申请/专利权人：北京航空航天大学

申请日：2023-10-17

公开（公告）日：2024-03-29

公开（公告）号：CN117077771B

主分类号：G06N5/01

分类号：G06N5/01;G06N3/042;G06N3/0464;G06N3/08;G06F18/214;G06Q10/04;G06Q50/40

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2023.12.05#实质审查的生效;2023.11.17#公开

摘要：本发明属于民航延误预测技术领域，具体公开了一种因果关联驱动的航空交通网络波及效应预测方法，包括：根据历史航班数据，构造延误状态图向量；提取多时间尺度延误向量，基于格兰杰检验判定因果关系，并生成历史因果矩阵；基于历史因果矩阵加权延误状态图向量，并自适应生成未来因果矩阵；设计动态图神经网络模型，基于因果矩阵提取每时间片隐藏层图向量，通过迭代训练最终实现未来时间片延误预测；具有如下优点：通过格兰杰因果检验与动态图神经网络最终实现所有机场延误预测；利用机场延误数据之间的因果关联，并基于动态图神经网络模型对历史延误数据进行先验学习，为航空交通网络波及效应提供了一种有效的预测手段。

主权项：1.一种因果关联驱动的航空交通网络波及效应预测方法，其特征在于，包括如下步骤：S1，将航空网络的历史航班延误数据采用时间片切分，获得各时间片的每个机场的延误状态，得到各时间片的航空网络延误状态向量，并构建航空网络图结构延误状态向量序列；S2，提取每个机场在不同时间尺度下的航空网络图结构延误状态序列，并根据机场之间延误状态的影响关系，构建各时间尺度下航空网络的历史因果图；S3，划定包含当前时间片的多个连续时间片，令k=1，表示初始时间片，预设第0个时间片的总隐藏层状态向量；S4，对第k个时间片的航空网络延误状态向量、第k-1个时间片的总隐藏层状态向量与历史因果图采用图卷积神经网络处理，以获得各时间尺度下的历史隐藏层状态向量；S5，设计可训练嵌入向量，结合各时间尺度下的隐藏层状态向量，获得各时间尺度下的未来因果图矩阵；S6，基于各时间尺度下的未来因果图矩阵，对第k个时间片的航空网络延误状态向量分别进行单图因果卷积，设计各时间尺度下的可训练自适应参数，并对单图因果卷积的结果进行动态加权，以获得第k个时间片的总隐藏层状态向量；S7，令k=k+1，返回S4，直至第k个时间片为当前时间片，将当前时间片的总隐藏层状态向量转换为单维度特征矩阵，并作为对下一时间片的机场延误状态的预测结果输出。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种因果关联驱动的航空交通网络波及效应预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD