技术领域
[0001] 本
发明属于
大数据挖掘和
机器学习领域，具体涉及一种航路流量预测方法、装置及计算机存储介质。
背景技术
[0002] 近些年越来越对的人们选择更加舒适快捷的飞机出行，这给民航产业带来了巨大的发展，但同时也带来了很多问题。在中国仅占全国
空域五分之一民航空域越来越难以满足日益增长的飞机数量的需求。空域的拥挤让飞机的运行变得低效，导致了包括航班延误、取消等一系列问题。更是不可避免的给飞机出行带来了安全的隐患。
[0003] ADS-B技术的广泛应用让人们看到了整个
空中交通管制系统在技术上的变革的可能性。比二次雷达技术更精准的
位置信息以及更加详细的在航飞机信息让我们能够挖掘更多有价值有意义的数据。
[0004] 空域流量管控一直以来都是空中交通管制系统的重要组成部分，准确的空域飞机流量数据对空域的合理划分和飞行航路的优化有着重要的意义。
发明内容
[0005] 针对于上述
现有技术的不足，本发明的目的之一提供一种能够提高航路流量预测准确率的方法、装置及计算机存储介质。
[0006] 本发明
实施例公开了一种航路流量预测方法，包括：获取航路流量预测数据集，其中，预测数据集至少包括以下之一：经纬度、高度、航班号、航向、垂直速度，对地速度、航班控制号；对所述预测数据集进行预处理；采用处理过的预测数据集对循环神经网络模型进行训练；使用训练过的循环神经网络进行航路流量预测。
[0007] 在一个可能的实施例中，获取航路流量预测数据集包括通过
广播式自动相关监视ADS-B接收设备收集ADS-B报文数据。
[0008] 在一个可能的实施例中，对所述预测数据集进行预处理包括：对所述ADS-B报文数据进行清洗；对清洗后的数据进行筛选，获得与航路飞机流量统计相关的有效信息，至少包括经纬度、高度、航班号之一；对筛选后的数据进行时间切片并存储；将筛选后的数据和从网络获取的机场数据融合，得到飞机航路信息。
[0009] 在一个可能的实施例中，根据所述飞机航路信息进行以小时为粒度的航路飞机流量统计。
[0010] 在一个可能的实施例中，所述预处理过的预测数据集至少包括以下之一：飞机流量、航路信息、包括小时段、星期、月、日的时间向量、包括季节、节假日、对应航路平均流量的指标向量。
[0011] 在一个可能的实施例中，所述循环神经网络模型是长短记忆神经网络模型，包括4层神经网路层。
[0012] 本发明实施例还公开了一种航路流量预测装置，包括：获取单元，用于获取航路流量预测数据集，其中，预测数据集至少包括以下之一：经纬度、高度、航班号、航向、垂直速度，对地速度、航班控制号；预处理单元，用于对所述预测数据集进行预处理；训练单元，用于采用处理过的预测数据集对循环神经网络模型进行训练；预测单元，用于使用训练过的循环神经网络进行航路流量预测。
[0013] 在一个可能的实施例中，所述获取单元，还用于通过广播式自动相关监视ADS-B接收设备收集ADS-B报文数据。
[0014] 在一个可能的实施例中，所述预处理单元包括：清洗模
块，用于对所述ADS-B报文数据进行清洗；筛选模块，用于对清洗后的数据进行筛选，获得与航路飞机流量统计相关的有效信息，至少包括经纬度、高度、航班号之一；存储模块，用于对筛选后的数据进行时间切片并存储；统计模块，用于将筛选后的数据和从网络获取的机场数据融合，得到飞机航路信息。
[0015] 在一个可能的实施例中，统计单元还用于根据所述飞机航路信息进行以小时为粒度的航路飞机流量统计。
[0016] 在一个可能的实施例中，所述预处理过的预测数据集至少包括以下之一：飞机流量、航路信息、包括小时段、星期、月、日的时间向量、包括季节、节假日、对应航路平均流量的指标向量。
[0017] 在一个可能的实施例中，所述循环神经网络模型是长短记忆神经网络模型，包括4层神经网路层。
[0018] 本发明实施例还公开一种计算机存储介质，其存储
计算机程序，在所述计算机程序被执行时，实施根据前述任一项所述的方法。
[0019] 本发明的有益效果：本发明所提出的基于地面接收设备接收的飞机ADS-B报文数据，融合互联网的相关机场的数据，构建多条航路数据并以小时为时间粒度统计航路的飞机流量，并在航路流量数据的
基础之上，整合一些特征作为输入，运用了长短期记忆神经网络模型进行航路流量的预测，提高了预测
精度。流量的统计和预测工作对空中交通管制部
门包括对监管和未来航行的调度都提供了重要的数据
支撑。
附图说明
[0020] 图1为本发明实施例的一种方法
流程图；图2为本发明实施例的又一方法流程示意图；
图3为本发明实施例的一种装置结构示意图。
具体实施方式
[0021] 为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0022] 参照图1，一种航路流量预测方法，包括：S101,获取航路流量预测数据集，其中，预测数据集至少包括以下之一：经纬度、高度、航班号、航向、垂直速度，对地速度、航班控制号。
[0023] 在一个实施例中，获取航路流量预测数据集可以通过广播式自动相关监视ADS-B接收设备收集ADS-B报文数据。
[0024] 具体的，ADS-B是广播式自动相关监视的英文缩写，装备这种设备的飞机无需进行人工操作或者像二次雷达一样需要询问，飞机可以自动的不间断的向其他飞机和地面接收站广播自己的位置、高度、航向、识别号等信息。这些广播发送出去的整合重组的飞机信息就是ADS-B数据报文。
[0025] 地面接收设备通过解析接收到的ADS-B报文获取飞机的相关信息，ADS-B报文的内容可以包括：经纬度、高度、航班号、航向、垂直速度，对地速度、航班控制号等。
[0026] S102,对所述预测数据集进行预处理。
[0027] 在一个实施例中，对所述预测数据集进行预处理包括：清洗、筛选、存储、统计流量步骤。具体的，对ADS-B报文数据进行清洗；对清洗后的数据进行筛选，获得与航路飞机流量统计相关的有效信息，至少包括经纬度、高度、航班号之一；对筛选后的数据进行时间切片并存储；将筛选后的数据和从网络获取的机场数据融合，得到飞机航路信息。
[0028] 例如，把互联网获取的机场经纬度信息存放到字典数据结构，两两机场的位置信息加上航路的宽度信息构成一条航路的基本信息。加载某个时间切片的数据，读取其中每一架在航飞机的相关数据并验证其是否在某一条航路内。统计每一条航路在每个时间段的飞机的数量。
[0029] 在一个实施例中，根据所述飞机航路信息进行以小时为粒度的航路飞机流量统计。
[0030] 在一个实施例中，所述预处理过的预测数据集至少包括以下之一：飞机流量，航路信息，包括小时段、星期、月、日的时间向量，包括季节、节假日，对应航路平均流量的指标向量。
[0031] 例如，对前述得到的航路流量数据进行
整理和格式统一，再加上航路编号、日期、星期、节假日、季节等特征信息，为后续的流量
预测模型作输入。具体的可以通过如下方式定义输入数据格式。
[0032] 输入数据可以是数据向量 ，包括时间向量t和指标向量p。
[0033] 对时间向量t和指标向量p做如下的定义：(1)
式中，, , 和 分别是小时段、星期、月份、某月的哪一天。
[0034] (2)式中， , 和 分别是季节指标，节假日指标和该航路的平均流量指标。
[0035] 输入数据向量 定义如下：(3)
其中 为前文提到的航路飞机流量值，表示航路编号，t，p分别为式（1），（2）中定义的向量。
[0036] S103,采用处理过的预测数据集对循环神经网络模型进行训练。
[0037] 在一个实施例中，所述循环神经网络模型是长短记忆神经网络模型，包括4层神经网路层。
[0038] 鉴于流量数据的时序特性以及非线性的特征，选择了一种时间循环神经网络，长短记忆网络模型。该网络模型输入到输出的形式是序列到序列的。
[0039] 在一个实施例中，可以将步骤S102中得到的预处理流量数据拆分成67%的训练集和33%的测试集。
[0040] S104,使用训练过的循环神经网络进行航路流量预测。
[0041] 模型的网络架构在空间上只有一层长短记忆神经网络层，一层全连接层和一层dropout层。由于数据是按照时间顺序被一个一个输入网络
迭代，在时间上就相当于将网络深度增加到空间深度的时序长度倍，即24倍。网络所能展现的强大的非线性特征表征能
力使得其能够很好地处理复杂的时序序列的预测问题。
[0042] 本发明实施例通过地面接收设备接收的飞机ADS-B报文数据，融合互联网的相关机场的数据，构建多条航路数据并以小时为时间粒度统计航路的飞机流量，并在航路流量数据的基础之上，整合一些特征作为输入，运用了长短期记忆神经网络模型进行航路流量的预测，提高了预测精度。此外，流量的统计和预测工作对空中交通管制部门包括对监管和未来航行的调度都提供了重要的数据支撑。
[0043] 以下结合图2对本发明实施例方法进一步阐述。
[0044] 本发明使用python3.6为开发语言，sklearn开源库作为
算法实现。具体包括如下步骤，其中：步骤一：通过地面设备接收ADS-B报文数据。
[0045] 第1步：布置ADS-B地面接收设备，包括1090Mhz的全向天线和存储设备。
[0046] 第2步：接收在航飞机发送的ADS-B报文并存储。
[0047] 步骤二：第3步：对ADS-B数据进行格式统一和数据整理。
[0048] 第4步：对数据进行清洗（包括删除异常值和空值）并按日期时间存储。
[0049] 第5步：融合互联网获取的机场信息构建飞机航路信息。
[0050] 第6步：读取清洗后得飞机数据，检验每一架在航飞机是否在某条航路内，并统计数量输出统计结果。
[0051] 步骤三：第7步：将步骤二中获取的流量值和航路信息整合作为数据向量。
[0052] 第8步：将日期、月份、星期等整合构成时间向量。
[0053] 第9步：将是否是节假日、航路平均流量、季节等整合成指标向量。
[0054] 第10步：将上述三个向量合成一个向量，作为后续预测模型的输入。
[0055] 步骤四：第11步：建立长短记忆神经网络模型。
[0056] 第12步：通过步骤二中的数据训练长短记忆神经网络模型。
[0057] 第13步：通过第12步训练的模型进行航路流量的预测。
[0058] 如图3，本发明实施例中还公开了一种航路流量预测装置10，包括：获取单元101，用于获取航路流量预测数据集，其中，预测数据集至少包括以下之一：经纬度、高度、航班号、航向、垂直速度，对地速度、航班控制号；预处理单元102，用于对所述预测数据集进行预处理；训练单元103，用于采用处理过的预测数据集对循环神经网络模型进行训练；预测单元104，用于使用训练过的循环神经网络进行航路流量预测。
[0059] 所述获取单元101，还用于通过广播式自动相关监视ADS-B接收设备收集ADS-B报文数据。
[0060] 所述预处理单元102包括：清洗模块，用于对所述ADS-B报文数据进行清洗；筛选模块，用于对清洗后的数据进行筛选，获得与航路飞机流量统计相关的有效信息，至少包括经纬度、高度、航班号之一；存储模块，用于对筛选后的数据进行时间切片并存储；统计模块，用于将筛选后的数据和从网络获取的机场数据融合，得到飞机航路信息。
[0061] 在一个实施例中，统计单元还用于根据所述飞机航路信息进行以小时为粒度的航路飞机流量统计。
[0062] 在一个实施例中，所述预处理过的预测数据集至少包括以下之一：飞机流量、航路信息、包括小时段、星期、月、日的时间向量、包括季节、节假日、对应航路平均流量的指标向量。
[0063] 在一个实施例中，所述循环神经网络模型是长短记忆神经网络模型，包括4层神经网路层。
[0064] 该装置对应于前述的方法实施例，具体可参考方法实施例的描述，不再赘述。
[0065] 在本
申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个部分， 或一些特征可以忽略，或不执行。
[0066] 作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0067] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用
硬件的形式实现，也可以采用
软件功能单元的形式实现。
[0068] 本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。
