一种基于Skip-LSTM网络的机场群延误预测方法
专利汇可以提供一种基于Skip-LSTM网络的机场群延误预测方法专利检索，专利查询，专利分析的服务。并且本 发明 提供了一种基于Skip-LSTM网络的机场群延误预测方法，包括如下步骤：数据预处理：将两个机场群的数据集进行对比，并分别对数据进行均衡处理，数据均衡处理后，对数据进行融合、特征选择和数据编码；特征提取：将数据预处理中得到的数据编码输入到Skip-LSTM网络，提取数据在时间维度上的依赖关系，得到最终的特征矩阵；分类预测：将特征提取中得到的最终特征矩阵，输入到全连接层转换为一维矩阵，并利用softmax分类器对一维特征矩阵进行分类，得到机场延误预测的结果。本发明所述的基于Skip-LSTM网络的机场群延误预测方法，充分提取了机场群数据信息的时间相关性，获得更高的预测准确率。，下面是一种基于Skip-LSTM网络的机场群延误预测方法专利的具体信息内容。
1.一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：包括如下步骤：
数据预处理：将两个机场群的数据集进行对比，并分别对数据进行均衡处理，数据均衡处理后，对数据进行融合、特征选择和数据编码；
特征提取：将数据预处理中得到的数据编码输入到Skip-LSTM网络，提取数据在时间维度上的依赖关系，得到最终的特征矩阵；
分类预测：将特征提取中得到的最终特征矩阵，输入到全连接层转换为一维矩阵，并利用softmax分类器对一维特征矩阵进行分类，得到机场延误预测的结果。
2.根据权利要求1所述的一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：数据预处理中两个机场群的数据集主要包括：
机场数据定义为DA：包括日期，时间，机场名称；
航班数据定义为DF：包括执行日期，时间，航班号，二次雷达编号，计起时间，计达时间，计划起站，计划达站，计划机型，计划机号，巡航速度，巡航高度，保障种类，任务类型，保障等级，执行状态，全国SARB，军方批号。
3.根据权利要求1所述的一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：所述数据预处理的具体方法为：
数据均衡处理：增加数据集，使得数据均衡；
特征选择：根据天气数据集，删除重复和干扰的特征；
数据融合：提取机场群中所有的起降航班数据和天气数据，选择航班的计划起飞或降落时间为关联主键1，选择观测站的观测时间为关联主键2，融合具有相同键值的数据，保证机场群的航班数据和相同时间的天气数据进行融合；
数据编码：将融合后的数据特征分为离散型特征和连续型特征，对离散型特征进行了平数据编码，对连续性特征进行min-max编码。
4.根据权利要求1所述的一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：所述特征提取中Skip-LSTM前向传播过程为：
ft＝σ(wfht-1+ufxt+bf) (1)
it＝σ(wiht-1+uixt+bi) (2)
at＝tanh(waht-1+uaxt+ba) (3)
ct＝ct-1⊙ft+it⊙at (4)
yt＝σ(woht-1+uoxt+bo) (5)
ht＝ut·S(ht-1,xt)+(1-ut)·ht-1 (7)
其中xt是t时刻的输入，ft是t时刻遗忘门的输出，it和at是t时刻输入门的输出，ct是t时刻的细胞状态，yt是t时刻输出门的输出， 是t时刻Skip门的输出，ht是t时刻的隐藏状态，σ和tanh为神经元内的激活函数，fbinarize将输入值二值化的函数；⊙为Hadamard积；wf是t-1时刻遗忘门的权重矩阵；ht-1是t-1时刻的隐藏状态；uf是t时刻遗忘门的权重矩阵；bf是遗忘门的偏置；wi是t-1时刻输入门的权重矩阵；ui是t时刻输入门的权重矩阵；bi是输入门的偏置；wa是t-1时刻输入门的权重矩阵；ua是t时刻输入门的权重矩阵；ba是输入门的偏置；ct-1是t-1时刻的细胞状态；wo是输出门的权重矩阵；uo是t时刻输出门的权重矩阵；bo是输出门的偏置；ut是 二值化处理的值；S是参数状态转换模型； 是t时刻离散化的概率变化；wp是t-1时刻skip门的权重矩阵；bp是skip门的偏置； 是t+时刻Skip门的输出；Mix函数是取最小值。
5.根据权利要求4所述的一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：Skip-LSTM反向传播过程通过梯度下降法迭代更新所有的参数，在本文中有两个隐藏状态ht和ct，所以定义两个δ，即δht和δct，Skip-LSTM反向传播过程式如下所示，Skip-LSTM的反向传播是沿时间维度的反向传播，即从当前的时刻反向传播计算前一个时刻的梯度值、损失值，由δct+1，δht+1反向推导δct，δht，
其中δht是t时刻隐藏状态的梯度；l是损失函数；lt是t时刻的损失值；lt+1是t+1时刻的t
损失；ht是t时刻的隐藏状态；ht+1是t+1时刻的隐藏状态；δc是t时刻细胞状态的梯度；ct是t时刻的隐藏状态；ft是t时刻遗忘门的输出； 是t+1时刻细胞状态的梯度；ft+1是t+1时刻遗忘门的输出；⊙是Hadamard积；δht是t时刻隐藏状态的梯度；yt是t时刻输出门的输出；
t t
tanh是神经元内的激活函数；通过计算出δh 和δc ，可以计算神经元中各个参数的梯度，即参数对于损失函数的偏导数，例如wf的梯度计算过程如下：
其中，wf代表t时刻遗忘门的权重矩阵；Ct-1代表t-1时刻的细胞状态；ht-1代表t-1时刻的隐藏状态。
6.根据权利要求1所述的一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：所述分类预测的具体方法为：将特征提取得到的空间特征矩阵输入全连接层，全连接层中每个神经元分别对特征矩阵中的数据进行非线性变换得到一维特征矩阵；然后将一维特征矩阵输入到softmax分类器进行分类，得到机场群延误预测的结果。
7.根据权利要求6所述的一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：softmax分类器计算出输入的数据属于概率值P，并且概率值最大的类别被判定为最终所属的类别，用softmax将输入x分类为y类别的概率为：
8.根据权利要求1所述的一种基于Skip-LSTM网络的机场群延误预测方法，其特征在于：分类预测所用的评价准则为：
其中N为测试集中所有的数据量，C代表模型预测的延误状态和真实的延误状态相同的数量，precision为模型的准确率。
一种基于Skip-LSTM网络的机场群延误预测方法
技术领域
背景技术
2015(9)：4-10.Zhang L,Gao C,Hu H Q.Comparison and Suggestions on the Coordinated Development of Three Biggest Airport Groups and City Groups of China[J].China Transportation Review,2015(9):4-10.(in Chinese)”研究了机场群的发展特征，根据机场 群与城市群协同发展的特点，针对我国机场群与城市群发展不协调的问题， 提出了机场群与城市群协调发展的建议。文献“杨依莹,陈子怡,杨新湦.珠 三角机场群协同发展定位分析[J]航空计算技术,2016,46(1)：53-55.Yang Y Y,Chen Z Y,Yang X S.Analysis on Positioning of Collaborative Development of Airport Group around Pearl River Delta Area[J]. Aeronautical Computing Technique,2016,46(1):53-55.(in Chinese)”研 究了珠三角机场群中各个机场的定位问题，避免了机场群中各个机场的恶性 竞争，促进机场群的良性发展。文献“Ayyalasomayajula S,Delaurentis D.Developing Strategies for Improved Management of Airport Metroplex Resources[C]//Aiaa Aviation Technology,Integration,&Operations
Conference.2009.”通过研究机场群中各个机场的依赖关系来确定机场群中 的资源分配，以此来降低机场群的拥堵和延误。文献“Bolanos M E,Murphy D.How Much Delay does New York Inject into the National Airspace SystemA Graph Theory Analysis[C]//Aviation Technology,Integration,& Operations Conference.2013.”分析了纽约机场群的延误对美国空域系统 延误的影响，指出了美国空域系统中有40％的延误是由纽约机场群产生或扩 散的。文献“Sidiropoulos S,Majumdar A,Han K.A Framework for the Optimization of Terminal AirspaceOperations in Multi-AirportSystems[J].Transportation Research Part B: Methodological,2018,110:160-187.”提出了多机场系统终端机动区动态到 达和离开航线设计框架，从而减少机场群整体延误，充分的利用机场群中各 个机场的资源。文献“Capozzi B J,Atkins S C,Choi S.Towards Optimal Routing and Scheduling of Metroplex Operations[C]//Aiaa Aviation Technology,Integration,&Operations Conference.2009.”研究了机场 群中的航班调度和空域因素等，协调分配了机场群的资源。虽然国内外的研 究学者已经对机场群进行了一定的研究，但是鲜少有人对机场群的延误状况 进行过预测，本文尝试对机场群未来的某段时间的延误状况进行预测，从而 优化机场群的排班，充分利用机场群中的资源，促进机场群地区的协调发展。
发明内容
bf是 遗忘门的偏置；wi是t-1时刻输入门的权重矩阵；ui是t时刻输入门的权重 矩阵；bi是输入门的偏置；wa是t-1时刻输入门的权重矩阵；ua是t时刻输 入门的权重矩阵；ba是输入门的偏置；ct-1是t-1时刻的细胞状态；wo是输 出门的权重矩阵；uo是t时刻输出门的权重矩阵；
bo是输出门的偏置；ut是 二值化处理的值；S是参数状态转换模型； 是t时刻离散化的概率变化； wp是t-1时刻skip门的权重矩阵；bp是skip门的偏置； 是t+时刻Skip 门的输出；Mix函数是取最小值。
1时刻遗忘门的输出；⊙ 是Hadamard积；δht是t时刻隐藏状态的梯度；yt是t时刻输出门的输出； tanh是神经元内的激活函数；通过计算出δht和δct，可以计算神经元中各个参 数的梯度，即参数对于损失函数的偏导数，例如wf的梯度计算过程如下：
具体实施方式
bf是 遗忘门的偏置；wi是t-1时刻输入门的权重矩阵；ui是t时刻输入门的权重 矩阵；bi是输入门的偏置；wa是t-1时刻输入门的权重矩阵；ua是t时刻输 入门的权重矩阵；ba是输入门的偏置；ct-1是t-1时刻的细胞状态；wo是输 出门的权重矩阵；uo是t时刻输出门的权重矩阵；
bo是输出门的偏置；ut是 二值化处理的值；S是参数状态转换模型； 是t时刻离散化的概率变化； wp是t-1时刻skip门的权重矩阵；bp是skip门的偏置； 是t+时刻Skip 门的输出；Mix函数是取最小值。
1时刻遗忘门的输出；⊙ 是Hadamard积；δht是t时刻隐藏状态的梯度；yt是t时刻输出门的输出； tanh是神经元内的激活函数；通过计算出δht和δct，可以计算神经元中各个参 数的梯度，即参数对于损失函数的偏导数，例如wf的梯度计算过程如计算过 程式(12)所示：
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种装配阶段液压系统密封性和工作性能检查方法 | 2020-05-08 | 191 |
| 用于具有垂直起飞和着陆以及前向飞行能力的航空器的解耦手控 | 2020-05-08 | 991 |
| 视觉辅助微型无人机室内飞行三维姿态算法 | 2020-05-08 | 239 |
| 一种无人机群对单移动时敏目标侦察路径规划方法 | 2020-05-11 | 0 |
| 一种海上无人机起飞平衡装置 | 2020-05-11 | 185 |
| 一种无人机消防车综合灭火救援系统 | 2020-05-11 | 778 |
| 无人飞行器的飞行辅助方法和装置 | 2020-05-08 | 67 |
| 一种无人机降落架缓冲装置及使用方法 | 2020-05-11 | 618 |
| 用于控制竖直起飞航空器的偏航角和滚转角的控制方法 | 2020-05-08 | 688 |
| 航班运行数据融合方法、装置及设备 | 2020-05-08 | 431 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
