经网络的公交到站时间预测方法
CN115376317B (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
Zhang et al. A Bayesian network approach to time series forecasting of short-term traffic flows
CN114495500B (zh) 一种基于对偶动态时空图卷积的交通预测方法
CN103745602B (zh) 一种基于滑窗平均的交通流量预测方法
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN112766240B (zh) 基于时空关系的残差多图卷积人群分布预测方法及系统
Odeh Hybrid algorithm: fuzzy logic-genetic algorithm on traffic light intelligent system
CN115862324A (zh) 一种智慧交通的时空同步图卷积神经网络及交通预测方法
Miletić et al. State complexity reduction in reinforcement learning based adaptive traffic signal control
Wang et al. A novel time efficient machine learning-based traffic flow prediction method for large scale road network
Chang et al. Tensor extended Kalman filter and its application to traffic prediction
CN114548572A (zh) 城市路网交通状态的预测方法、装置、设备及介质
CN112529270A (zh) 基于深度学习的水流量预测模型

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant