CN115966107A - 一种基于图神经网络的机场交通流预测方法 - Google Patents

Abstract

本发明涉及交通流预测领域，具体涉及一种基于图神经网络的机场交通流预测方法。首先，获取机场交通流观测数据、机场航空气象数据、航路网络数据、航班时刻数据以及机场对之间航班飞行时长数据；通过机场航路网络数据、航班时刻数据以及机场对之间航班飞行时长数据构建多关系机场网络，根据机场交通流观测数据和航空气象数据构建机场交通流数据集；应用注意力机制将多关系机场网络融合为有向的单关系机场网络；使用双向GCN模型提取多个机场交通网络的空间结构特征；将该模型嵌入到GRU模型，提取机场交通流数据的时空相关性，构建机场交通流预测模型。本发明实现大范围、多机场情景的机场交通流预测，提高机场交通流量预测精度。

Description

一种基于图神经网络的机场交通流预测方法

技术领域

本发明涉及一种交通流预测，特别是一种基于图神经网络的机场交通流预测方法。

背景技术

随着空中交通运输行业的飞速发展，航班量大幅度增加，由于有限的机场容量，繁忙机场常常容易出现空域拥挤和航班延误的现象，为管制员和机场管理人员带来了繁重的工作负担。与扩建机场基础设施相比，建立更加精细、有效的流量管理措施，能够在短期内提高管制效率，显著降低管制员工作负荷。飞行流量管理包括战略飞行流量管理、预战术飞行流量管理和战术飞行流量管理(实时飞行流量管理)。原则上以战略飞行流量管理、预战术飞行流量管理为主，实时流量管理为辅。短期交通流预测是预战术和战术流量管理的先导工作之一，准确的预测结果能够使管制员提前了解未来一段时间内的机场空域流量情况和趋势，进而合理安排和协调空域资源，预防和缓解各类飞行冲突，保障飞行安全。但是由于飞行过程复杂，影响机场交通流量变化因素众多，包括机场气象条件、航班时刻安排、航路网络结构、以及实时变化交通状态等多个空中交通要素信息。

常用的机场交通流预测方法包括基于航迹推演的机场交通流预测方法和基于数据驱动的机场交通流预测方法。其中基于航迹推演的机场交通流预测方法需要对航空器的各项参数指标和气象条件有精准的掌握，并且需要计算每架航班轨迹信息，在预测大范围空域内交通流量时，预测模型的计算量将大幅增加。而基于数据驱动的机场交通流预测方法，回避了影响航班航行的不确定性和非线性因素，通过分析机场交通流观测数据、气象信息和运行日飞行计划信息即可实现机场交通流预测任务。

有研究指出，当预测时间范围超过20分钟时，航迹推演的准确度将显著下降，进而影响交通流预测方法的预测精度。常用数据驱动方法包括线性回归方法、整合移动平均自回归模型、K近邻方法、XGBoost等方法。这些方法具有计算简单的特点，但是并未充分考虑机场交通流的时空动态性和随机性，此类方法多用于单机场交通流量预测，但是，当预测大范围、多步机场交通流时，则需要对关注空域范围内的每个机场分别建立预测模型，计算量显著增加，并且目前并没有一种有效的方法，同时考虑空中交通多种要素和交通流的时空相关特性，快速实现大范围机场交通流预测方法。

发明内容

本发明的目的在于：针对大范围、多时间步的机场交通流预测任务，需要单独建模并且计算复杂，同时未充分考虑空中交通多种影响要素和时空相关特性等问题，提供一种基于图神经网络的机场交通流预测方法，通过注意力机制自适应获取有效信息关系的特点，融合多个空中交通网络要素形成多种要素的统一表示，再应用GCN模型建模大范围、多机场网络空间关系，依据GRU模型具有良好的时序捕捉能力的优点，挖掘大范围机场交通流的演化模式。

为了实现上述目的，本发明采用的技术方案为：

一种基于图卷积神经网络的机场交通流预测方法，包括：

步骤S1，获取空中交通要素数据，包括机场航路网络数据、航班时刻数据、机场对之间航班飞行时长数据、航空气象数据以及机场交通流观测数据；通过机场航路网络数据、航班时刻数据以及机场对之间航班飞行时长数据构建多关系机场网络；通过机场交通流观测数据和航空气象数据构建机场交通流数据集。

步骤S2,基于多关系机场网络，采用注意力机制构建多关系机场网络融合模块，通过数据驱动方法将多关系机场网络融合为单关系机场网络。

步骤S3，利用双向GCN捕获单关系机场网络的空间结构特征，使用双向GCN替换GRU中线性计算函数形成时空建模单元；根据输入交通流长度，自适应展开该时空建模单元提取机场交通流数据集的时空特征，构建机场交通流预测模型，利用损失函数优化交通流预测模型。

作为本发明的优选方案，一种基于图神经网络的机场交通流预测方法，步骤S1中，采用插值法对机场交通流观测数据和航空气象数据进行补齐操作，构建机场交通流数据集。

作为本发明的优选方案，一种基于图神经网络的机场交通流预测方法，对机场交通流数据集进行标签标注，标签特征包括温度、露点、反射率、风向、风速、能见度、阵风、起飞流量和降落流量。

作为本发明的优选方案，一种基于图网络的机场交通流预测方法，步骤S1中，根据航班时刻数据构建机场航路网络层，对机场之间计划语义关系进行描述；根据机场对之间航班飞行时长数据构建飞行时长网络层，对机场间航班运行过程进行描述；根据机场航路网络数据构建航班时刻网络层，对机场间的地理信息关系进行描述；得到多关系机场网络，采用邻接矩阵形式统一描述所述多关系机场网络的拓扑结构。

作为本发明的优选方案，一种基于图神经网络的机场交通流预测方法，步骤S2中，采用注意力机制构建多关系图数据融合方法，基于数据驱动方式自动提取机场间空间拓扑信息，多关系图数据融合方法公式如下所示：

其中，A_i为机场网络拓扑结构的邻接矩阵，W_i为可学习的注意力系数矩阵，A_learned为最终学习到的机场网络拓扑结构的临接矩阵。

作为本发明的优选方案，一种基于图神经网络的机场交通流预测方法，采用双向GCN捕获单关系机场网络的空间结构特征，双向GCN公式如下所示：

其中，A为邻接矩阵； 为度矩阵，其中， 为的转置矩阵；W₀、W₁分别为邻接矩阵的权重系数矩阵。

作为本发明的优选方案，一种基于图神经网络的机场交通流预测方法，GRU公式如下所示：

r_t＝σ(W_r[x_t,h_t-1]+b_r)

z_t＝σ(W_z[x_t,h_t-1]+b_z)

c_t＝tanh(W_c[x_t,r_t*h_t-1]+b_c)

h_t＝(1-z_t)*h_t-1+z_t*c_t

其中，r_t表示重置门，z_t表示更新门，c_t表示候选隐藏层，h_t是t时刻的隐藏状态，h_t-1是t-1时刻的隐藏状态，x_t是t时刻的特征数据，A为邻接矩阵；σ为sigmoid激活函数，tanh为双曲正切激活函数；W_r为重置门r_t的系数矩阵，W_z为更新门z_t的系数矩阵，W_c为候选隐藏层，c_t的系数矩阵；b_z、b_r、b_c分别表示更新门的偏置值、重置门值、候选层的偏置值。

作为本发明的优选方案，一种基于图神经网络的机场交通流预测方法，机场交通流预测模型的公式如下：

r_t＝σ(W_r[f(x_t,A),h_t-1]+b_r)

z_t＝σ(W_z[f(x_t,A),h_t-1]+b_z)

c_t＝tanh(W_c[f(x_t,A),r_t*h_t-1]+b_c)

h_t＝(1-z_t)*h_t-1+z_t*c_t

其中，f(·)为双向GCN计算单元，r_t表示重置门，z_t表示更新门，c_t表示候选隐藏层，h_t是t时刻的隐藏状态，h_t-1是t-1时刻的隐藏状态，x_t是t时刻的特征数据，A为机场网络邻接矩阵；σ为sigmoid激活函数，tanh为双曲正切激活函数；W_r为重置门r_t的系数矩阵，W_z为更新门z_t的系数矩阵，W_c为候选隐藏层，c_t的系数矩阵；b_z、b_r、b_c分别表示更新门的偏置值、重置门值、候选层的偏置值。

作为本发明的优选方案，一种基于图神经网络的机场交通流预测方法，使用MSE函数作为所述损失函数，公式如下所示：

其中，y为标签信息，为机场交通流预测模型的输出向量。

作为本发明的优选方案，一种基于图神经网络的机场交通流预测方法，交通流预测模型的评价指标为：

其中，RMSE为均方根误差；MAE为平均绝对误差；y为标签信息，为机场交通流预测模型的输出向量。

作为本发明的优选方案，

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明针对飞行时长、航班时刻、航路网络结构等多个空中交通要素建模形成多关系机场网络拓扑关系网络，应用注意力机制融合多个空间关系，形成机场交通网络的统一表示，基于双向GCN模型提取多个机场网络层上有用的拓扑信息，结合GRU有效地提取网络级交通流在时间维度上的变化趋势，建立大范围、多步机场交通流预测模型，实现了大范围、多机场情景的机场交通流预测，能够快速生成网络级机场交通流预测结果，无须对每个机场单独建立预测模型，提高模型训练效率，并且，有助于空中流量管理人员及时感知机场空域交通态势，为制定流控管理措施提供数据支撑，提高空域利用率。

附图说明

图1是本发明的技术方案流程示意图。

图2机场交通网络结构统一表示图。

图3机场交通流数据集标注示意图。

图4机场交通流预测模型图。

图5北京首都国际机场降落流量预测图。

图6广州白云机场降落流量预测图。

图7上海浦东机场降落流量预测图。

图8成都双流国际机场降落流量预测图。

附图标记：1-邻接矩阵。

具体实施方式

下面结合附图，对本发明作详细的说明。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

本发明提到的机场交通流预测模型均指代大范围、多机场的空中交通流预测模型，采用神经网络方法对机场网络交通状态进行挖掘。常用的神经网络模型有人工神经网络方法(ANN)、卷积神经网络(CNN)、循环神经网络(RNN)、图卷积神经网络(GCN)、门控循环神经网络(GRU)、长短期记忆网络(LSTM)等。

如图1所示，一种基于图神经网络的机场交通流预测方法，基于机场气象因素和多关系机场网络空间拓扑结构，通过构建有效的时空图建模方法，挖掘机场交通流数据的时空相关性和演变模式，构建大范围、多机场情景的机场交通流预测模型，主要包括以下步骤：

步骤S1，获取空中交通要素数据，包括机场航路网络数据、航班时刻数据、机场对之间航班飞行时长数据、航空气象数据以及机场交通流观测数据；通过机场航路网络数据、航班时刻数据以及机场对之间航班飞行时长数据构建多关系机场网络；通过机场交通流观测数据和航空气象数据构建机场交通流数据集。

具体的，机场交通流观测数据采集自中国民航某管制中心***；通过人工筛除机场交通流观测数据中存在的异常点，采用三样条插值算法对缺失数据进行补齐操作，构建机场交通流数据集，最后，根据飞行状态对机场交通流量进行分类，得到机场的起飞流量和降落流量两类数据；

航空气象数据采用航空例行天气报告(METAR)作为数据来源；METAR是一种常见的观测气象数据传输格式，在国际民航组织对其进行标准化之后，由世界气象组织又对其代码进行了规范，使其在世界各国的编译规范得到了统一，METAR通常每半小时或者一个小时生成一次，由机场或者一部分气象观测站发出；采用三样条插值算法对缺失数据进行补齐。

统计全国航路网络结构，根据历史飞行计划中机场对之间的航路信息，计算城市对之间航班经过航路汇聚点个数，得到机场航路网络数据；选择选择2017年运行航班时刻表作为实施例1中航班时刻数据来源；

实际的机场对飞行时长数据采集自中国民航某管制中心***。跟踪航班飞行计划执行情况，获取实际起飞时间和实际降落时间，统计并计算每个机场对之间航班的平均飞行时长。

具体的，依据航班时刻表，以机场为节点构建机场之间通航情况矩阵，机场对之间存在通航航班标注为1，机场对之间没有通航航班标注为0，考虑到航空交通具有很强的计划性，航班运行需要遵循航班时刻表安排的特点，依据航班时刻表统计一段时间内城市对之间的航班飞行总量信息，构建边的权重矩阵，构建机场航路网络层，对机场之间计划语义关系进行描述；考虑到航班的飞行过程影响，利用机场对之间航班飞行时长数据，统计城市对之间的飞行时长数据，并以飞行时长为边的权值，建模飞行时长网络层，对机场间航班运行过程进行描述；考虑到航路结构的影响，利用机场航路网络数据，统计城市对之间的航路经过汇聚点的数量，以经过汇聚点数量为边的权值，建模航班时刻网络层，对机场间的地理信息关系进行描述。结合机场航路网络层、飞行时长网络层和航班时刻网络层，得到多关系机场网络，应用邻接矩阵统一描述多关系机场网络的拓扑结构，表示形式如图2所示。

通过对于城市对之间的航班飞行统计可以发现，往返于城市之间的航班进港量和航班出港量不同，例如，对于2017年6月的北京首都国际机场ZBAA和上海虹桥机场ZSSS，ZBAA->ZSSS航班量为947，ZSSS->ZBAA的航班量为932，因此，本实施例1构建的多关系机场网络是一个有向图。

具体的，确定关注空域内机场数量，等待N个时刻，完成多个机场交通流数据的积累和航空气象数据的收集，数据积累完毕后，经过归一化形成机场交通流预测模型的输入特征数据，采用滑窗方式对特征数据进行标签标注，构建机场交通流数据集，具体包括：

输入特征：net_ap＝{ap_1,ap_2,ap_3,ap_4,…ap_i}，(i＝1,2,3…w)

标签特征：net_ap_flow＝{ap_flow_1,ap_flow_2,ap_flow_3,ap_flow_4,…ap_flow_i}，(i＝1,2,3…w)

一定时空范围内的多个机场的交通流量和航空气象数据集合称为机场交通特征集合；ap_i为机场信息，i为表示机场编号；机场信息结构为ap_i_t，ap_i_t＝{tmpf_i_t,dwpf_i_t,relh_i_t,drct_i_t,sknt_i_t,vsby_i_t,gust_i_t,dep_i_t,arr_i_t}，tmpf_i_t表示机场i在t时段的温度、dwpf_i_t表示机场i在t时段的露点、relh_i_t表示机场i在t时段的反射率、drct_i_t表示机场i在t时段的风向、sknt_i_t表示机场i在t时段的风速、vsby_i_t表示机场i在t时段的能见度、gust_i_t表示机场i在t时段的阵风、dep_i_t机场表示机场i在t时段的起飞流量、arr_i_t表示机场i在t时段的降落流量。标签特征为机场起飞流量和降落流量两类数据，标记为ap_flow_i_t，其中，ap_flow_i_t＝{dep_i_t,arr_i_t}，dep_i_t表示机场i在t时段的起飞流量，arr_i_t表示机场i在t时段的降落流量。

经过窗口滑动后，完成机场交通流数据集的构建，公式如下：

dt_lb＝(feature_ds{net_ap},label_ds{net_ap_flow})

其中，feature_ds{net_ap}表示特征数据集合；label_ds{net_ap_flow}表示训练数据对应的标签集合，dt_lb表示特征数据集合和标签集合的关联结构。

如图3所示的标签标注过程，窗口宽度为n，滑动步长为1，预测步长为m，假设起始时刻为1时，输入特征数据data_feature＝<net_ap_1,…,net_ap_n>，对应标签特征data_label＝<net_ap_flow_n+1,…,net_ap_flow_n+m>。

本实施例1中机场交通流量数据集时间步长度为30分钟。

步骤S2，基于所述多关系机场网络，采用注意力机制构建多关系机场网络融合模块，通过数据驱动方法将多关系机场网络融合为单关系机场网络。

具体的，采用注意力机制构建多关系图数据融合方法，基于数据驱动方式自动提取有效的机场间空间拓扑信息，多关系图数据融合方法公式如下所示：

其中，A_i为机场网络拓扑结构的邻接矩阵，W_i为可学习的注意力系数矩阵，A_learned为最终学习到的机场网络拓扑结构的临接矩阵。

步骤S3，利用双向GCN捕获单关系机场网络的空间结构特征，使用双向GCN替换GRU中线性计算函数形成时空建模单元；根据输入交通流长度，自适应展开该时空建模单元提取所述机场交通流数据集的时空特征，构建机场交通流预测模型，利用损失函数优化所述交通流预测模型。

具体的，由于机场交通网络是一种图结构数据，对于机场交通网络上的空间关系，采用GCN捕获单关系机场网络的空间结构特征；此外，机场交通流量具有很强的时序性，LSTM和GRU在结构上均适合提取时序数据特征，二者预测能力也接近，但是GRU结构比LSTM具有更快的收敛速度，因此本实施例1中以图结构统一表示机场交通网络结构，同时考虑机场交通流数据之间的时空相关性和随机性，使用双向GCN替换GRU中线性计算函数形成时空建模单元，根据输入交通流长度，自适应展开该时空建模单元提取机场交通流数据集的时空特征，构建如图4所示的机场交通流预测模型，实现大范围、多机场的交通流预测。

进一步的，GCN模型核心计算公式如下所示：

其中，A为邻接矩阵； 为度矩阵，其中， 为的转置矩阵；W₀、W₁分别为邻接矩阵的权重系数矩阵。

进一步的，GRU模型核心计算公式如下所示：

r_t＝σ(W_r[x_t,h_t-1]+b_r)

z_t＝σ(W_z[x_t,h_t-1]+b_z)

c_t＝tanh(W_c[x_t,r_t*h_t-1]+b_c)

h_t＝(1-z_t)*h_t-1+z_t*c_t

其中，r_t表示重置门，z_t表示更新门，c_t表示候选隐藏层，h_t是t时刻的隐藏状态，h_t-1是t-1时刻的隐藏状态，x_t是t时刻的特征数据，A为邻接矩阵；σ为sigmoid激活函数，tanh为双曲正切激活函数；W_r为重置门r_t的系数矩阵，W_z为更新门z_t的系数矩阵，W_c为候选隐藏层，c_t的系数矩阵；b_z、b_r、b_c分别表示更新门偏置值、重置门值、候选层的偏置值。

进一步的，将双向GCN与GRU结合构建机场交通流预测模型，核心计公式如下所示：

r_t＝σ(W_r[f(x_t,A),h_t-1]+b_r)

z_t＝σ(W_z[f(x_t,A),h_t-1]+b_z)

c_t＝tanh(W_c[f(x_t,A),r_t*h_t-1]+b_c)

h_t＝(1-z_t)*h_t-1+z_t*c_t

其中，f(·)为双向GCN计算单元，r_t表示重置门，z_t表示更新门，c_t表示候选隐藏层，h_t是t时刻的隐藏状态，h_t-1是t-1时刻的隐藏状态，x_t是t时刻的特征数据，A为机场网络邻接矩阵；σ为sigmoid激活函数，tanh为双曲正切激活函数；W_r为重置门r_t的系数矩阵，W_z为更新门z_t的系数矩阵，W_c为候选隐藏层，c_t的系数矩阵；b_z、b_r、b_c分别表示更新门偏置值、重置门值、候选层的偏置值。

进一步的，使用MSE函数作为机场交通流预测模型的损失函数，用于衡量模型预测的好坏，表现为模型预测结果与实际数据的差距程度，公式如下所示：

其中，y为标签信息，为机场交通流预测模型的输出向量。

使用均方根误差(RMSE)、平均绝对误差(MAE)函数作为机场交通流预测模型的评价指标，公式包括：

其中y代表标签信息，为模型预测输出向量。

综上所述，针对飞行时长、航班时刻、航路网络结构等多个空中交通要素建模并统一表示，应用注意力机制形成多种空交通交通要素的统一表示，结合双向GCN模型和GRU模型，提取机场交通网络结构上有用的信息，建立大范围机场交通流的多时间步预测方法，不需要对每个机场单独建立预测模型，再分别计算，可以快速计算网络级机场交通流预测结果。

实施例2

获取2017年某管制中心机场交通流观测数据和航空气象数据，将这组网络级机场交通流量数据和航空气象数据输入到机场交通流预测模型中，该模型在实现上使用函数network_flow_predict作为机场交通流预测模型接口，经过运算，network_flow_predict函数会返回预测的网络级机场交通流数据集合。

分别应用GRU、历史平均(HA)方法和本发明提出的机场交通流预测模型(A-ATFPNet)，预测网络级机场交通流数据。其中，A-ATFPNet和GRU模型输入长度为12时间步，每个时间步间隔30分钟，模型输出长度为4时间步。模型训练过程输入、输出分别为：

(1)输入：时间跨度为6小时，网络级多个机场航空气象数据和交通流数据；

(2)输出：时间跨度为2小时，网络级机场降落流数据。

预测结果汇总如表1-1所示，从该表中可以发现在RMSE、MAE指标上，A-ATFPNet模型具有更好的预测精度。

表1-1预测结果对比表

为方便检验本发明所描述的方法实际预测性能，分别可视化北京首都国际机场(ZBAA)，广州白云机场(ZGGG)，上海浦东机场(ZSPD)，成都双流国际机场(ZUUU)的实际降落流量和预测降落流量，预测结果如图5-8所示，本方法所得到的预测结果与机场真实降落流量基本一致。

综上所述，通过本发明具体实施方式可以看出，本发明提出的基于图神经的大范围机场交通流预测模型，可以有效的捕捉到多个机场交通网络结构图的有用信息；依据GRU模型能够有效的获取时间序列变化趋势，进而有效地提升机场交通流估算的准确度，实现更加科学的制定有效的流量管理措施，有效的提升空中交通管理效率，为航空安全提供有力保障。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于图神经网络的机场交通流预测方法，其特征在于，包括：

步骤S1，获取空中交通要素数据，包括机场航路网络数据、航班时刻数据、机场对之间航班飞行时长数据、航空气象数据以及机场交通流观测数据；通过机场航路网络数据、航班时刻数据以及机场对之间航班飞行时长数据构建多关系机场网络；通过机场交通流观测数据和航空气象数据构建机场交通流数据集；

步骤S2,基于所述多关系机场网络，采用注意力机制构建多关系机场网络融合模块，通过数据驱动方法将多关系机场网络融合为单关系机场网络；

步骤S3，利用双向GCN捕获所述单关系机场网络的空间结构特征，使用双向GCN替换GRU中线性计算函数形成时空建模单元；根据输入交通流长度，自适应展开该时空建模单元提取所述机场交通流数据集的时空特征，构建机场交通流预测模型，利用损失函数优化所述交通流预测模型。

2.根据权利要求1所述的一种基于图神经网络的机场交通流预测方法，其特征在于，步骤S1中，采用插值法对机场交通流观测数据和航空气象数据进行补齐操作，构建机场交通流数据集。

3.根据权利要求2所述的一种基于图神经网络的机场交通流预测方法，其特征在于，对所述机场交通流数据集进行标签标注，所述标签特征包括温度、露点、反射率、风向、风速、能见度、阵风、起飞流量和降落流量。

4.根据权利要求2所述的一种基于图网络的机场交通流预测方法，其特征在于，步骤S1中，根据所述航班时刻数据构建机场航路网络层，对机场之间计划语义关系进行描述；根据所述机场对之间航班飞行时长数据构建飞行时长网络层，对机场间航班运行过程进行描述；根据所述机场航路网络数据构建航班时刻网络层，对机场间的地理信息关系进行描述；得到多关系机场网络，采用邻接矩阵形式统一描述所述多关系机场网络的拓扑结构。

5.根据权利要求1所述的一种基于图神经网络的机场交通流预测方法，其特征在于，步骤S2中，采用注意力机制构建多关系图数据融合方法，基于数据驱动方式自动提取机场间空间拓扑信息，所述多关系图数据融合方法公式如下所示：

其中，A_i为机场网络拓扑结构的邻接矩阵，W_i为可学习的注意力系数矩阵，A_learned为最终学习到的机场网络拓扑结构的临接矩阵。

6.根据权利要求1所述的一种基于图神经网络的机场交通流预测方法，其特征在于，采用双向GCN捕获所述单关系机场网络的空间结构特征，所述双向GCN公式如下所示：

其中，A为邻接矩阵；

为度矩阵，其中，

为

的转置矩阵；W₀、W₁分别为邻接矩阵

的权重系数矩阵。

7.根据权利要求1所述的一种基于图神经网络的机场交通流预测方法，其特征在于，所述GRU公式如下所示：

r_t＝σ(W_r[x_t,h_t-1]+b_r)

z_t＝σ(W_z[x_t,h_t-1]+b_z)

c_t＝tanh(W_c[x_t,r_t*h_t-1]+b_c)

h_t＝(1-z_t)*h_t-1+z_t*c_t

其中，r_t表示重置门，z_t表示更新门，c_t表示候选隐藏层，h_t是t时刻的隐藏状态，h_t-1是t-1时刻的隐藏状态，x_t是t时刻的特征数据，A为邻接矩阵；σ为sigmoid激活函数，tanh为双曲正切激活函数；W_r为重置门r_t的系数矩阵，W_z为更新门z_t的系数矩阵，W_c为候选隐藏层，c_t的系数矩阵；b_z、b_r、b_c分别表示更新门的偏置值、重置门值、候选层的偏置值。

8.根据权利要求1所述的一种基于图神经网络的机场交通流预测方法，其特征在于，所述机场交通流预测模型的公式如下：

r_t＝σ(W_r[f(x_t,A),h_t-1]+b_r)

z_t＝σ(W_z[f(x_t,A),h_t-1]+b_z)

c_t＝tanh(W_c[f(x_t,A),r_t*h_t-1]+b_c)

h_t＝(1-z_t)*h_t-1+z_t*c_t

其中，f(·)为双向GCN计算单元，r_t表示重置门，z_t表示更新门，c_t表示候选隐藏层，h_t是t时刻的隐藏状态，h_t-1是t-1时刻的隐藏状态，x_t是t时刻的特征数据，A为机场网络邻接矩阵；σ为sigmoid激活函数，tanh为双曲正切激活函数；W_r为重置门r_t的系数矩阵，W_z为更新门z_t的系数矩阵，W_c为候选隐藏层，c_t的系数矩阵；b_z、b_r、b_c分别表示更新门的偏置值、重置门值、候选层的偏置值。

9.根据权利要求1所述的一种基于图神经网络的机场交通流预测方法，其特征在于，使用MSE函数作为所述损失函数，公式如下所示：

其中，y为标签信息，

为机场交通流预测模型的输出向量。

10.根据权利要求4所述的一种基于图神经网络的机场交通流预测方法，其特征在于，所述交通流预测模型的评价指标为：

其中，RMSE为均方根误差；MAE为平均绝对误差；y为标签信息，

为机场交通流预测模型的输出向量。

Images